异常事件检测方法、装置、设备及可读存储介质与流程

1.本技术涉及机器视觉技术领域，更具体的说，是涉及一种异常事件检测方法、装置、设备及可读存储介质。


背景技术：

2.在一些区域(如道路、住宅小区、学校等)中，一些目标(如车辆、行人等)往往会发生异常事件，如车辆碰撞、车辆侧翻、行人摔倒等，越早的发现这些异常事件，就能尽可能的避免伤亡的扩大和经济财产的损失，因此，需要对这些区域是否发生异常事件进行检测。随着深度学习在计算机视觉任务中的广泛应用，实现了基于视频的异常事件检测。基于视频的异常事件检测是从视频中提取目标的特征来实现对区域内是否发生异常事件的自动检测。
3.但是，传统的基于视频的异常事件检测方法，只能检测出视频对应的区域中是否发生异常事件，但是无法精确定位发生异常事件的目标。
4.因此，如何提供一种检测异常事件的方法，以准确检测出发生异常事件的目标，成为本领域技术人员亟待解决的技术问题。


技术实现要素：

5.鉴于上述问题，本技术提出了一种异常事件检测方法、装置、设备及可读存储介质。具体方案如下：
6.一种异常事件检测方法，所述方法包括：
7.获取待进行异常事件检测的视频；
8.针对所述视频包含的每组连续图像帧，确定待检测的目标对；所述目标对中包括两个目标项，所述两个目标项用于表征同一时刻的两个不同目标，或者不同时刻的一个目标；
9.对各个目标对进行检测，确定发生异常事件的目标对。
10.可选地，所述针对所述视频包含的每组连续图像帧，确定待检测的目标对，包括：
11.针对所述连续图像帧的每个图像帧，对所述图像帧进行目标检测，得到所述图像帧包含的目标；
12.基于所述图像帧包含的目标，以及，所述图像帧的前一图像帧包含的目标，确定所述图像帧对应的目标对；所述图像帧对应的目标对中包括所述图像帧包含的不同目标，以及所述图像帧和所述图像帧的前一图像帧包含的同一目标；
13.基于各个图像帧对应的目标对，确定待检测的目标对。
14.可选地，所述对各个目标对进行检测，确定发生异常事件的目标对，包括：
15.针对每个目标对，确定所述目标对的特征序列；
16.根据所述目标对的特征序列，检测所述目标对是否发生异常事件。
17.可选地，所述针对每个目标对，确定所述目标对的特征序列，包括：
18.针对每个目标对，确定所述目标对与各个图像帧对应的目标对特征；
19.将所述目标对与各个图像帧对应的目标对特征进行组合，得到所述目标对的特征序列。
20.可选地，确定所述目标对与图像帧对应的目标对特征，包括：
21.确定所述目标对中每个目标项在所述图像帧中的特征；
22.确定在所述图像帧中所述目标对中两个目标项之间的交互特征；
23.基于所述目标对中每个目标项在所述图像帧中的特征，以及在所述图像帧中所述目标对中两个目标项之间的交互特征，确定所述目标对与所述图像帧对应的目标对特征。
24.可选地，所述确定所述目标对中每个目标项在所述图像帧中的特征，包括：
25.确定所述图像帧的特征图，以及所述目标对中每个目标项在所述图像帧中的位置信息；
26.基于所述图像帧的特征图，以及所述目标对中每个目标项在所述图像帧中的位置信息，确定所述目标对中每个目标项在所述图像帧中的特征。
27.可选地，所述确定在所述图像帧中所述目标对中两个目标项之间的交互特征，包括：
28.获取所述目标对中每个目标项在所述图像帧中的位置信息；
29.基于所述目标对中每个目标项在所述图像帧中的位置信息，确定所述目标对中两个目标项的空间关系；
30.基于所述目标对中两个目标项的空间关系，确定在所述图像帧中所述目标对中两个目标项之间的交互特征。
31.可选地，所述对所述图像帧进行目标检测，得到所述图像帧中包含的目标，包括：
32.将所述图像帧输入目标检测模型，所述目标检测模型输出所述图像帧中包含的目标，所述目标检测模型是以训练用图像为训练样本，以训练用图像标注的目标为样本标签训练得到的。
33.可选地，所述根据所述目标对的特征序列，检测所述目标对是否发生异常事件，包括：
34.将所述目标对的特征序列输入异常事件检测模型，所述异常事件检测模型输出异常事件检测结果，所述异常事件检测结果用于指示所述目标对是否发生异常事件，所述异常事件检测模型是以训练用目标对的特征序列为训练样本，以训练用目标对的特征序列标注的异常事件检测结果为样本标签训练得到的。
35.一种异常事件检测装置，所述装置包括：
36.获取单元，用于获取待进行异常事件检测的视频；
