[发明专利]一种基于深度学习的视频监控异常识别方法及系统

说明书

本发明公开了一种基于深度学习的视频监控异常识别方法及系统，涉及视频监控异常识别领域；其方法包括：1)采集监控视频流的第一帧，将第一帧作为当前帧和参考帧；2)基于步骤1从特征提取网络获取当前帧特征图和参考帧特征图；3)判断当前帧特征图和参考帧特征图的差异值是否大于阈值，若是，则当前帧为异常帧，对其进行异常识别后，跳至步骤4；若否，则当前帧无异常，跳至步骤5；4)将监控视频流的下一帧作为当前帧，将异常帧作为参考帧后跳至步骤2；5)将监控视频流的下一帧作为当前帧，保持此时的参考帧不变后跳至步骤2；本发明解决了现有视频监控仅通过比较图像的像素值进行异常识别，导致无法识别异常类型、识别准确率低的问题。

技术领域

本发明涉及视频监控异常识别领域，尤其是一种基于深度学习的视频监控异常识别方法及系统。

背景技术

视频监控具有直观、准确、及时和信息丰富等特点，作为安防系统的重要组成部分，广泛运用于多种场合；传统的视频监控系统包含视频采集设备、视频传输设备和视频监控平台，视频采集设备能够实时采集监控画面，并通过视频传输设备将采集到的监控画面传输至视频监控平台，用户可以通过视频监控平台实时监控现场的画面，但是视频监控平台通常为一台固定的显示设备，需要用户安排监控人员长时间不断的观察监控画面，在发生异常时采取相关措施；在长时间、持续的监控下，易造成监控人员的疲劳；不仅监控的效率低下，而且发现异常的检测率较低，尤其是当需要调用保存的监控视频资料时，由于没有对异常进行记录和识别，在获取关键异常画面时效率低下，浪费大量的人力和物力。

现有基于视频监控的异常识别方法通常采用在原图像上进行像素值的比较，不能识别出异常的类型，导致异常识别的准确性差、实用性差、效果不佳。

发明内容

本发明的目的在于：本发明提供了一种基于深度学习的视频监控异常识别方法及系统，解决了现有视频监控仅通过比较图像的像素值进行异常识别，导致无法识别异常类型、识别准确率低的问题。

本发明采用的技术方案如下：

一种基于深度学习的视频监控异常识别方法，包括如下步骤：

步骤1：采集监控视频流的第一帧，将第一帧作为当前帧和参考帧；

步骤2：基于当前帧和参考帧从特征提取网络获取当前帧特征图和参考帧特征图；

步骤3：判断当前帧特征图和参考帧特征图的差异值是否大于阈值，若是，则当前帧为异常帧，对其进行异常识别后，跳至步骤4；若否，则当前帧无异常，跳至步骤5；

步骤4：将监控视频流的下一帧作为当前帧，将异常帧作为参考帧后跳至步骤2；

步骤5：将监控视频流的下一帧作为当前帧，保持此时的参考帧不变后跳至步骤2。

优选地，所述步骤2包括如下步骤：

步骤2.1：将当前帧和参考帧输入特征提取网络进行特征提取后，获得当前特征图和参考特征图。

优选地，所述特征提取网络包括24个卷积层。

优选地，所述步骤3包括如下步骤：

步骤3.1：根据当前帧特征图获得当前帧特征向量，根据参考帧特征图获得参考帧特征向量；

步骤3.2：将当前帧特征向量和参考帧特征向量分别代入马氏距离公式得到差异值，马氏距离公式如下：

步骤3.3：判断差异值是否大于阈值，若是，则当前帧为异常帧，跳至步骤3.4利用YOLO算法进行异常识别；若否，则当前帧无异常，跳至步骤5；

步骤3.4：在YOLO算法中的全连接层进行异常识别后结合时钟模块和存储模块记录异常识别的类型、位置和时间后，并跳至步骤4；

优选地，所述步骤3.4包括如下步骤：