监控视频中异常事件的检测方法及装置制造方法及图纸

本申请涉及监控视频中异常事件的检测方法及装置，方法包括：根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配；若不匹配，确定所述目标监控视频存在异常事件；根据所述异常事件，生成并输出预警信号；其中，所述训练模型是基于异常事件表现形式的多个角度进行训练得到的，和/或，所述训练模型是基于局部敏感哈希函数并结合布隆滤波器算法进行训练得到的。采用本申请的技术方案，能够提高检测监控视频中异常事件的自适应性，较少误报率。

Abnormal event detection method and device in monitoring video

The present application relates to a detection method and a device for abnormal events in a monitoring video, including: detecting whether the measured features of a received target monitoring video match the training model according to a pre-constructed training model; determining the presence of an abnormal event in the target monitoring video if not; and according to the abnormal event The training model is based on the local sensitive hash function and the Bloom filter algorithm. The technical scheme of the application can improve the adaptability of detecting abnormal events in surveillance video and reduce the false alarm rate.

【技术实现步骤摘要】
监控视频中异常事件的检测方法及装置
本申请涉及视频监控领域，具体涉及一种监控视频中异常事件的检测方法及装置。
技术介绍
随着社会经济和电子技术的发展以及人们安全意识的增长，视频监控技术得到快速发展，视频监控系统的智能化是监控技术发展的必然需求。相关技术中，针对监控视频中异常事件的检测方法，大多针对特定场景设置相应的算法模型对监控视频进行分析，以确定监控视频中是否存在异常事件。但是，由于不同场景中异常行为可能不同，这就导致很多算法模型存在相当的误报和丢失事件问题，很多算法模型的自适应性较差，误报率较高。
技术实现思路
为至少在一定程度上克服相关技术中存在的问题，本申请提供一种监控视频中异常事件的检测方法及装置。根据本申请实施例的第一方面，提供一种监控视频中异常事件的检测方法，包括：根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配；若不匹配，确定所述目标监控视频存在异常事件；根据所述异常事件，生成并输出预警信号；其中，所述训练模型是基于异常事件表现形式的多个角度进行训练得到的，和/或，所述训练模型是基于局部敏感哈希函数并结合布隆滤波器算法进行训练得到的。进一步地，上述所述的方法中，多个所述角度包括动作角度和外观角度；根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配之前，还包括：基于排序光流直方图的方法，构建动作异常训练模型；以及，基于支持向量数据描述的方法，构建外观异常训练模型；对应的，根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配，包括：检测所述待测特征是否落入所述动作异常训练模型中，若否，确定存在动作异常事件，以及，检测所述待测特征是否落入所述外观异常训练模型中，若否，确定存在外观异常事件。进一步地，上述所述的方法中，所述基于排序光流直方图的方法，构建动作异常训练模型，包括：计算所有第一样本的光流向量；根据所述光流向量，确定存在运动模式的样本，作为第一正常样本；对所述第一正常样本的光流向量的方向和幅度进行统计，得到所述第一正常样本对应的第一直方图；根据直条统计量对所述第一直方图从大到小进行排序，得到排序后的第二直方图；根据所述第二直方图的数据量保留率，计算所述第二直方图对应的拦截直条；将所述拦截直条之前的所有直条对应的第二直方图作为所述动作异常训练模型。进一步地，上述所述的方法中，基于支持向量数据描述的方法，构建外观异常训练模型，包括：提取所有第二样本的外观特征；根据所述外观特征，确定存在外观模型的样本，作为第二正常样本；基于支持向量数据描述的方法，建立所述第二正常样本对应的超球，作为所述外观异常训练模型；其中，所述超球的体积小于第一预设阈值，且包含的外挂特征大于第二预设阈值。进一步地，上述所述的方法中，根据所述异常事件，生成并输出预警信号，包括：根据预先设置的异常事件等级库，确定所述异常事件对应的危害等级；根据所述危害等级，生成并输出所述危害等级对应的预警信号。进一步地，上述所述的方法中，根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配之前，还包括：将所有第三样本划分成尺寸相同的时空立方体；基于时空立方体的光流直方图的方法，得到每个时空立方体的运动特征；基于局部敏感哈希函数，对每个时空立方体的所述运动特征进行映射处理，得到多个哈希桶；根据每个所述哈希桶，构建局部敏感哈希滤波器训练模型。进一步地，上述所述的方法中，基于局部敏感哈希函数，对所述每个时空立方体的运动特征进行映射处理，得到多个哈希桶之前，还包括：基于预设的评测标准，对多个候选局部敏感哈希函数进行评测，得到每个候选局部敏感哈希函数的评测值；基于预设的函数寻找规则，选取评测值最大的候选局部敏感哈希函数，作为所述局部敏感哈希函数。进一步地，上述所述的方法，还包括：获取对所述目标监控视频进行检测的检测结果；根据所述检测结果，对所述局部敏感哈希滤波器训练模型进行在线更新。进一步地，上述所述的方法，还包括：将所述异常事件对应的异常目标监控视频发送给监测终端，以便用户针对所述异常目标监控视频进行确认，并将确认结果输入所述监测终端；接收所述监测终端发送的所述确认结果；若所述确认结果为检测错误，将所述异常目标监控视频作为训练样本进行训练，对所述训练模型进行修正。根据本申请实施例的第二方面，提供一种监控视频中异常事件的检测装置，包括：检测模块，用于根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配；确定模块，用于若所述检测模块检测到所述待测特征与所述训练模型不匹配，确定所述目标监控视频存在异常事件；生成模块，用于根据所述异常事件，生成预警信号；输出模块，用于生成模块输出所述预警信号；其中，所述训练模型是基于异常事件表现形式的多个角度进行训练得到的，和/或，所述训练模型是基于局部敏感哈希函数并结合布隆滤波器算法进行训练得到的。根据本申请实施例的第三方面，提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种监控视频中异常事件的检测方法，所述方法包括：根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配；若不匹配，确定所述目标监控视频存在异常事件；根据所述异常事件，生成并输出预警信号；其中，所述训练模型是基于异常事件表现形式的多个角度进行训练得到的，和/或，所述训练模型是基于局部敏感哈希函数并结合布隆滤波器算法进行训练得到的。本申请的监控视频中异常事件的检测方法及装置，通过根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与训练模型相匹配，若不匹配，确定目标监控视频存在异常事件，根据确定异常事件，生成并输出预警信号，实现了同一算法识别不同场景中的异常事件。采用本申请的技术方案，能够提高检测监控视频中异常事件的自适应性，较少误报率。应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。图1为本申请的监控视频中异常事件的检测方法实施例的流程图；图2为本申请动作异常训练模型的构建方法实施例的流程图；图3为本申请外观异常训练模型的构建方法实施例的流程图；图4为本申请局部敏感哈希滤波器训练模型的构建方法实施例的流程图；图5为本申请的监控视频中异常事件的检测装置实施例一的结构示意图；图6为本申请的监控视频中异常事件的检测装置实施例二的结构示意图。具体实施方式这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。图1为本申请的监控视频中异常事件的检测方法实施例的流程图，如图1所示，本实施例的监控视频中异常事件的检测方法，具体可以包括如下步骤：100、根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与训练模型相匹配。例如，本实施例中本文档来自技高网...