37.目标对确定单元，用于针对所述视频包含的每组连续图像帧，确定待检测的目标对；所述目标对中包括两个目标项，所述两个目标项用于表征同一时刻的两个不同目标，或者不同时刻的一个目标；
38.目标对检测单元，用于对各个目标对进行检测，确定发生异常事件的目标对。
39.可选地，所述目标对确定单元，包括：
40.目标检测单元，用于针对所述连续图像帧的每个图像帧，对所述图像帧进行目标检测，得到所述图像帧包含的目标；
41.图像帧对应的目标对确定单元，用于基于所述图像帧包含的目标，以及，所述图像帧的前一图像帧包含的目标，确定所述图像帧对应的目标对；所述图像帧对应的目标对中包括所述图像帧包含的不同目标，以及所述图像帧和所述图像帧的前一图像帧包含的同一目标；
42.待检测的目标对确定单元，用于基于各个图像帧对应的目标对，确定待检测的目标对。
43.可选地，所述目标对检测单元，包括：
44.特征序列确定单元，用于针对每个目标对，确定所述目标对的特征序列；
45.检测单元，用于根据所述目标对的特征序列，检测所述目标对是否发生异常事件。
46.可选地，所述特征序列确定单元，包括：
47.目标对特征确定单元，用于针对每个目标对，确定所述目标对与各个图像帧对应的目标对特征；
48.特征组合单元，用于将所述目标对与各个图像帧对应的目标对特征进行组合，得到所述目标对的特征序列。
49.可选地，目标对特征确定单元，包括：
50.目标项特征确定单元，用于确定所述目标对中每个目标项在所述图像帧中的特征；
51.目标项交互特征确定单元，用于确定在所述图像帧中所述目标对中两个目标项之间的交互特征；
52.目标对特征确定子单元，用于基于所述目标对中每个目标项在所述图像帧中的特征，以及在所述图像帧中所述目标对中两个目标项之间的交互特征，确定所述目标对与所述图像帧对应的目标对特征。
53.可选地，所述目标项特征确定单元，包括：
54.图像帧的特征图确定单元，用于确定所述图像帧的特征图；
55.位置信息确定单元，用于确定所述目标对中每个目标项在所述图像帧中的位置信息；
56.目标项特征确定子单元，用于基于所述图像帧的特征图，以及所述目标对中每个目标项在所述图像帧中的位置信息，确定所述目标对中每个目标项在所述图像帧中的特征。
57.可选地，所述目标项交互特征确定单元，包括：
58.位置信息获取单元，用于获取所述目标对中每个目标项在所述图像帧中的位置信息；
59.空间关系确定单元，用于基于所述目标对中每个目标项在所述图像帧中的位置信息，确定所述目标对中两个目标项的空间关系；
60.目标项交互特征确定子单元，用于基于所述目标对中两个目标项的空间关系，确定在所述图像帧中所述目标对中两个目标项之间的交互特征。
61.可选地，所述目标检测单元，具体用于：
62.将所述图像帧输入目标检测模型，所述目标检测模型输出所述图像帧中包含的目标，所述目标检测模型是以训练用图像为训练样本，以训练用图像标注的目标为样本标签
训练得到的。
63.可选地，所述目标对检测单元，具体用于：
64.将所述目标对的特征序列输入异常事件检测模型，所述异常事件检测模型输出异常事件检测结果，所述异常事件检测结果用于指示所述目标对是否发生异常事件，所述异常事件检测模型是以训练用目标对的特征序列为训练样本，以训练用目标对的特征序列标注的异常事件检测结果为样本标签训练得到的。
65.一种异常事件检测设备，包括存储器和处理器；
66.所述存储器，用于存储程序；
67.所述处理器，用于执行所述程序，实现如上所述的异常事件检测方法的各个步骤。
68.一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现如上所述的异常事件检测方法的各个步骤。
69.借由上述技术方案，本技术公开了一种异常事件检测方法、装置、设备及可读存储介质。在获取待检测视频之后，针对该视频中包含的连续图像帧，确定待检测的目标对，对各个目标对进行检测，确定发生异常事件的目标对，其中，目标对中包括两个目标项，两个目标项用于表征同一时刻的两个不同目标，或者不同时刻的一个目标。基于上述方案，能够准确检测出发生异常事件的对象是哪个时刻的哪两个目标，或者是哪一个目标。
附图说明
70.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
71.图1为本技术实施例公开的一种异常事件检测方法的流程示意图；
