[发明专利]基于约减字典低秩表示的异常检测方法在审
申请号: | 201810372068.0 | 申请日: | 2018-04-24 |
公开(公告)号: | CN108875552A | 公开(公告)日: | 2018-11-23 |
发明(设计)人: | 解文彬;殷宏;许继恒;芮挺;廖湘琳;吴波;许艾;顾娟;张所娟;李雯 | 申请(专利权)人: | 中国人民解放军陆军工程大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00 |
代理公司: | 南京理工大学专利中心 32203 | 代理人: | 王玮 |
地址: | 210007 江*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明公开了一种基于约减字典低秩表示的异常检测方法。将编码时空信息的多尺度三维梯度特征作为低等级特征,在视频数据的结构化稀疏驱动下,通过底层近似法用来获得一组正常字典序,然后利用底层结构化稀疏编码模型来学习降序字典序。该方法利用底层性质来学习能高效表示大量相似性正常特征的底层正常字典序;基于算法的稀疏性自适应地确定字典序基数的取值,使得该方法是一个解释对应的动态场景语义的最佳选择;降序字典序学习方法不仅高效,还能实现实时检测。 | ||
搜索关键词: | 字典序 异常检测 低秩 降序 字典 语义 底层结构 动态场景 时空信息 实时检测 视频数据 梯度特征 稀疏编码 正常特征 多尺度 结构化 近似法 稀疏性 自适应 算法 稀疏 学习 三维 基数 驱动 | ||
【主权项】:
1.一种基于约减字典低秩表示的异常检测方法,其特征在于包括以下步骤:步骤1,提取时空特征;在视频序列中对3维的时空体STV进行采样,在空间非重叠区域中提取三维梯度特征,并在同一区域内连续叠加n个连续的帧,构成一组时空特征;步骤2,组稀疏字典学习;将低等级的近似和稀疏组合学习结合起来,从训练特征中获取正常的字典序;利用k‑均值聚类在每个空间位置上的时空立方体STV上强制执行,并利用低阶近似算法捕获正常字典序,直到所有训练数据都能被表示出来;步骤3,异常事件检测;在测试阶段,搜索一个字典表示每个测试数据,确定测试数据是否异常。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军陆军工程大学,未经中国人民解放军陆军工程大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201810372068.0/,转载请声明来源钻瓜专利网。