-
公开(公告)号：CN109359519B
公开(公告)日：2021-12-07
申请号：CN201811026243.7
申请日：2018-09-04
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于深度学习的视频异常行为检测方法。本发明方法包括训练阶段和测试阶段。在训练阶段，将训练视频序列转换成灰度图和光流图，并分别制作成时空块，分别输入到残差自编码模型中进行训练，建立基于灰度图和光流图的两个模型，训练好的模型包含了正常行为的运动模式和外观信息，所以更有利于正常行为的重构。在测试阶段，将测试数据制作成灰度图和光流图的时空块，先将灰度图时空块输入到灰度图模型中，初步检测出正常区域和可疑区域，再将可疑区域的光流图时空块输入到光流图模型中，检测出正常区域和异常区域，得到最终的异常判定，本发明方法能更好地鉴别视频数据的运动信息和外观特征，从而提高异常行为的检测率。
-
公开(公告)号：CN109902564B
公开(公告)日：2021-04-06
申请号：CN201910044224.5
申请日：2019-01-17
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于结构相似性稀疏自编码网络的异常事件检测方法。本发明分为两个阶段：在训练阶段，提取训练数据的结构相似性SSIM特征，并将SSIM特征作为稀疏自编码网络的输入训练网络的权重参数，利用稀疏自编码网络的隐藏层对SSIM特征进行降维并提取均值和方差；在测试阶段，提取测试数据的SSIM特征，输入到训练好的稀疏自编码网络中，得到隐藏层的输出数据，结合训练阶段得到的均值和方差求马氏距离，当马氏距离小于阈值时，判为正常事件；当马氏距离大于等于阈值时，判为异常事件。本发明通过提取SSIM特征来表征场景的变化程度，从而能更好地鉴别是否发生异常事件。
-
公开(公告)号：CN109902564A
公开(公告)日：2019-06-18
申请号：CN201910044224.5
申请日：2019-01-17
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于结构相似性稀疏自编码网络的异常事件检测方法。本发明分为两个阶段：在训练阶段，提取训练数据的结构相似性SSIM特征，并将SSIM特征作为稀疏自编码网络的输入训练网络的权重参数，利用稀疏自编码网络的隐藏层对SSIM特征进行降维并提取均值和方差；在测试阶段，提取测试数据的SSIM特征，输入到训练好的稀疏自编码网络中，得到隐藏层的输出数据，结合训练阶段得到的均值和方差求马氏距离，当马氏距离小于阈值时，判为正常事件；当马氏距离大于等于阈值时，判为异常事件。本发明通过提取SSIM特征来表征场景的变化程度，从而能更好地鉴别是否发生异常事件。
-
公开(公告)号：CN109359519A
公开(公告)日：2019-02-19
申请号：CN201811026243.7
申请日：2018-09-04
Applicant: 杭州电子科技大学
Abstract: 本发明涉及一种基于深度学习的视频异常行为检测方法。本发明方法包括训练阶段和测试阶段。在训练阶段，将训练视频序列转换成灰度图和光流图，并分别制作成时空块，分别输入到残差自编码模型中进行训练，建立基于灰度图和光流图的两个模型，训练好的模型包含了正常行为的运动模式和外观信息，所以更有利于正常行为的重构。在测试阶段，将测试数据制作成灰度图和光流图的时空块，先将灰度图时空块输入到灰度图模型中，初步检测出正常区域和可疑区域，再将可疑区域的光流图时空块输入到光流图模型中，检测出正常区域和异常区域，得到最终的异常判定，本发明方法能更好地鉴别视频数据的运动信息和外观特征，从而提高异常行为的检测率。
-
-
-
Search Results
4
records
(took 0.019 seconds)
