[发明专利]异常场景检测方法及装置

权利要求书

1.一种异常场景检测方法，其特征在于，包括：

接收第一终端发送的视频数据；

根据预设采样间隔对所述视频数据进行采样，得到多个图像数据；

将各所述图像数据输入到第一卷积神经网络模型中；所述第一卷积神经网络模型用于标定图像是否为异常图像；

根据所述第一卷积神经网络模型的标定结果确定所述图像是否为异常图像，若是，则将所述异常图像的信息发送到第二终端。

2.根据权利要求1所述的方法，其特征在于，所述将各所述图像数据输入到第一卷积神经网络模型中之前，还包括：

将第一场景数据库的图像样本导入卷积神经网络，并对所述卷积神经网络进行预训练，得到第二卷积神经网络模型；所述第一场景数据库包括不同类型的场景；

将第二场景数据库的图像样本导入所述第二卷积神经网络模型；所述第二场景数据库包括自然灾害场景；

对所述第二卷积神经网络模型进行二次训练，得到所述第一卷积神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述将第二场景数据库的图像样本导入所述第二卷积神经网络模型之前，还包括：

将第二场景数据库的图像样本分为训练集和测试集；

对所述训练集中的图像样本进行多尺度变换和多角度变换，得到扩充后的训练集；

所述将第二场景数据库的图像样本导入所述第二卷积神经网络模型，包括：将所述扩充后的训练集导入所述第二卷积神经网络模型；

所述对所述第二卷积神经网络模型进行二次训练，得到第一卷积神经网络模型，包括：

在所述扩充后的训练集中对所述第二卷积神经网络模型进行二次训练，得到第三卷积神经网络模型；

将所述测试集输入到所述第三卷积神经网络模型，得到测试结果；

根据所述测试结果计算所述第三卷积神经网络模型的标定准确率；

确定所述标定准确率满足预设准确率，则将所述第三卷积神经网络模型作为所述第一卷积神经网络模型。

4.根据权利要求3所述的方法，其特征在于，

所述多尺度变换是对图像样本按照预设比例进行缩放，并裁取中心区域；

所述多角度变换是对图像样本按照预设角度进行旋转，并裁取中心区域。

5.根据权利要求1所述的方法，其特征在于，所述将各所述图像数据输入到第一卷积神经网络模型中之前，还包括：

根据所述第一卷积神经网络模型的输入类型，对各所述图像数据进行缩放和裁剪处理。

6.根据权利要求1-5任一项所述的方法，其特征在于，所述第一卷积神经网络模型包括十六个卷积层、五个池化层、两个全连接层和一个softmax层。

7.根据权利要求1所述的方法，其特征在于，所述将所述异常图像的信息发送到第二终端之前，还包括：

获取所述异常图像的属性信息，所述属性信息包括所述图像数据的拍摄时间和拍摄位置；

所述将所述异常图像的信息发送到第二终端，包括：

将所述异常图像以及所述异常图像的属性信息发送到第二终端。

8.一种异常场景检测装置，其特征在于，包括：

接收模块，用于接收第一终端发送的视频数据；

采样模块，用于根据预设采样间隔对所述视频数据进行采样，得到多个图像数据；

导入模块，用于将各所述图像数据输入到第一卷积神经网络模型中；所述第一卷积神经网络模型用于标定图像是否为异常图像；

确定模块，用于根据所述第一卷积神经网络模型的标定结果确定所述图像是否为异常图像；

若确定所述图像为异常图像，发送模块，用于将所述异常图像的信息发送到第二终端。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-7任一项所述的方法。

10.一种电子设备，其特征在于，包括：

处理器；以及

存储器，用于存储所述处理器的可执行指令；

其中，所述处理器配置为经由执行所述可执行指令来执行权利要求1-7任一项所述的方法。