72.图2为本技术实施例公开的一种针对每组连续图像帧，确定待检测的目标对的方法流程示意图；
73.图3为本技术实施例公开的一种对各个目标对进行检测，确定发生异常事件的目标对的方法流程示意图；
74.图4为本技术实施例公开的一种异常事件检测装置结构示意图；
75.图5为本技术实施例公开的一种异常事件检测设备的硬件结构框图。
具体实施方式
76.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
77.接下来，通过下述实施例对本技术提供的一种异常事件检测方法进行介绍。
78.参照图1，图1为本技术实施例公开的一种异常事件检测方法的流程示意图，该方法可以包括：
79.步骤s101：获取待进行异常事件检测的视频。
80.在本技术中，待进行异常事件检测的视频可以是任意场景下的监控视频，比如，交
通摄像头录制的道路视频，商场摄像头录制的场所视频等，不同场景下对应不同的异常事件，比如，道路视频对应的异常事件可以为交通事故(不同车辆之间的碰撞、单个车辆的侧翻、行人的摔倒等)，场所视频对应的异常事件可以为不同人员之间的冲突等，对此，本技术不进行任何限定。
81.在本技术中，可以通过视频录制设备，如摄像头等，实时录制视频作为待进行异常事件检测的视频，也可以获取视频录制设备预先录制的视频作为待进行异常事件检测的视频，在获取待进行异常事件检测的视频时，可以一次获取预设时长的视频，预设时长可以依据不同的场景进行设置，对此，本技术不进行任何限定。
82.步骤s102：针对所述视频包含的每组连续图像帧，确定待检测的目标对；所述目标对中包括两个目标项，所述两个目标项用于表征同一时刻的两个不同目标，或者不同时刻的一个目标。
83.在本技术中，可以基于预设每秒帧数对视频进行分帧处理得到视频包含的全部图像帧，再基于预设的滑动窗口大小及滑动窗口步长，确定视频包含的连续图像帧。需要说明的是，视频中包含的连续图像帧可以为一组也可以为多组，对此，本技术不进行任何限定。
84.为便于理解，假设视频中包含15个图像帧，分别标号为1、2、3、4、5、6、7、8、9、10、11、12、13、14、15，滑动窗口大小为10，滑动窗口步长为1，则视频中包含的连续图像帧分别如下：
85.1、2、3、4、5、6、7、8、9、10；
86.2、3、4、5、6、7、8、9、10、11；
87.3、4、5、6、7、8、9、10、11、12；
88.4、5、6、7、8、9、10、11、12、13；
89.5、6、7、8、9、10、11、12、13、14；
90.6、7、8、9、10、11、12、13、14、15。
91.在本技术中，视频中往往包含多个对象，目标对中的目标指的是视频中包括的对象中与异常事件检测相关的对象，比如，道路视频中包括护栏、车辆、行人、树、路灯等，待检测异常事件为交通事故，则目标对中的目标可以为视频中包括的车辆和行人。因为考虑到异常事件可能由多个目标之间发生，也可能由单个目标发生，因此，目标也需要和上个时刻的自己组成一个目标对，因此，本技术中目标对中包括两个目标项，所述两个目标项用于表征同一时刻的两个不同目标，或者不同时刻的一个目标。
92.针对所述视频包含的每组连续图像帧，确定待检测的目标对的具体实现方式，将通过后面的实施例详细说明，此处不再展开描述。
93.步骤s103：对各个目标对进行检测，确定发生异常事件的目标对。
94.在本技术中，可以针对每个目标对，检测所述目标对是否发生异常事件，基于各个目标对的检测结果，确定发生异常事件的目标对。
95.本实施例公开了一种异常事件检测方法。在获取待检测视频之后，针对该视频中包含的每组连续图像帧，确定待检测的目标对，对各个目标对进行检测，确定发生异常事件的目标对，其中，目标对中包括两个目标项，两个目标项用于表征两个不同目标，或者不同时刻的一个目标。基于上述方案，能够准确检测出发生异常事件的对象是哪个时刻的哪两个目标，或者是哪一个目标。
96.在本技术的另一个实施例中，对上述步骤s102针对所述视频包含的每组连续图像帧，确定待检测的目标对的过程进行介绍。
97.参照图2，图2为本技术实施例公开的一种针对每组连续图像帧，确定待检测的目标对的方法流程示意图，该方法可以包括以下步骤：
98.步骤s201：针对所述连续图像帧的每个图像帧，对所述图像帧进行目标检测，得到所述图像帧包含的目标。
