公开(公告)号：CN116704408A

公开(公告)日：2023-09-05

申请号：CN202310622713.0

申请日：2023-05-30

Applicant: 南京师范大学

Inventor： 吉根林 ,  戚小莎 ,  赵斌 ,  巢新

IPC: G06V20/40 ,  G06V10/764 ,  G06V10/774 ,  G06V10/762 ,  G06V10/80 ,  G06N3/0464 ,  G06N3/0455

Abstract: 本发明公开了一种基于双交叉注意力自编码器的视频异常检测方法，包括：对原始视频集进行预处理，将原始视频集按不同的视频样本拆分多个帧级别的序列；运用帧差特征与光流特征表示目标的运动特征，运用HOG特征描述表观特征，提取视频帧的运动特征和表观特征；将训练样本提取到的运动特征和表观特征输入至引入双交叉注意力模块的自编码器网络中进行训练，建立视频异常检测模型；通过视频异常检测模型获得测试样本的重构误差，得到视频异常检测结果。本发明引入双交叉注意力模块，可以以局部特征关联全局特征的方式有效提高视频异常事件检测的准确率。

公开(公告)号：CN116665100A

公开(公告)日：2023-08-29

申请号：CN202310623214.3

申请日：2023-05-30

Applicant: 南京师范大学

Inventor： 吉根林 ,  戚小莎 ,  赵斌 ,  胡泽生

IPC: G06V20/40 ,  G06V10/774 ,  G06V10/764 ,  G06T7/10 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于U‑Net多区块学习的视频异常事件检测方法，包括：对原始视频集进行预处理，将原始视频集划分为多个不同大小的视频块；提取获得视频块的运动特征和表观特征，根据提取的特征建立视频异常事件检测模型；通过视频异常事件检测模型对视频进行异常检测和定位。本发明方法能够学习多个视频块各自的特征，并建立相应模型，有效提高了异常事件检测的准确率和异常事件位置的精确度，为监控视频处理领域提供了参考和启示，解决了场景变化带来的异常检测难点。

公开(公告)号：CN116665099A

公开(公告)日：2023-08-29

申请号：CN202310622716.4

申请日：2023-05-30

Applicant: 南京师范大学

Inventor： 吉根林 ,  戚小莎 ,  赵斌 ,  谈超

IPC: G06V20/40 ,  G06V10/764 ,  G06V10/774 ,  G06N3/0464 ,  G06N3/048 ,  G06N3/08

Abstract: 本发明公开了一种基于双生成器与通道注意力机制的视频异常检测方法，包括如下步骤：拆分视频集，得到多个帧级别的序列，划分为正常训练视频帧和测试视频帧；利用正常训练视频帧和鉴别器对噪声生成器进行训练，通过训练好的噪声生成器生成伪异常帧；利用伪异常帧和正常训练视频帧训练重构生成器，得到训练好的重构生成器；将测试视频帧输入到训练好的重构生成器中，得到重构帧，计算重构帧与真实帧的重构误差，根据重构误差对视频帧进行异常分类。本发明提出了以双生成器和通道注意力机制的生成对抗网络为核心的视频异常事件检测方法，通过噪声生成器和重构生成器，同时在生成器中引入二阶通道注意力模块，提升了视频异常事件检测的检测准确率。