-
公开(公告)号：CN115578690A
公开(公告)日：2023-01-06
申请号：CN202211317926.4
申请日：2022-10-26
Applicant: 南通大学
IPC: G06V20/52 , G06V10/34 , G06V10/44 , G06V10/762 , G06V10/764 , G06V10/82 , G06N3/04 , G06N3/08
Abstract: 本发明属于计算机视觉领域，具体涉及一种基于场景分类的视频异常检测方法、系统及设备，本发明方法的步骤为：步骤S1、对原视频帧进行灰度化处理，使用背景减除法和帧差法来提取前景目标，并通过Double‑Canny算法提取像素特征；步骤S2、使用预训练模型检测视频帧中的人数并生成视频帧的热力图；步骤S3、使用K‑means聚类算法对视频帧进行场景分类，将视频帧分为密集场景和稀疏场景两类；步骤S4、使用异常检测模块，分别对密集场景和稀疏场景进行异常检测。本发明能够针对不同人群密度的场景选择不同的网络结构进行异常检测，更好地应用于复杂的现实场景，达到更好的异常行为检测效果。
-
公开(公告)号：CN113516028B
公开(公告)日：2024-01-19
申请号：CN202110468555.9
申请日：2021-04-28
Applicant: 南通大学
IPC: G06V40/20 , G06V10/40 , G06V10/80 , G06V10/774 , G06V10/764 , G06N3/0464 , G06N3/045 , G06V10/82 , G06N3/08
Abstract: 述方法能够提高人体异常行为的识别精度。本发明涉及一种基于混合注意力机制的人体异常行为识别方法及系统，所述识别方法包括：对原始图像进行特征提取，得到低层细节特征F；对所述低层细节特征F进行筛选，得到主要显著特征F″；将所述主要显著特征F″输入至卷积特征提取模块，得到高层语义特征；将所述高层语义特征与所述低层细节特征进行融合，得到融合后的特征；计算训练样本预测值和实际值之间的损失，得到损失值；基于所述损失值对训练参数进行优化；基于优化后的训练参数和所述融合
-
Patent Agency Ranking
公开(公告)号：CN113011399B
公开(公告)日：2023-10-03
申请号：CN202110468639.2
申请日：2021-04-28
Applicant: 南通大学
IPC: G06V20/40 , G06V10/774 , G06V10/82 , G06N3/0475 , G06N3/045
Abstract: 本发明涉及一种基于生成协同判别网络的视频异常检测方法及系统，方法包括：采集正常的视频监控数据并转换为原始帧，选取原始未来帧，并在其中添加噪声，得到噪声未来帧；将原始帧输入到生成器中，得到预测未来帧；计算预测未来帧和原始未来帧的前一帧之间的光流信息；计算原始未来帧和原始未来帧的前一帧之间的光流信息，二者的差异，将预测未来帧和原始未来帧输入至判别器中，构建判别器的目标函数；将噪声未来帧和预测未来帧输入至协同器中，构建协同器的目标函数；构建生成器的目标函数；更新生成器，确定测试时的预测未来帧；计算异常分数，根据所述异常分数确定待测帧是否存在异常。本发明中的上述方法能够提高视频中异常事件的检测精度。
-
公开(公告)号：CN113011399A
公开(公告)日：2021-06-22
申请号：CN202110468639.2
申请日：2021-04-28
Applicant: 南通大学
Abstract: 本发明涉及一种基于生成协同判别网络的视频异常检测方法及系统，方法包括：采集正常的视频监控数据并转换为原始帧，选取原始未来帧，并在其中添加噪声，得到噪声未来帧；将原始帧输入到生成器中，得到预测未来帧；计算预测未来帧和原始未来帧的前一帧之间的光流信息；计算原始未来帧和原始未来帧的前一帧之间的光流信息，二者的差异，将预测未来帧和原始未来帧输入至判别器中，构建判别器的目标函数；将噪声未来帧和预测未来帧输入至协同器中，构建协同器的目标函数；构建生成器的目标函数；更新生成器，确定测试时的预测未来帧；计算异常分数，根据所述异常分数确定待测帧是否存在异常。本发明中的上述方法能够提高视频中异常事件的检测精度。
-
公开(公告)号：CN114973102B
公开(公告)日：2024-09-27
申请号：CN202210692871.9
申请日：2022-06-17
Applicant: 南通大学
IPC: G06V20/40 , G06V10/774 , G06V10/80 , G06N3/0464 , G06N3/044 , G06N3/049 , G06N3/084
Abstract: 本发明属于计算机视觉技术领域，具体为一种基于多路径注意力时序的视频异常检测方法，包括步骤一、循环残差卷积单元；步骤二、跳跃注意力门；步骤三、规则性得分。本发明中每个RRCU的活动不仅会受到其相邻单元活动的调节，并且可以根据网络和任务的不同设置不同的时间步长，该属性增强了模型对上下文信息的整合能力；同时，考虑到编码阶段对图像压缩会造成信息损失，利用跳跃注意力门聚合来自多个特征尺度的信息，其可自动学习并关注不同形状和大小的目标对象，更好地突出显著性局部特征；作为一个端到端的学习框架，模型利用多尺度的时空特征可以捕获更多的正态分布信息。
-
公开(公告)号：CN114973102A
公开(公告)日：2022-08-30
申请号：CN202210692871.9
申请日：2022-06-17
Applicant: 南通大学
IPC: G06V20/40 , G06V10/774 , G06V10/80 , G06N3/04 , G06N3/08
Abstract: 本发明属于计算机视觉技术领域，具体为一种基于多路径注意力时序的视频异常检测方法，包括步骤一、循环残差卷积单元；步骤二、跳跃注意力门；步骤三、规则性得分。本发明中每个RRCU的活动不仅会受到其相邻单元活动的调节，并且可以根据网络和任务的不同设置不同的时间步长，该属性增强了模型对上下文信息的整合能力；同时，考虑到编码阶段对图像压缩会造成信息损失，利用跳跃注意力门聚合来自多个特征尺度的信息，其可自动学习并关注不同形状和大小的目标对象，更好地突出显著性局部特征；作为一个端到端的学习框架，模型利用多尺度的时空特征可以捕获更多的正态分布信息。
-
公开(公告)号：CN113516028A
公开(公告)日：2021-10-19
申请号：CN202110468555.9
申请日：2021-04-28
Applicant: 南通大学
Abstract: 本发明涉及一种基于混合注意力机制的人体异常行为识别方法及系统，所述识别方法包括：对原始图像进行特征提取，得到低层细节特征F；对所述低层细节特征F进行筛选，得到主要显著特征F″；将所述主要显著特征F″输入至卷积特征提取模块，得到高层语义特征；将所述高层语义特征与所述低层细节特征进行融合，得到融合后的特征；计算训练样本预测值和实际值之间的损失，得到损失值；基于所述损失值对训练参数进行优化；基于优化后的训练参数和所述融合后的特征对神经网络模型进行训练，得到训练后的异常行为识别模型；基于训练后的异常行为识别模型对人体异常行为进行识别。本发明中的上述方法能够提高人体异常行为的识别精度。
-
-
-
-
-
-
Search Results
7
records
(took 0.014 seconds)