99.在本技术中，可以以训练用图像为训练样本，以训练用图像标注的目标为样本标签训练得到目标检测模型，然后将图像帧输入目标检测模型，目标检测模型输出图像帧包含的目标。目标检测模型可以为任意结构的目标检测模型，比如，yolo目标检测模型、ssd目标检测模型，centernet目标检测模型等。
100.步骤s202：基于所述图像帧包含的目标，以及，所述图像帧的前一图像帧包含的目标，确定所述图像帧对应的目标对。
101.在本技术中，所述图像帧对应的目标对中包括所述图像帧包含的不同目标，以及所述图像帧和所述图像帧的前一图像帧包含的同一目标。
102.为便于理解，假设所述图像帧包含目标a、b、c三个目标，所述图像帧的前一图像帧包含目标a、b、c，则所述图像帧对应的目标对有ab，ac，bc，aa-1
，bb-1
，cc-1
。其中a-1
代表所述图像帧的前一图像帧包含的a，b-1
代表所述图像帧的前一图像帧包含的b，c-1
代表所述图像帧的前一图像帧包含的c。
103.步骤s203：基于各个图像帧对应的目标对，确定待检测的目标对。
104.在本技术中，如果一个目标对在每个图像帧都有包含，则确定所述目标对为待检测的目标对。
105.为便于理解，比如连续图像帧包括10个图像帧，分别为1、2、3、4、5、6、7、8、9、10；图像帧1对应的目标对有ab，aa-1
，bb-1
，图像帧2对应的目标对有ab，aa-1
，bb-1
，图像帧3对应的目标对有ab，aa-1
，bb-1
，图像帧4对应的目标对有ab，aa-1
，bb-1
，图像帧5对应的目标对有ab，aa-1
，bb-1
，图像帧6对应的目标对有ab，aa-1
，bb-1
，图像帧7对应的目标对有ab，aa-1
，bb-1
，图像帧8对应的目标对有ab，ac，bc，aa-1
，bb-1
，cc-1
，图像帧9对应的目标对有ab，ac，bc，aa-1
，bb-1
，cc-1
，图像帧10对应的目标对有ab，aa-1
，bb-1
。由于目标对ab，aa-1
，bb-1
在10个图像帧都有包含，目标对ac，bc，cc-1
，只在部分图像帧有包含，则目标对ab，aa-1
，bb-1
为待检测的目标对。
106.在本技术的另一个实施例中，对上述步骤s103对各个目标对进行检测，确定发生异常事件的目标对的过程进行介绍。
107.参照图3，图3为本技术实施例公开的一种对各个目标对进行检测，确定发生异常事件的目标对的方法流程示意图，该方法可以包括以下步骤：
108.步骤s301：针对每个目标对，确定所述目标对的特征序列。
109.作为一种可实施方式，所述针对每个目标对，确定所述目标对的特征序列的实现过程，该过程可以包括：
110.步骤s3011：针对每个目标对，确定所述目标对与各个图像帧对应的目标对特征。
111.在本步骤中，可以确定所述目标对中每个目标项在所述图像帧中的特征；并确定在所述图像帧中所述目标对中两个目标项之间的交互特征；再基于所述目标对中每个目标
项在所述图像帧中的特征，以及在所述图像帧中所述目标对中两个目标项之间的交互特征，确定所述目标对与所述图像帧对应的目标对特征。
112.需要说明的是，所述目标对中每个目标项在所述图像帧中的特征可以表征每个目标项的环境与外观特征。所述目标对中两个目标项之间的交互特征可以表征目标对中两个目标项之间的交互状态。
113.作为一种可实施方式，所述确定所述目标对中每个目标项在所述图像帧中的特征，可以包括：确定所述图像帧的特征图，以及所述目标对中每个目标项在所述图像帧中的位置信息；基于所述图像帧的特征图，以及所述目标对中每个目标项在所述图像帧中的位置信息，确定所述目标对中每个目标项在所述图像帧中的特征。
114.需要说明的是，在本技术中，在将图像帧输入目标检测网络之后，目标检测网络的特征提取层的输出即为图像帧的特征图，目标检测网络的输出中，包括目标在图像帧中的位置信息。在基于图像帧的特征图，以及目标对中每个目标项在图像帧中的位置信息，确定目标对中每个目标项在图像帧中的特征时，可以将目标项在图像帧中的位置处对应的图像帧的特征图中的部分特征图，通过全局平均池化(global average pooling)操作，得到该目标项在图像帧中的特征。需要说明的是，不同目标项在图像帧中的特征维度是一致的，比如，本技术中，目标项在图像帧中的特征的维度可以为512。
