[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

说明书

本发明提供一种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，属于机器视觉处理技术领域，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，将对空间图进行处理，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。本发明采用空间图表征人体骨架特征，并分解为全局和局部特征成分，全局成分包含骨架刚性运动信息，局部成分描绘骨架关节点内部非刚性形变，联合全局特征和局部特征，不需要人工标定的正常数据来建立检测模型，实现了在完全无监督设置下异常行为检测，检测准确，计算效率高。

技术领域

本发明涉及机器视觉处理技术领域，具体涉及一种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。

背景技术

智能视频监控系统为保障社会公共安全起到了重要作用，该系统能够及时地自动分析处理监控摄像机采集的视频数据，从而减轻人力物力资源浪费。其中，作为智能监控的一个重要分支，复杂拥挤场景中的自动视频异常检测(Automatic Video AnomalyDetection in Complex and Crowded Scenes)逐渐成为研究热点之一，其致力于快速并准确地检测非常规行为如人群暴乱来保证公共安全。

然而，视频异常检测在应用上仍然一些缺陷：一方面，不同场景下对异常定义不同，例如，人群逃散在做游戏时被认为是正常事件，但在火车站和机场，可能会被认定为异常事件；另一方面，异常行为发生频率较低，导致实验过程中正样本数量不足，因此无法将异常检测任务视为二分类问题(正常，异常)，从而无法使用传统的有监督分类方法完成该任务。

因此许多研究提出在训练阶段从只包含正常样本的训练数据中建模正常模式分布，在测试阶段将不符合正常模式分布的测试样本判为异常。该类方法在训练检测模型之前需要严格指定训练数据只包含正常事件，即需要一定人为监督，因此被称为半监督方法。早期方法使用轨迹特征表征正常模式的方法，因其很大程度上取决于目标检测跟踪算法表现，容易受到拥挤场景中遮挡与复杂背景等因素影响，所以，在拥挤场景下会失效。为了克服轨迹特征缺点，使用低层次人工设计特征，例如时空梯度特征、梯度直方图 (HOG)、光流直方图(HOF)来刻画描述视频事件的正常模式。继而使用从正常视频中提取出的特征训练一个异常检测模型。然而，特征提取是一个复杂且耗时的过程，除此之外，人工设计特征的表征能力具有局限性。

基于深度学习的方法，鉴于其在提取重要与精细特征方面的较强能力，在包括行为识别，目标检测与图像分类在内的多种机器视觉任务上表现出优异性能。基于深度网络的半监督异常检测方法通常采用正常数据训练一个深度自编码器网络，并通过重构策略建模正常模式分布。在测试阶段，异常事件对应的重构误差将明显高于正常事件对应的重构误差，因为在训练阶段搭建的模型未见过异常模式。

尽管半监督方法在异常事件检测任务上取得了较好结果，但是仍然面临两个问题：首先，在事先知道所有正常事件的前提下建立一个完美的正常模型是不实际的；其次，人工标定正常训练数据是相当耗时的。因此需要研究完全无监督方法实现异常行为检测，现有无监督异常检测工作大都采用基于像素特征如光流作为视频事件描述。由于基于像素的特征包含大量视频背景冗余信息，且通常背景中存在不相关目标人员，采用基于像素特征将不可避免地引入噪声，从而增加异常检测模型的负担，以从噪声中区分出有效信号。

发明内容

本发明的目的在于提供一种无监督的基于空间图卷积网络的异常行为检测方法及系统，以解决上述背景技术中存在的至少一项技术问题。

为了实现上述目的，本发明采取了如下技术方案：

一方面，本发明提供一种基于空间图卷积网络的异常行为检测方法，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；