欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019100442245
申请人: 杭州电子科技大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2024-01-05
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于结构相似性稀疏自编码网络的异常事件检测方法,包括训练阶段和测试阶段,其特征在于:所述的训练阶段具体步骤是:

步骤(1).对视频数据集中的训练数据进行预处理;

步骤(2).提取训练数据的SSIM特征,所述的SSIM为结构相似性:ar表示训练数据中第t帧上的某块网格区域,aro、ar1、ar2、ar3、ar4、ar5、ar6、ar7分别表示目标区域ar左上、上、右上、左、右、左下、下、右下的8个邻域;计算得到目标区域ar的SSIM特征序列{Sr0,Sr1,L,Sr17};用相同的方式计算每一帧图像的每个网格区域的特征序列;将一帧图像中每个网格区域的特征序列连接起来组成一个向量,作为这一帧图像的SSIM特征,表示为Xr;

步骤(3).训练稀疏自编码网络:

将Xr作为稀疏自编码网络的输入数据训练此网络,在训练稀疏自编码网络的过程中,根据最小化目标函数的原则对网络中的参数进行迭代更新,稀疏自编码网络的目标函数计算公式如下: 其中m为输入的训练样本个数,Xri为第i个输入数据,Yri为网络第i个输出数据,λ为权重因子的系数,D是输入层节点数,与Xr的长度相同,H是隐藏层节点数,Wkj表示隐藏层到输出层之间的权重参数,β为惩罚因子的权重,ρ′k表示隐藏神经元k的平均激活度,ρ为稀疏参数,KL(ρ||ρ′k)表示KL散度;

当上一次迭代的目标函数与这一次目标函数的均方误差小于1时,迭代结束,得到训练完成的稀疏自编码模型A;

步骤(4).将所有训练数据的SSIM特征序列输入到模型A中,得到隐藏层的输出数据Hr;

计算Hr的均值μ和协方差Σ;

所述的测试阶段具体步骤是:

步骤(5).对视频数据集中的测试数据进行预处理;

步骤(6).提取测试数据的SSIM特征:

ae表示测试数据中第t帧上的某块网格区域,ae0、ae1、ae2、ae3、ae4、ae5、ae6、ae7分别表示目标区域ae左上、上、右上、左、右、左下、下、右下的8个邻域;计算得到目标区域ae的SSIM特征序列{Se0,Se1,L,Se17},用相同的方式计算每一帧测试图像的每个网格区域的特征序列;将一帧图像中每个网格区域的特征序列连接起来组成一个向量,作为这一帧图像的SSIM特征,表示为Xe;

步骤(7).将测试数据的SSIM特征Xe输入到模型A中,得到隐藏层的输出数据He;根据训练阶段得到的均值μ和协方差Σ,计算He与训练数据的马氏距离α;α<th,判定为正常事件;

α≥th,判定为异常事件,th为设定阈值时。

2.如权利要求1所述的一种基于结构相似性稀疏自编码网络的异常事件检测方法,其特征在于:步骤(1)对训练数据进行预处理是将训练数据中的每一帧尺寸规范为M×N,M和N分别代表每帧图像的高和宽,将尺寸规范后的图像按照网格的方式分割成不重叠的空间区域,形成n个尺寸大小都是p×p的网格区域。

3.如权利要求1所述的一种基于结构相似性稀疏自编码网络的异常事件检测方法,其特征在于:步骤(5).对测试数据进行预处理是将测试数据中的每一帧尺寸规范为M×N,M和N分别代表每帧图像的高和宽,将尺寸规范后的图像按照网格的方式分割成不重叠的空间区域,形成n个尺寸大小都是p×p的网格区域。

4.如权利要求1所述的一种基于结构相似性稀疏自编码网络的异常事件检测方法,其特征在于:步骤(3)中所述的稀疏自编码网络总共有三层,分别为输入层、隐藏层和输出层。

5.如权利要求1所述的一种基于结构相似性稀疏自编码网络的异常事件检测方法,其特征在于,训练阶段中,目标区域ar的SSIM特征序列{Sr0,Sr1,L,Sr17}的计算方法如下:①计算在第t帧和它的前n帧中,邻域ari′与目标区域ar的SSIM值之和Sri′:Rj(ar)表示在第j帧中的ar区域,Rj(ari′)表示在第j帧中的邻域ari′,SSIM(x,y)表示两个图像块x和y的结构相似性;

②计算第t帧目标区域ar和前n帧目标区域ar的SSIM值之和Sr8:③计算在第t帧和它的后n帧中,邻域ar(i″-9)与目标区域ar的SSIM值之和Sri″:④计算第t帧目标区域ar和后n帧目标区域ar的SSIM值之和Sr17:通过以上①~④的计算,得到目标区域ar的SSIM特征序列{Sr0,Sr1,L,Sr17}。

6.如权利要求1所述的一种基于结构相似性稀疏自编码网络的异常事件检测方法,其特征在于,训练阶段中,目标区域ae的SSIM特征序列{Se0,Se1,L,Se17}的计算方法如下:⑤计算在第t帧和它的前n帧中,邻域aei′与目标区域ae的SSIM值之和Sei′:Rj(ae)表示在第j帧中的ae区域,Rj(aei′)表示在第j帧中的邻域aei′;

⑥计算第t帧目标区域ae和前n帧目标区域ae的SSIM值之和Se8:⑦计算在第t帧和它的后n帧中,邻域ar(i″-9)与与目标区域ae的SSIM值之和Sei″:⑧计算第t帧目标区域ae和后n帧目标区域ae的SSIM值之和Se17:通过以上⑤~⑧的计算,得到目标区域ae的SSIM特征序列{Se0,Se1,L,Se17}。