[发明专利]基于三维金字塔图像生成网络的人群异常事件检测方法

说明书

本发明基于三维金字塔图像生成网络的人群异常事件检测方法，涉及用于识别图形的方法，使用三维金字塔图像生成网络生成图像，通过对比由三维金字塔图像生成网络生成的生成图像和待检测图像之间的差异进行人群异常事件的检测，克服了现有技术基于生成图像进行异常检测方法中忽略图像序列间的运动信息、不同尺度的局部特征以及正常图像与异常图像间重构误差较小难以判定人群异常行为的缺陷。

技术领域

本发明的技术方案涉及用于识别图形的方法，具体地说是基于三维金字塔图像生成网络的人群异常事件检测方法。

背景技术

随着公共安全问题的日益突出和视频监控设备的普及，基于视频监控的人群异常事件检测能够及时发现人群中的异常，避免不必要的损失，因而在公共安全领域中具有重要研究意义。

人群异常事件检测方式主要有两种：传统方式和基于深度学习方式。传统方式主要从光流、梯度方面进行特征提取，然后利用SVM进行分类。用传统方式进行人群异常事件检测，由于自身算法的特性，只能获得一些简单和基本的特征，无法对图像进行深层次的表达。而用基于深度学习方式进行人群异常事件检测方法，展现出强大和近乎完美的能力，逐渐在人群异常事件检测中得到应用，并取得了较好的结果。

2016年M Ravanbakhsh和M Nabi在IEEE Computer Society会议上发表的论文“Plug-and-Play CNN for Crowd Motion Analysis:An Application in Abnormal EventDetection”里使用深度学习中的卷积神经网络(Convolutional Neural Network，简称CNN)对拥挤人群进行行为分析，提出结合CNN提取的高层语义特征和光流特征建模，但因异常事件种类的不确定性以及异常事件表示困难，导致有监督学习的CNN明显发挥不出其自身的优势及特点，并且引入光流法提取人群的运动特征易受光照影响等问题依旧存在。2017年SC Yong和HT Yong在Springer发表的论文“Abnormal Event Detection In VideosUsing Spationtemporal Auto-Encoder”中使用自编码(Auto-Encoder)和长短期记忆网络(Long Short-Term Memory,LSTM)结合空间和时间信息进行人群异常事件检测，但无监督学习的自编码网络生成的图像还原度低，易丢失图像中的关键信息，影响模型准确性。