【技术保护点】
1.一种监控视频中异常事件的检测方法，其特征在于，包括：根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配；若不匹配，确定所述目标监控视频存在异常事件；根据所述异常事件，生成并输出预警信号；其中，所述训练模型是基于异常事件表现形式的多个角度进行训练得到的，和/或，所述训练模型是基于局部敏感哈希函数并结合布隆滤波器算法进行训练得到的。

【技术特征摘要】
1.一种监控视频中异常事件的检测方法，其特征在于，包括：根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配；若不匹配，确定所述目标监控视频存在异常事件；根据所述异常事件，生成并输出预警信号；其中，所述训练模型是基于异常事件表现形式的多个角度进行训练得到的，和/或，所述训练模型是基于局部敏感哈希函数并结合布隆滤波器算法进行训练得到的。2.根据权利要求1所述的方法，其特征在于，多个所述角度包括动作角度和外观角度；根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配之前，还包括：基于排序光流直方图的方法，构建动作异常训练模型；以及，基于支持向量数据描述的方法，构建外观异常训练模型；对应的，根据预先构建的训练模型，检测接收的目标监控视频的待测特征是否与所述训练模型相匹配，包括：检测所述待测特征是否落入所述动作异常训练模型中，若否，确定存在动作异常事件，以及，检测所述待测特征是否落入所述外观异常训练模型中，若否，确定存在外观异常事件。3.根据权利要求2所述的，其特征在于，所述基于排序光流直方图的方法，构建动作异常训练模型，包括：计算所有第一样本的光流向量；根据所述光流向量，确定存在运动模式的样本，作为第一正常样本；对所述第一正常样本的光流向量的方向和幅度进行统计，得到所述第一正常样本对应的第一直方图；根据直条统计量对所述第一直方图从大到小进行排序，得到排序后的第二直方图；根据所述第二直方图的数据量保留率，计算所述第二直方图对应的拦截直条；将所述拦截直条之前的所有直条对应的第二直方图作为所述动作异常训练模型。4.根据权利要求2所述的，其特征在于，基于支持向量数据描述的方法，构建外观异常训练模型，包括：提取所有第二样本的外观特征；根据所述外观特征，确定存在外观模型的样本，作为第二正常样本；基于支持向量数据描述的方法，建立所述第二正常样本对应的超球，作为所述外观异常训练模型；其中，所述超球的体积小于第一预设阈值，且包含的外挂特征大于第二预设阈值。5.根据权利要求2所述的，其特征在于，根据所述异常事件，生成并输出...

【专利技术属性】
技术研发人员：曹立松，
申请(专利权)人：华鼎世纪北京国际科技有限公司，
类型：发明
国别省市：北京,11