【技术实现步骤摘要】
一种基于交叉U
‑
Net网络的视频异常检测方法及装置
[0001]本专利技术属于视频识别
,涉及一种基于交叉U
‑
Net网络的视频异常检测方法及装置。
技术介绍
[0002]视频异常检测具有挑战性,因为异常事件在真实场景中是无限的、罕见的、模糊的、不规则的。随着视频监控呈指数级增长,需要一种在自动检测视频监控中异常事件的方法。视频异常检测研究可分为基于对象的异常检测和基于帧的异常检测,它根据是否适合实时进行划分。基于对象的异常检测使用在帧中检测到的对象作为模型的输入。它获得每个对象的异常分数,并使用异常分数推断帧的异常。基于帧的异常检测使用帧作为模型的输入,它获得每个帧的异常分数,并使用异常分数推断帧的异常。与基于对象的异常检测方法不同,该方法可以在任何时间和地点进行实时异常检测。然而,与基于对象的异常检测方法相比,它受到背景噪声的影响,因为它使用帧的整体来推断异常。
[0003]近年来,许多研究利用深度学习来获得较高的异常检测精度。大部分的研究只考虑了异常检测的精度,而没有考虑视频监控中至关重要的异常检测速度。应尽快检测和处理视频监控中的异常事件,并实时检测危险情况。因此如何利用交叉U
‑
Net捕获全局上下文和额外的时间信息,减少帧中的背景噪声,以实现视频进行异常检测,并加快视频监控中的异常检测速度,对检测和处理视频监控中的异常事件并实时检测危险情况至关重要。
[0004]CN202210587622.3提出了一种融合隐空间自回归的预测重构 ...
【技术保护点】
【技术特征摘要】
1.一种基于交叉U
‑
Net网络的视频异常检测方法,其特征在于,步骤如下:S1:采用FPN网络进行目标检测,提取视频中的每一帧;S2:构建基于自注意力机制的交叉U
‑
Net模型;所述基于自注意力机制的交叉U
‑
Net模型包括两个子网络,每个子网络都是U
‑
Net网络,两个子U
‑
Net网络分别接收前一帧和下一帧来预测当前帧,并且每个子网络由收缩路径和扩展路径组成,在收缩路径中进行交叉连接进行下采样过程,在扩展路径加入自注意力机制进行上采样过程;S3:训练基于自注意力机制的交叉U
‑
Net网络模型;S4:使用训练后的基于自注意力机制的交叉U
‑
Net网络模型得到预测的当前帧,并使用鉴别器判断是否异常。2.根据权利要求1所述的基于交叉U
‑
Net网络的视频异常检测方法,其特征在于,所述收缩路径由一个下采样模块和三个依次连接的下采样交叉模块组成;每个下采样交叉模块由两个卷积层和一个最大池化层依次连接而成,每个下采样交叉模块的第一个卷积层的输出连接另一子网络同层级的下采样交叉模块的最大池化层的输入,从而实现两个子网络同层级的交叉连接;将上层子网络的前一帧信息与下层子网络的后一帧信息相融合,使每个维度包含更多的特征,并且在第三个下采样交叉模块后跳出下采样层。3.根据权利要求1所述的基于交叉U
‑
Net网络的视频异常检测方法,其特征在于,所述扩展路径由一个上采样模块I和三个依次连接的上采样模块II组成;上采样模块I依次由一个退出上采样层、一个自注意力机制和两个卷积层组成;每个上采样模块II依次由一个上采样层、一个自注意力机制、两个卷积层组成。4.根据权利要求1所述的基于交叉U
‑
Net网络的视频异常检测方法,其特征在于,收缩路径与扩展路径之间通过一个卷积模块连接;两个子网络的收缩路径的输出共同连接一个预测模块。5.根据权利要求4所述的基于交叉U
‑
Net网络的视频异常检测方法,其特征在于,所述预测模块由一个3x3的卷积层和一个1x1的卷积层组成。6.根据权利要求2所述的基于交叉U
‑
Net网络的视频异常检测方法,其特征在于,每个子网络的收缩路径公式表示如下:(1)其中,k表示层数,x
k
表示收缩路径中下采样模块和前两个依次连接的下采样交叉模块输出的指数,是另一个子网络的相应输出,x0表示子网络的输入,x
k+1
表示下采样模块和前两个依次连接的下采样交叉模块的最终输出;[ ]表示串联操作,D( )表示两个3
×
3卷积层,每个卷积层后面都有一个添加ReLU激活函数激活单元,P( )表示最大池化层;每个子...
【专利技术属性】
技术研发人员:谢昕,李钊,喻思,吴登权,李紫熙,郑晗欣,郑文彬,熊申平,
申请(专利权)人:华东交通大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。