公开(公告)号：CN114627421A

公开(公告)日：2022-06-14

申请号：CN202210288377.6

申请日：2022-03-22

Applicant: 南通大学

Inventor： 李洪均 ,  陈金怡 ,  孙晓虎 ,  陈俊杰

IPC: G06V20/40 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/44 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明公开了基于场景目标的多记忆视频异常检测和定位方法及系统,利用全局异常分支和局部异常分支分别从全局和局部角度对视频中的目标进行异常检测，实现了着重关注异常可能发生的区域的目标；通过对场景目标分布的充分利用，将远点目标和近点目标缩放到了统一大小，有效缓解了视场角带来的差异；结合模型双分支的特点，将每个目标进行异常量化并定位的方法，可以做到只标注出异常目标区域，且定位效果十分清晰。本发明能在提高视频异常检测性能的同时对异常目标进行清晰定位，这对于智能视频异常检测领域具有重要意义。

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

Inventor： 李洪均 ,  孙晓虎 ,  余阿祥 ,  申栩林 ,  陈金怡 ,  陈俊杰 ,  谢正光

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

公开(公告)号：CN115578691A

公开(公告)日：2023-01-06

申请号：CN202211317986.6

申请日：2022-10-26

Applicant: 南通大学

Inventor： 李洪均 ,  陈金怡 ,  孙晓虎 ,  陈俊杰

IPC: G06V20/52 ,  G06V10/32 ,  G06V10/44 ,  G06V10/80 ,  G06V10/74 ,  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目标的视频异常检测方法、系统及设备，本发明方法包括以下步骤：在训练阶段，从训练集视频帧中提取前景目标，并进行不失真的缩放；编码器提取前景目标作为查询项，并训练解码器预测下一个目标画布；在解码器预测下一个目标画布的过程中，读取或更新记忆模块；在测试阶段将视频帧输入视频异常检测模型，并对视频帧打出异常分数。本发明对视频场景中的前景目标与背景信息进行区分，着重关注前景目标的异常，并针对异常情况繁多且异常数据难以获取的情况，在训练阶段仅对正常数据进行训练，在测试阶段将远离正常数据分布的测试数据区分为异常，提高检测准确性与检测速度，实现检测实时性。

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

Inventor： 李洪均 ,  孙晓虎 ,  陈金怡 ,  申栩林 ,  陈俊杰

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

Inventor： 李洪均 ,  孙晓虎 ,  陈金怡 ,  申栩林 ,  陈俊杰

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

Inventor： 李洪均 ,  孙晓虎 ,  余阿祥 ,  申栩林 ,  陈金怡 ,  陈俊杰 ,  谢正光

IPC: G06K9/00 ,  G06K9/46 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

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。