[发明专利]一种智能视频监控方法

摘要

本发明涉及一种基于视觉显著性和深度自编码的公共场景智能视频监控方法，包括：对视频进行单帧分解，使用视觉显著性提取运动信息，然后计算相邻帧运动物体的光流，之后的检测过程分为训练和测试两个过程，在训练中，以训练样本的光流作为自编码的输入，通过最小化损失函数来训练整个自编码网络，在测试阶段，分别以训练和测试样本的光流作为输入，提取训练好的自编码网络中的编码器，通过降维提取输入的特征，然后可视化降维后的结果，使用超球体表示训练样本的可视化范围，在输入测试样本时，使用同样的方法可视化，若样本可视化的结果落入超球体范围内，则判定样本正常；反之，落在超球体范围之外，判定样本异常，由此实现视频的智能监控。

主权项

1.一种基于视觉显著性和深度自编码的公共场景智能视频监控方法，其特征在于，实现步骤如下：步骤1、读取公共场景下的视频，将视频分解成单个帧，然后基于高斯差分组合带通滤波器，计算每一帧的视觉显著性图，以此来提取运动信息；步骤2、在每帧显著性图的基础上，计算相邻帧的光流，从而提取前景目标的运动信息，获取运动特征；步骤3、在异常识别的算法中包含训练和测试两个过程，在训练过程中，计算训练样本的视觉显著性图并提取运动特征，将得到的光流特征转换为列向量作为深度自编码网络的输入，使用深度自编码网络中编码器的降维和解码器的重建作用，通过最小化损失函数重建输入，训练深度自编码网络；步骤4、通过最小化损失函数重建输入，训练深度自编码网络后，提取训练好的深度自编码网络的编码器部分作为测试过程中的网络，分别计算出训练样本和测试样本的显著性图和运动特征后，以各个样本的光流特征作为自编码网络中编码器的输入，通过所述自编码网络中编码器的降维操作，用低维向量来提取最能代表输入的低维特征；步骤5、在三维坐标中可视化测试过程中编码器网络的结果，用一个超球体表示其中训练样本降维后的分布范围；步骤6、对于输入测试样本的异常识别，若测试样本可视化的范围落入超球体的范围内，则判定该测试样本为正常序列；反之，落在超球体范围以外，则判定该测试样本为异常序列，由此实现异常行为的识别，公共场景下视频的智能监控。