115.作为一种可实施方式，所述确定在所述图像帧中所述目标对中两个目标项之间的交互特征，可以包括：获取所述目标对中每个目标项在所述图像帧中的位置信息；基于所述目标对中每个目标项在所述图像帧中的位置信息，确定所述目标对中两个目标项的空间关系；基于所述目标对中两个目标项的空间关系，确定在所述图像帧中所述目标对中两个目标项之间的交互特征。
116.在本技术中，每个目标项在所述图像帧中的位置信息可以用目标项对应的目标框四个角的坐标来表示，目标对中两个目标项的空间关系可以基于两个目标项的目标框四个角的坐标来确定，作为一种示例，假设目标对中两个目标项为a和b，a的目标框左上角坐标为a(x
at
,y
at
)，b的目标框左上角坐标为b(x
bt
,y
bt
)，可以通过以下公式计算得到ab之间的交互特征[fh]：
[0117]
[fh]＝[disx/wa,disx/ha,disy/wa,disy/ha]
[0118]
其中，disx为a的目标框左上角与b的目标框左上角之间的x轴距离，disy为a的目标框左上角与b的目标框左上角之间的y轴距离，wa为目标框a的宽度，ha为目标框a的高度。
[0119]
基于该方式计算得到ab之间的交互特征的维度为4。
[0120]
步骤s3012：将所述目标对与各个图像帧对应的目标对特征进行组合，得到所述目标对的特征序列。
[0121]
为便于理解，假设目标项在图像帧中的特征的维度为512，目标项之间的交互特征的维度为4，则目标对与一个图像帧对应的目标对特征维度为1028(512+512+4)，假设连续图像帧中有10个图像帧，则该目标对的特征序列维度为10*1028，假设待检测目标对有6个，则待检测目标对的特征序列维度为10*6*1028。
[0122]
步骤s302：根据所述目标对的特征序列，检测所述目标对是否发生异常事件。
[0123]
作为一种可实施方式，在本技术中，可以以训练用目标对的特征序列为训练样本，以训练用目标对的特征序列标注的异常事件检测结果为样本标签训练得到异常事件检测
模型，再将所述目标对的特征序列输入异常事件检测模型，所述异常事件检测模型输出异常事件检测结果，所述异常事件检测结果用于指示所述目标对是否发生异常事件。
[0124]
综上所述，本技术中的异常事件检测方法，能够将目标与其他目标之间、目标与目标自身之间的行为模型进行建模，利用深度学习方案进行目标层面的异常事件检测，可以精确定位发生异常事件的对象是哪个目标以及目标的位置，以及发生异常事件的时间。
[0125]
下面对本技术实施例公开的异常事件检测装置进行描述，下文描述的异常事件检测装置与上文描述的异常事件检测方法可相互对应参照。
[0126]
参照图4，图4为本技术实施例公开的一种异常事件检测装置结构示意图。如图4所示，该异常事件检测装置可以包括：
[0127]
获取单元11，用于获取待进行异常事件检测的视频；
[0128]
目标对确定单元12，用于针对所述视频包含的每组连续图像帧，确定待检测的目标对；所述目标对中包括两个目标项，所述两个目标项用于表征同一时刻的两个不同目标，或者不同时刻的一个目标；
[0129]
目标对检测单元13，用于对各个目标对进行检测，确定发生异常事件的目标对。
[0130]
作为一种可实施方式，所述目标对确定单元，包括：
[0131]
目标检测单元，用于针对所述连续图像帧的每个图像帧，对所述图像帧进行目标检测，得到所述图像帧包含的目标；
[0132]
图像帧对应的目标对确定单元，用于基于所述图像帧包含的目标，以及，所述图像帧的前一图像帧包含的目标，确定所述图像帧对应的目标对；所述图像帧对应的目标对中包括所述图像帧包含的不同目标，以及所述图像帧和所述图像帧的前一图像帧包含的同一目标；
[0133]
待检测的目标对确定单元，用于基于各个图像帧对应的目标对，确定待检测的目标对。
[0134]
作为一种可实施方式，所述目标对检测单元，包括：
[0135]
特征序列确定单元，用于针对每个目标对，确定所述目标对的特征序列；
[0136]
检测单元，用于根据所述目标对的特征序列，检测所述目标对是否发生异常事件。
[0137]
作为一种可实施方式，所述特征序列确定单元，包括：
[0138]
目标对特征确定单元，用于针对每个目标对，确定所述目标对与各个图像帧对应的目标对特征；
[0139]
特征组合单元，用于将所述目标对与各个图像帧对应的目标对特征进行组合，得到所述目标对的特征序列。
[0140]
作为一种可实施方式，目标对特征确定单元，包括：
[0141]
