[发明专利]一种视频帧检测方法及装置

权利要求书

1.一种视频帧检测方法，其特征在于，所述方法包括：

获取目标视频帧序列；

利用卷积神经网络模型提取所述目标视频帧序列的视频特征数据，所述卷积神经网络模型被设置为根据多个基准历史视频帧序列进行学习得到；其中，所述卷积神经网络模型包含多个通道，且按照正向传递过程依次包含第一组至第N组卷积-采样层，每组卷积-采样层中按照正向传递过程包含一个卷积层和一个采样层，第N-1组卷积-采样层中的采样层与第N组卷积-采样层中的卷积层全连接，N1；

根据所述视频特征数据进行视频重建，生成重建视频帧序列；

基于所述目标视频帧序列和所述重建视频帧序列之间的差异值，确定所述目标视频帧序列中存在异常事件；

其中，所述卷积神经网络模型被设置为根据多个基准历史视频帧序列进行学习得到包括：

1)利用卷积神经网络模型分别提取多个基准历史视频帧序列的视频特征数据，并根据所述视频特征数据进行视频重建，生成重建视频帧序列；

2)计算所述基准历史视频帧序列和所述重建视频帧序列之间的重建差异值；

3)利用所述卷积神经网络模型分别预测所述多个基准历史视频帧序列的预测视频帧序列；

4)计算所述基准历史视频帧序列的下一组基准历史视频帧序列与所述预测视频帧序列之间的预测差异值；

5)重复调整所述卷积神经网络模型的模型参数，直至所述重建差异值与所述预测差异值的和值不大于预设阈值。

2.根据权利要求1所述的方法，其特征在于，所述重复调整所述卷积神经网络模型的模型参数，直至所述重建差异值与所述预测差异值的和值不大于预设阈值包括：

判断所述重建差异值与所述预测差异值的和值是否大于预设阈值；

若判断结果为是，则调整所述卷积神经网络模型的模型参数；

重复步骤1)至4)，直至所述重建差异值与所述预测差异值的和值不大于预设阈值。

3.根据权利要求1所述的方法，其特征在于，所述计算所述基准历史视频帧序列和所述重建视频帧序列之间的重建差异值包括：

分别计算所述基准历史视频帧序列和所述重建视频帧序列对应视频帧之间的欧式距离；

根据所述欧式距离确定所述历史视频序列和所述重建视频帧序列之间的重建差异值。

4.根据权利要求1所述的方法，其特征在于，所述计算所述基准历史视频帧序列的下一组基准历史视频帧序列与所述预测视频帧序列之间的预测差异值包括：

分别计算所述基准历史视频帧序列的下一组基准历史视频帧序列和所述预测视频帧序列对应视频帧之间的欧式距离；

设置所述欧式距离的权重值，所述权重值的大小被设置为按照视频帧时间上由先至后的顺序依次递减；

根据所述欧式距离和所述欧式距离的权重值确定所述下一组基准历史视频帧序列和所述预测视频帧序列之间的预测差异值。

5.根据权利要求1所述的方法，其特征在于，在确定所述目标视频帧序列中存在异常事件之后，所述方法包括：

发送警报消息，所述警报消息中包括所述异常事件的发生地点和发生时间。

6.一种卷积神经网络模型构建方法，其特征在于，所述方法包括：

1)利用卷积神经网络模型分别提取多个基准历史视频帧序列的视频特征数据，并根据所述视频特征数据进行视频重建，生成重建视频帧序列；其中，所述卷积神经网络模型包含多个通道，且按照正向传递过程依次包含第一组至第N组卷积-采样层，每组卷积-采样层中按照正向传递过程包含一个卷积层和一个采样层，第N-1组卷积-采样层中的采样层与第N组卷积-采样层中的卷积层全连接，N1；

2)计算所述基准历史视频帧序列和所述重建视频帧序列之间的重建差异值；

3)利用所述卷积神经网络模型分别预测所述多个基准历史视频帧序列的预测视频帧序列

4)计算所述基准历史视频帧序列的下一组基准历史视频帧序列与所述预测视频帧序列之间的预测差异值；

5)重复调整所述卷积神经网络模型的模型参数，直至所述重建差异值与所述预测差异值的和值不大于预设阈值。