买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：盛视科技股份有限公司

摘要：本发明公开了一种基于异常事件检测的视频防尾随方法，包括：步骤A：提取防尾随监控视频图像帧中的待检测区域，设定应用场景的通道内区域为待检测区域，去除背景区域；步骤B：以特征学习作为异常事件检测的核心，构建自编码时空特征提取网络，输入前景图像序列，给自编码时空特征提取网络输入连续三帧图像，通过重构损失函数进行自监督模型训练；步骤C：稀疏组合异常检测是从训练数据中学习稀疏组合，给定测试数据y，提取时空特征x，计算时空特征x与每个稀疏组合的加权重构误差，若存在加权重构误差小于事件阈值T，时空特征x为正常，若存在加权重构误差大于或等于事件阈值T，时空特征x为异常。

主权项：1.一种基于异常事件检测的视频防尾随方法，其特征在于，包括：步骤A：提取防尾随监控视频图像帧中的待检测区域，设定应用场景的通道内区域为待检测区域，然后去除背景区域；步骤B：以特征学习作为异常事件检测的核心，构建自编码时空特征提取网络，输入前景图像序列，前景图像序列是防尾随监控视频图像帧经过运动前景提取模块获取，给自编码时空特征提取网络输入连续三帧图像，通过重构损失函数进行自监督模型训练，自编码时空特征提取网络为构建3个卷积自动编码器提取时空特征，所述3个卷积自动编码器采用相同的结构，每个所述卷积自动编码器由3个卷积层和3个最大池化层构成，位于中间的自动编码器以灰度图作为输入，学习表观特征，所述自编码时空特征提取网络的另外两个自动编码器的输入均为梯度图，分别学习前后运动特征，梯度图为前后两帧图像差，梯度图的公式为，其中，t为当前时刻，为当前帧图像，为当前帧图像的前一帧，为当前帧图像的后一帧，为t-1时刻梯度，为t+1时刻梯度，自动编码器的训练数据为预设正常事件的视频，学习正常运动目标的时空特征，在防尾随应用场景下，可采用旅客单人通行或者无旅客的视频作为训练集，在实际应用场景中，输入前景图像序列，前景图像序列是防尾随监控视频图像帧经过运动前景提取模块获取，给所述自编码时空特征提取网络输入连续三帧图像，通过重构损失函数进行自监督模型训练，损失函数公式为，其中，I为输入运动前景块，O为解码器输出的I的重构图像，h、w分别为运动前景块的高、宽，自动编码器特征提取模块是利用训练完成的自编码器网络模型，输入所述前景图像序列，拼接三个所述自动编码器输出的网络中间特征得到时空特征；步骤C：自更新稀疏组合异常检测是从训练数据中学习稀疏组合，其中，是稀疏组合的k个基向量，给定测试数据y，提取时空特征x，计算时空特征x与每个稀疏组合的加权重构误差，若存在重构误差小于事件阈值T，时空特征x为正常，若存在加权重构误差大于或等于事件阈值T，时空特征x为异常，所述基于异常事件检测的视频防尾随方法进行尾随报警，并告知用户，加权重构误差公式为，其中，为稀疏组合中第i个基向量，为的加权重构误差，为更新后的权值，是对x的稀疏表示，其中，，若存在小于事件阈值T，时空特征x为正常，若存在大于或等于事件阈值T，时空特征x为异常，所述基于异常事件检测的视频防尾随方法进行尾随报警，并告知用户，若，其中，为预设更新阈值，则权值进行更新，其中，所述事件阈值T为引发尾随报警的预设阈值，其中，T的取值区间为（0,1）的任一数值，在预训练出稀疏组合后，为稀疏组合中的第i个基向量设定一个初始的活跃度，是对所有时空特征统计的总数，为表示是否选用进行稀疏表示，其中，第i个基向量的权值越高，则所述基向量重要性越大，对的权值进行初始化，初始化公式为，其中，为初始化权值，n表示训练集时空特征的个数，为统计的初始化总数。

全文数据：

权利要求：

百度查询： 盛视科技股份有限公司 基于异常事件检测的视频防尾随方法