目标项特征确定单元，用于确定所述目标对中每个目标项在所述图像帧中的特征；
[0142]
目标项交互特征确定单元，用于确定在所述图像帧中所述目标对中两个目标项之间的交互特征；
[0143]
目标对特征确定子单元，用于基于所述目标对中每个目标项在所述图像帧中的特征，以及在所述图像帧中所述目标对中两个目标项之间的交互特征，确定所述目标对与所述图像帧对应的目标对特征。
[0144]
作为一种可实施方式，所述目标项特征确定单元，包括：
[0145]
图像帧的特征图确定单元，用于确定所述图像帧的特征图；
[0146]
位置信息确定单元，用于确定所述目标对中每个目标项在所述图像帧中的位置信息；
[0147]
目标项特征确定子单元，用于基于所述图像帧的特征图，以及所述目标对中每个目标项在所述图像帧中的位置信息，确定所述目标对中每个目标项在所述图像帧中的特征。
[0148]
作为一种可实施方式，所述目标项交互特征确定单元，包括：
[0149]
位置信息获取单元，用于获取所述目标对中每个目标项在所述图像帧中的位置信息；
[0150]
空间关系确定单元，用于基于所述目标对中每个目标项在所述图像帧中的位置信息，确定所述目标对中两个目标项的空间关系；
[0151]
目标项交互特征确定子单元，用于基于所述目标对中两个目标项的空间关系，确定在所述图像帧中所述目标对中两个目标项之间的交互特征。
[0152]
作为一种可实施方式，所述目标检测单元，具体用于：
[0153]
将所述图像帧输入目标检测模型，所述目标检测模型输出所述图像帧中包含的目标，所述目标检测模型是以训练用图像为训练样本，以训练用图像标注的目标为样本标签训练得到的。
[0154]
作为一种可实施方式，所述目标对检测单元，具体用于：
[0155]
将所述目标对的特征序列输入异常事件检测模型，所述异常事件检测模型输出异常事件检测结果，所述异常事件检测结果用于指示所述目标对是否发生异常事件，所述异常事件检测模型是以训练用目标对的特征序列为训练样本，以训练用目标对的特征序列标注的异常事件检测结果为样本标签训练得到的。
[0156]
参照图5，图5为本技术实施例提供的一种异常事件检测设备的硬件结构框图，参照图5，异常事件检测设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
[0157]
在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
[0158]
处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
[0159]
存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
[0160]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
[0161]
获取待进行异常事件检测的视频；
[0162]
针对所述视频包含的每组连续图像帧，确定待检测的目标对；所述目标对中包括两个目标项，所述两个目标项用于表征同一时刻的两个不同目标，或者不同时刻的一个目标；
[0163]
对各个目标对进行检测，确定发生异常事件的目标对。
[0164]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0165]
本技术实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
[0166]
获取待进行异常事件检测的视频；
[0167]
针对所述视频包含的每组连续图像帧，确定待检测的目标对；所述目标对中包括两个目标项，所述两个目标项用于表征同一时刻的两个不同目标，或者不同时刻的一个目标；
[0168]
对各个目标对进行检测，确定发生异常事件的目标对。
[0169]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0170]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0171]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0172]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。