【技术实现步骤摘要】
本专利技术涉及视频异常检测，具体为一种基于由粗到精策略的无监督监控视频异常检测方法。
技术介绍
1、视频异常检测技术是智慧监控系统的核心组成部分。这项技术通过分析监控视频数据，自动识别出与正常场景不符的异常行为或事件，如盗窃、入侵、火灾等，以及其他突发事件。这种智能化的监控系统大大提高了安全性，因为它能够实时警示相关人员，采取及时措施，防止潜在的风险和威胁。同时，视频异常检测技术也降低了人工监控的成本，解放了人力资源，使监控系统更加高效。总的来说，视频异常检测技术在智慧监控系统中的应用，不仅提升了监控的智能化水平，还为社会安全、公共利益等方面带来了重要的保障和支持。
2、在早期，针对这种监控视频中的异常事件检测，主要是依靠人工观看检查视频内容的方式，人为判断视频中是否存在异常事件。这种方式易受检测工人的主观影响，缺乏规范性，从而导致容易出现漏检或误检。并且需要大量的人工参与，人力成本高而效率又十分低下。随着监控摄像头的广泛普及，人工目测的方式已经无法满足监控系统快速发展。因此，出现了对视频异常检测技术的需求，以实现自动化、高效率、高准确性的监控系统。
3、后来，随着计算机和图像处理技术的发展，开始出现通过监控摄像头拍摄视频，然后输入计算机通过传统图像处理算法和机器学习建模方法来进行自动化检测异常事件方法。这种方法虽然一定程度上实现了自动化检测，提高了监控系统的智能化水平，但是由于传统的图像处理算法是依靠手工设计的特征，并且基于机器学习方法建模以实现区分正常和异常事件，这种方法的场景适应能力差，检测性能不稳
4、公告号为：cn114842371a的专利公布了：一种无监督视频异常检测方法，该专利技术仅收集正常视频作为训练数据，通过自监督学习方式训练一个局部敏感哈希模型，训练完成的局部敏感哈希模型可以用于视频异常检测。其中，正常视频指的是视频内所有事件都属于正常模式的视频，而与之对应的异常视频指的是视频内包含有异常事件，但并不代表所有事件都是异常。这个方法虽然利用神经网络来自动提取视频特征进一步提升了缺陷检测效率和性能，但是该方法所用到的训练视频为只包含正常事件的视频，收集这部分训练数据就必不可少的依赖人工检查视频内容判断视频是否正常，因此严格来说该方法实际属于是一种半监督式的深度学习方法而非完全无监督。并且人工检查视频使得该方法面临大规模监控视频数据时成本急剧增加。因此，亟需一种更为经济有效的完全无监督的视频异常检测方法，利用没有任何标签和监督信息的视频来训练模型并部署，对监控中的异常事件进行检测，以实现更自动化、低成本、高效率的监控系统。
技术实现思路
1、本专利技术的目的就在于为了解决上述问题而提供一种基于由粗到精策略的无监督监控视频异常检测方法，本专利技术以渐进精炼的思路实现了一个从粗到精的两阶段基本训练框架，基于此框架训练出的模型可部署用于检测监控视频中的异常事件，其中训练模型所用到的视频数据完全不需要任何人工标注，这与现有的基于深度学习的视频异常检测方法都有着本质区别，解决了
技术介绍
中提到的问题。
2、为了解决上述问题，本专利技术提供了一种技术方案：
3、一种基于由粗到精策略的无监督监控视频异常检测方法，包括以下步骤：
4、s1、视频采集：利用监控摄像头采集多个场景的不同类型的监控视频作为训练集合；
5、s2、特征提取：将每个视频按照每16个连续视频帧划分成一个视频片段，表示视频事件，使用公开模型对数据集上预训练神经网络提取视频的片段进行特征向量表示，得到抽象高维度片段特征；
6、s3、视频聚类区分：通过对视频和事件特征的系统分析，将视频片段特征进一步抽象提升表征为视频特征，并基于一种分层聚类方法的机器学习方法，将没有标签的训练视频分为正常视频簇c0和异常视频簇c1；
7、s4、片段伪标签生成：正常簇中事件直接生成正常伪标签，并利用正常簇中的所有事件训练正态模型，以正态模型对异常簇中的异常事件进行检测，并生成伪标签，生成所有视频事件的片段伪标签；
8、s5、搭建异常检测模型：搭建片段分类模型，并以此主动学习正常事件和异常事件的特征差异以及分类边界；
9、s6、模型训练：待所有训练集中的视频事件都生成了对应的伪标签后，利用标签引导的深度学习技术，对搭建好的异常检测模型进行训练；
10、s7、模型部署推理：训练好的模型部署到相应的计算机服务平台，将实际监控摄像头拍摄的视频流数据输入到深度学习网络模型中进行检测，判断是否存在异常事件，并得到检测结果。
11、本专利技术的有益效果是：
12、1、本专利技术训练模型所用到的视频数据完全不需要任何人工检查标注，这与现有方法有着本质区别，训练出的模型可以实现对监控视频流数据中的异常事件自动化检测，相比传统的依靠人工目检或基于构建手工特征检测的方式，本方法能实现更加智能化、自动化的高速检测，能极大提升检测效率和检测精度。
13、2、相对于其他基于深度学习的视频异常检测方法，本专利技术在模型训练阶段无需对视频进行人工检查标注，因此更加经济实惠，可以在不耗费大量时间和人力成本的情况下，利用大规模监控视频数据进行训练，这一优势在面对监控视频数据量急剧增长时尤为显著，这样的优势不仅可以节省资源成本，而且还可以加速模型训练过程，更及时地发现和应对潜在的安全威胁。
14、3、采用由粗到精的两阶段策略，实现了从视频聚类到片段伪标签生成的过程，利用生成的伪标签信息进行引导式深度学习，这样的做法对异常检测模型的要求更低，允许设计更轻量级的模型结构以降低复杂度，从而降低部署成本，同时轻量的模型可以专注于学习和捕捉视频事件中的关键特征，从而提高了模型的推理速度。
本文档来自技高网...【技术保护点】
1.一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述S1中采集的训练集合为室内室外场景白天和夜晚条件下的2000个视频，且视频为帧率30FPS，视频尺寸为240×320。
3.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述S2中公开模型为I3D模型，且提取特征向量的维度为2048维。
4.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述S3中对视频和事件特征分析包含片段特征分析和特征抽象表征、视频分层聚类以及视频簇区分三个步骤；
5.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述S4中片段生成伪标签包含如下步骤：正常簇片段伪标签生成、正态模型的学习和异常簇片段检测及伪标签生成：
6.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述S5中搭建异常检测模
7.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述S6中模型训练包含网络模型的前向传播和网络模型的反向传播；
8.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述S7中判断是否存在异常事件的异常概率值为0.5，当片段异常概率大于0.5时检测为异常事件，低于0.5时检测为正常事件。
...【技术特征摘要】
1.一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述s1中采集的训练集合为室内室外场景白天和夜晚条件下的2000个视频，且视频为帧率30fps，视频尺寸为240×320。
3.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述s2中公开模型为i3d模型，且提取特征向量的维度为2048维。
4.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频异常检测方法，其特征在于，所述s3中对视频和事件特征分析包含片段特征分析和特征抽象表征、视频分层聚类以及视频簇区分三个步骤；
5.根据权利要求1所述的一种基于由粗到精策略的无监督监控视频...
【专利技术属性】
技术研发人员：刘静，毛世顺，杨智伟，
申请(专利权)人：西安电子科技大学广州研究院，
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。