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：南通大学

摘要：本发明属于智能视频处理技术领域，具体涉及一种基于灰色对抗感知网络的视频异常事件检测方法。本发明针对编码器和解码器不能较好地获得监控视频中正常和异常事件的判别性特征，提出了一个灰色感知单元来感知判别性特征，并引入邓氏灰色关联来优化感知单元的多样性，提高异常感知能力；使异常检测精度提高。针对异常区域占比小且特征提取不充分的情况，设计了基于对抗性的判别网络，学习预测未来帧和真实未来帧中小目标区域的细节特征，降低异常漏检的概率；使异常检测精度提高。本发明针对异常检测容易受平移、光照等因素的影响，引入了灰色绝对关联，增强对帧间光照变化的鲁棒性，减少误检。

主权项：1.一种基于灰色对抗感知网络的视频异常事件检测方法，其特征在于，包括未来帧预测阶段和未来帧优化阶段；未来帧预测阶段，将连续帧作为网络输入，首先通过编码器提取编码特征；引入灰色感知单元来感知编码器捕获的特征并输出具有判别性的感知特征，采用邓氏灰色关联分析编码特征与感知单元中感知原子的相关性，降低特征不确定性并优化感知单元；解码器将编码特征和感知特征同时作为输入来获取预测未来帧；未来帧优化阶段，为了捕获预测未来帧和真实未来帧中小目标区域的详细特征，设计了基于对抗学习的判别网络，学习预测未来帧和真实未来帧的特征并输出判别概率；引入了灰色绝对关联来分析预测未来帧和真实未来帧的相关性，以增强异常情况下对帧间光照变化的鲁棒性；将判别概率和帧相关性反馈给编码器和解码器，采用对抗方案优化编码器、解码器和判别网络；通过多次循环迭代，获得较优的预测未来帧，计算真实未来帧与预测未来帧在像素上和特征上的差异来完成异常检测；所述未来帧预测阶段的具体步骤为：S1、给定一个只包含正常事件的训练视频序列V，划分为几个片段Ι＝{I1,…,It-1,It}；将连续帧I1,…,It-1作为输入，编码器输出大小为H×W×C的编码特征e＝EI1,…,It-1，其中H、W、C分别为高度、宽度和通道数；S2、为了更好地感知正常特征的异常特征，在编码器后引入了灰色感知单元捕获判别性特征，输出感知特征将感知特征与编码特征沿着通道维度连接起来输入到解码器中，获得预测未来帧模型表示为： 式中，E，P和D分别为编码器、灰色感知单元和解码器；S3、灰色感知单元包含M个感知项pm，m＝1，……，M；编码特征被输入到灰色感知单元感知正常信息并输出感知特征；S4、给定en，n＝1，……N，N＝H×W，为编码特征中的第n个特征，即e＝{e1,…,en…,eN}；当感知灰色感知单元时，计算每个特征en度和感知项pm之间的余弦相似度，并使用Tanh函数计算相应的权值wn,m来提高感知单元的表征多样性： 对于任意特征en，通过上述计算得到的权值来读取灰色感知单元，得到感知特征为所有感知项的加权求和： 为了更新灰色感知单元中的感知项pm，从所有编码特征中选择最相近的特征来并且重组为新集合Um，并使用Tanh函数计算相应的权值更新后的感知项表示为： 其中f·表示L2范数，是新集合Um中特征的权重；S5、为了优化灰色感知单元，设计了来自类内和类间的约束条件；类内约束鼓励编码特征与灰色感知单元中最接近的感知原子之间的距离尽可能小；不仅使用绝对距离，如式5中L2范数，而且提出使用邓氏灰色关联来分析相对差异性； 其中，是第n个特征最接近的感知原子，en是编码特征中的第n个特征；S6、将最接近的感知项作为参考序列，看出每一个感知项包含N个感知原子，以编码特征e＝ei1,ei2,…,ein,…,eiN作为比较序列，其中i＝1,2,…,N和n＝1,2,…,N；单独的编码特征与其最接近的感知原子之间的邓氏灰色关联定义为： 其中，为第n个特征下感知原子与编码特征之间的关联系数；LDGR是感知项和整体编码特征e的邓氏灰色关联度；λ是一个常数，在0,1]之间；S7、编码特性除了最接近的感知原子外，应该远离其他感知原子，使用一个边界为α的特征三元组约束，如下所示： 其中，设置en特征，其最接近的感知原子和第二接近的感知原子分别作为锚点，正样本和负样本。

全文数据：

权利要求：

百度查询： 南通大学 一种基于灰色对抗感知网络的视频异常事件检测方法