本发明涉及异常检测,更具体的说是涉及一种面向监控场景的异常事件检测方法。
背景技术:
1、目前监控场景的异常检测算法多是基于图像处理、模式识别和机器学习等技术,通过分析物体行为和特征来检测和识别异常事件。然而,这些算法在数据依赖、检测类别以及泛化性等方面存在一些问题,限制了其在监控场景异常检测领域的应用和发展。
2、1.数据依赖:
3、基于深度学习的异常检测算法通常需要大量经过标注的训练数据,以建立准确的异常模型。然而,获取大规模的标注数据是一项昂贵和耗时的任务。这对于某些场景或特定异常类别可能会面临挑战,限制了算法的应用范围和效果。
4、2.检测类别和泛化性:
5、许多异常检测算法在训练阶段仅基于某些特定且已知的异常样本进行建模,其不仅在异常检测类别上受限,还无法对未知的异常行为进行有效检测(这导致算法的泛化性较差)。对于一些复杂、多样化的监控场景,现有异常检测算法无法准确地适应和处理。
6、因此如何提供一种面向监控场景的异常事件检测方法,其不仅可以降低对标注数据的依赖、扩展可检测异常类别,还可以检测未知异常行为是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此,本发明的目的是提供一种面向监控场景的异常事件检测方法。
2、为了实现上述目的,本发明采用如下技术方案:
3、一种面向监控场景的异常事件检测方法,包括以下步骤:
4、s1:基于某一监控场景下的历史监控数据获得各个实体的属性信息;
5、s2:将该监控场景拆分为若干区域;
6、s3:基于各个实体的属性信息和所述若干区域获得各类实体的各维度概率分布模型;
7、s4:基于该监控场景下的待检测监控数据获得各个待检测实体的属性信息;
8、s5:基于各个待检测实体的属性信息以及各类实体的各维度概率分布模型获得各个待检测实体的各维度概率值;
9、s6:基于各个待检测实体的各维度概率值计算各个待检测实体的各维度信息量;
10、s7:基于各个待检测实体的各维度信息量判断各个待检测实体是否存在异常。
11、优选的,s1进一步包括:
12、基于目标检测算法获得历史监控数据中各个实体的位置属性信息和类别属性信息;
13、和/或基于轨迹跟踪算法获取历史监控数据中各个实体的速度属性信息;和/或基于实例分割算法获得历史监控数据中各个实体的mask图属性信息;
14、优选的,s3进一步包括:
15、各类实体的各维度概率分布模型包括位置概率分布模型、速度概率分布模型、mask图概率分布模型、方向跳转概率分布模型、包含关系概率分布模型和包含关系跳转概率分布模型中的一个或多个。
16、优选的,s3进一步包括:
17、基于各个实体的类别属性信息和混合高斯模型对各个实体的位置属性信息进行建模,获得各类实体的位置概率分布模型;
18、基于各个实体的类别属性信息和高斯模型对各个实体的速度属性信息进行建模,获得各类实体的速度概率分布模型;
19、基于各个实体的类别属性信息和高斯模型对各个实体的mask图属性信息进行建模,获得各类实体的mask图概率分布模型;
20、基于各个实体的位置属性信息获得各个实体的方向信息,基于各个实体的方向信息统计获得各类实体的方向跳转概率分布模型;
21、基于各个实体的位置属性信息、类别属性信息和所述若干区域统计获得各类实体的包含关系概率分布模型;
22、基于各个实体的位置属性信息、类别属性信息和所述若干区域统计获得各类实体的包含关系跳转概率分布模型。
23、优选的,s5进一步包括:
24、将各个待检测实体的位置属性信息输入到其所属类别的位置概率分布模型获得各个待检测实体的位置概率值;
25、将各个待检测实体的速度属性信息输入到其所属类别的速度概率分布模型获得各个待检测实体的速度概率值;
26、将各个待检测实体的mask图属性相关信息输入到其所属类别的mask图概率分布模型获得各个待检测实体的mask图概率值;
27、获取各个待检测实体的方向信息,并输入到其所属类别的方向跳转概率分布模型获得各个待检测实体的方向跳转概率值;
28、获取各个待检测实体的包含关系信息,并输入到其所属类别的包含关系概率分布模型获得各个待检测实体的包含关系概率值;其中,所述包含关系概率值表示待检测实体属于某一区域的概率值;
29、获取各个待检测实体的包含关系跳转信息,并输入到其所属类别的包含关系跳转概率分布模型获得各个待检测实体的包含关系跳转概率值;其中,所述包含关系跳转概率值表示待检测实体从某一区域跳转到另一区域的概率值;
30、优选的,s6进一步包括:
31、
32、其中,表示待检测实体的像素位置,表示待检测实体的位置概率值,表示待检测实体的位置信息量;表示待检测实体的速度,表示待检测实体的速度概率值,表示待检测实体的速度信息量;表示待检测实体在区域出现的概率值,表示待检测实体的包含关系信息量;表示待检测实体从区域到区域的概率值,即待检测实体的包含关系跳转概率值,表示待检测实体的包含关系跳转信息量;表示待检测实体从方向跳转到方向的概率值,即待检测实体的方向跳转概率值,表示待检测实体的方向跳转信息量;表示待检测实体的mask图概率值,表示检测实体的mask图信息量。
33、优选的,基于各个实体的位置属性信息获得各个实体的邻近关系信息;
34、基于各个实体的邻近关系信息统计获得邻近关系概率分布模型;
35、基于各个待检测实体的位置属性信息获得各个待检测实体的各个邻近关系信息;
36、将各个待检测实体的各个邻近关系信息输入到邻近关系概率分布模型,获得各个待检测实体的各个邻近关系概率;
37、基于各个待检测实体的各个邻近关系概率计算各个待检测实体的各个邻近关系概率信息量;
38、;
39、其中,表示第i类实体,表示第类实体,;表示第类实体和第类实体的邻近关系概率。
40、优选的,s7进一步包括:
41、分别计算每一个待检测实体的各维度信息量总和,若各维度信息量总和大于信息量总和阈值,则待检测实体判定为异常;
42、优选的,分别计算每一个待检测实体的轨迹信息量密度i,若轨迹信息量密度i大于轨迹信息量密度阈值,则待检测实体判定为异常;
43、其中,,表示某一帧中待检测实体的信息量总和。
44、优选的,s7进一步包括:
45、基于各个待检测实体的各维度信息量计算获得场景信息量密度l,若场景信息量密度l大于场景信息量密度阈值,则该监控场景存在异常;
46、;
47、其中,m表示该监控场景下待检测实体的数量,表示第m个待检测实体的信息量总和。
48、优选的,s2进一步包括:采用aog图建模的方式将该监控场景拆分为若干区域。
49、经由上述的技术方案可知,与现有技术相比,本发明公开了一种面向监控场景的异常事件检测方法,其可以获得以下有益技术效果:
50、1、本发明不需要对训练数据(即历史监控数据)进行单独标注,即本发明并不依赖大规模标注数据,可以减少数据标注的成本;
51、2、本发明通过计算实体的信息量来判断是否异常,其并不像异常检测算法那样限定检测某些特定异常类别,本发明可以检测更多的异常类别。
52、3、本发明通过计算实体的信息量来判断是否异常,即使并不常见的异常行为也可以因为其信息量大于正常数据的信息量而被检测出来。
53、4、本发明的目标检测算法、轨迹跟踪算法和实例分割算法作为通用模块本身并不依赖固定监控场景,因此本发明能够快速迁移到新的监控场景。