【技术实现步骤摘要】
本专利技术涉及计算机视觉中的目标检测和动作分类领域，具体涉及一种时空动作网络的异常行为检测方法。
技术介绍
1、随着经济条件的不断提高，也是社会治安和社会安全得到大力增强的体现，交通运输系统和公共场合的监控摄像头的数量逐年攀升，覆盖的范围以及覆盖率也在逐年提升。随着监控系统越来越庞大，海量的安防视频数据也随之而来，而对视频画面中异常事件的检测和事故产生的原因分析等任务需要人来进行分析和处理，这需要工作人员长时间一刻不停地观察众多的监控视频，可想而知，任务工作量是多么巨大。然而，如果纯粹靠人去观察监控视频，由于人的注意力不可能长时间始终保持高度集中，而且每天需要三分之一左右的时间休息，这会导致在监控中会存在漏检和误检等情况，从而导致整个安防的安全性和实用性的降低。当今，交通出行便利，人们的活动范围广阔，现实中发生的异常行为事件就变得更加多种多样，有的行为事件异常与否可能不易辨别，甚至不易察觉，这样一来，情况越来越复杂，大大增大了视频监控技术难度。为此，基于计算机视觉的智能视频监控技术应运而生，用以辅助监控人员的工作。
2、所谓的智能视频监控技术，就是为了让摄像头模拟人的眼睛具备“看”的能力，让计算机模拟人的大脑具备决策能力，它通过计算机智能地对从监控摄像头中获取的视频数据进行计算和分析，以对监控场景中的画面内容进行理解，从而实现对异常行为的检测、识别、预警以及报警。异常行为检测由于其对安防监控领域的重要性和挑战性一直受到许多研究人员的关注。需要检测所输入视频中个人在某一场景中发生的不同寻常行为，如奔跑、行走、摔倒、投掷
3、目前在异常行为检测应用上主要通过大规模的预训练模型通过迁移学习的方式应用在监控场景下，预训练模型由于通过大量的数据训练得到具有良好的泛化性。但是无法避免公开数据集ava里的人物与监控视频场景下的人物特征差异较大，导致模型直接迁移预测性能不好。同时迁移到监控视频场景下的数据集进行训练时，数据集类别分布不平衡，导致模型重新训练时会偏向于数据量多的类别，造成个别数据量少的类别效果大打折扣。
4、总之，现有的异常行为检测还存在检测结果准确率低，检测速度较慢的问题。
技术实现思路
1、本专利技术是为了解决上述问题而进行的，目的在于提供一种时空动作网络的异常行为检测方法。
2、本专利技术提供了一种时空动作网络的异常行为检测方法，用于根据视频数据得到异常行为检测结果，具有这样的特征，包括以下步骤：步骤s1，对视频数据进行预处理，得到预处理视频；步骤s2，构建初始时空动作网络模型，并根据现有视频数据构建训练数据集对初始时空动作网络模型进行训练，得到时空动作网络模型；步骤s3，将预处理视频输入时空动作网络模型，得到异常行为检测结果，其中，时空动作网络模型包括：yolov5目标检测网络模块，用于对预处理视频进行目标检测，得到标注有边界框的检测视频；slowfast视频识别网络模块，用于对检测视频进行全局动作特征提取，得到全局特征；局部特征提取模块，用于根据边界框从全局特征中提取得到对应的局部特征；结果生成模块，包含线性分类器，用于根据局部特征得到异常行为检测结果。
3、在本专利技术提供的时空动作网络的异常行为检测方法中，还可以具有这样的特征：其中，在步骤s1中，预处理的具体操作为：对视频数据进行采样到固定帧数，并通过归一化和线性插值法调整视频帧至固定大小。
4、在本专利技术提供的时空动作网络的异常行为检测方法中，还可以具有这样的特征：其中，在yolov5目标检测网络模块中，将预处理视频依次经由focus网络和csp网络处理，得到图像全局特征，对图像全局特征进行3次下采样，得到3种不同尺度的图像特征，将各个图像特征依次经由fpn网络和pan网络融合特征，并分别传递至预测层进行边界框回归，得到检测视频。
5、在本专利技术提供的时空动作网络的异常行为检测方法中，还可以具有这样的特征：其中，slowfast视频识别网络模块包括fast网络分支和slow网络分支，对大小为(t,h,w,c)的检测视频进行下采样得到大小为(t/8,h,w,c)的采样视频，将检测视频输入fast网络分支，将采样视频输入slow网络分支，由fast网络分支和low网络分支中间层特征交替融合4次，得到全局特征。
6、在本专利技术提供的时空动作网络的异常行为检测方法中，还可以具有这样的特征：其中，slowfast视频识别网络模块包含预训练的slowfast模型，slowfast模型的输出的类别设置为目标类别。
7、在本专利技术提供的时空动作网络的异常行为检测方法中，还可以具有这样的特征：其中，在局部特征提取模块中，对全局特征进行2d空间池化，得到池化结果，根据边界框使用roialign从池化结果中提取目标动作特征，得到局部特征。
8、在本专利技术提供的时空动作网络的异常行为检测方法中，还可以具有这样的特征：其中，在初始时空动作网络模型的训练过程中，采用focal_loss作为损失函数，采用giou_loss作为yolov5目标检测网络模块的边界回归损失函数，并使用加权nms非极大值抑制算法对预测边界框进行筛选。
9、专利技术的作用与效果
10、根据本专利技术所涉及的时空动作网络的异常行为检测方法，因为通过yolov5目标检测网络模块获取目标在二维图像中的坐标，通过slowfast视频识别网络模块根据目标坐标从全局特征中提取局部特征，通过结果生成模块将两者组合起来实现时空动作网络用于异常行为检测。所以，本专利技术的时空动作网络的异常行为检测方法能够在具有较快检测速度的同时保持较高的检测准确率。
本文档来自技高网...【技术保护点】
1.一种时空动作网络的异常行为检测方法，用于根据视频数据得到异常行为检测结果，其特征在于，包括以下步骤：
2.根据权利要求1所述的时空动作网络的异常行为检测方法，其特征在于：
3.根据权利要求1所述的时空动作网络的异常行为检测方法，其特征在于：
4.根据权利要求1所述的时空动作网络的异常行为检测方法，其特征在于：
5.根据权利要求1所述的时空动作网络的异常行为检测方法，其特征在于：
6.根据权利要求1所述的时空动作网络的异常行为检测方法，其特征在于：
7.根据权利要求1所述的时空动作网络的异常行为检测方法，其特征在于：
【技术特征摘要】
1.一种时空动作网络的异常行为检测方法，用于根据视频数据得到异常行为检测结果，其特征在于，包括以下步骤：
2.根据权利要求1所述的时空动作网络的异常行为检测方法，其特征在于：
3.根据权利要求1所述的时空动作网络的异常行为检测方法，其特征在于：
4.根据权利要求...
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。