[发明专利]基于空间图卷积网络的异常行为检测方法、系统、存储介质和设备

权利要求书

1.一种基于空间图卷积网络的异常行为检测方法，其特征在于，包括：

提取待检测的视频帧中所有个体的骨架特征空间图；

利用训练好的异常得分模型，将提取的骨架特征空间图进行处理，获取该视频帧中每个骨架的异常得分；

对该视频帧中所有骨架的异常得分进行最大池化操作，获取该视频帧的异常得分；

按照视频帧的异常得分高低，对该帧视频进行异常行为级别识别分类；

训练异常得分模型包括：

提取每帧视频中所有个体骨架特征，并采用空间图表示骨架特征；

将空间图中的骨架个体进行异常骨架和正常骨架分类，并对每类集合中的样本设置异常分值标签，作为训练集；

利用训练集，以期望输出的两个中成员的异常得分与设置的相应标签值偏差最小为目标，对搭建基于图卷积网络的异常得分模型进行迭代训练，获得训练好的异常得分模型；

所述将空间图中的骨架个体进行异常骨架和正常骨架分类，并对每类集合中的样本设置异常分值标签，作为训练集，包括：

将骨架空间图中的关节点集合对应的特征向量集合分解成全局特征分量和局部特征分量；

基于全局特征分量和局部特征分量，利用孤立森林算法，分别计算得到全局特征分量的异常得分和局部特征分量的异常得分；

将全局特征分量的异常得分和局部特征分量的异常得分规范化到一个范围内，将该范围内的融合值作为相应骨架的初始异常得分；

基于初始异常得分，将得分高于一阈值的骨架分到初始异常骨架集合，将得分低于该阈值的分到初始正常骨架集合，并对两个集合中每个样本设置异常分值标签；

联合骨架空间图边界框的宽和高以及边界框的中心点绝对坐标组成全局特征，因为边界框的尺寸包含视频场景中骨架深度信息，表示为全局成分特征的元素基于坐标向量集合F_t使用公式(2)进行计算，局部成分特征在公式(3)中通过从原始坐标向量中减去全局成分进行计算，因此，局部成分表示考虑边界框的骨架图节点相对位置；

2.根据权利要求1所述的基于空间图卷积网络的异常行为检测方法，其特征在于，采用自训练机制进行异常得分模型的训练过程的每一次迭代，包括：使用上一轮迭代得到的模型计算所有骨架相应的新的异常得分，根据新计算的异常得分更新初始正常骨架集合和初始异常骨架集合中的成员，基于更新的初始正常骨架集合和初始异常骨架集合进行新的一次训练迭代，直到找到最佳的模型。

3.根据权利要求1所述的基于空间图卷积网络的异常行为检测方法，其特征在于，基于初始异常得分，将得分高于一阈值的骨架分到初始异常骨架集合，将得分低于该阈值的分到初始正常骨架集合，将集合A中每个样本设置异常分值标签l₁，将集合N中每个样本设置异常分值标签l₂，其中，l₁＞＞l₂；

所述集合N和集合A为基于每个骨架图的全局和局部特征成分产生的初始正常骨架集合N和初始异常骨架集合A。

4.根据权利要求3所述的基于空间图卷积网络的异常行为检测方法，其特征在于，训练中的目标函数为：

其中，G表示个体骨架图，当G∈A，y_G＝l₁；当G∈N，y_G＝l₂，λ表示避免过拟合的正则化参数；

异常得分模块以集合A和N作为输入，学习去更新异常得分，实现为与集合中数据具有相同行为的可疑数据计算得到较大(小)得分,得分模块定义为一个函数ρ(·；Θ)，由一个特征表示学习器φ(·；Θ_r)和一个异常得分学习器组成，其中，Θ＝{Θ_r,Θ_s}包含所有需要去学习的参数。

5.根据权利要求1所述的基于空间图卷积网络的异常行为检测方法，其特征在于，对视频帧x_t中存在的所有骨架实例的异常分数进行最大池化操作，以获取对应帧的异常得分

其中，S(t)表示视频帧中出现的骨架集合，表示骨架图，G_t表示对应帧中所有个体骨架的异常得分。