【技術實現步驟摘要】
本專利技術涉及視頻異常檢測，尤其涉及一種面對目標的監控視頻中異常檢測方法。
技術介紹
1、隨著社會安全形勢日益嚴峻，無論是公共安全、企業安全還是家庭安全，對視頻監控的需求都在不斷增加，尤其是在城市安全、交通管理、商業設施、重要基礎設施保護等領域，對異常行為的早期檢測顯得尤為重要；
2、為了應對單一攝像頭因遮擋導致的視線受限問題，在現代監控系統中，對實時性與準確性有著極高的要求。遮擋物異常檢測不僅要快速識別遮擋事件，還需在遮擋發生時做出恰當反應，如調度其他攝像頭或采取補救措施，以確保目標始終處于有效監控之下。
3、經檢索，中國公布號為cn105184818a的專利技術專利，公開了一種視頻監控異常行為檢測方法及其檢測系統，與現有技術相比，該中國公布號為cn105184818a的專利技術專利以視頻圖像序列為原始數據，利用混合高斯模型建立背景模型，能夠減少光照變化以及場景內的背景微小變化對檢測的影響；同時也細化了異常行為的分類，大大增加了檢測的準確性。
4、但是，在減少環境因為影響以及提高檢測準確性的同時，異常檢測系統的監控視頻部分還經常出現遮擋現象，會導致監控視頻直接失去目標信息，同樣會影響到系統的異常檢測結果，所以，在此提出了一種面對目標的監控視頻中異常檢測方法。
技術實現思路
1、本專利技術的目的是為了解決現有技術中存在出現遮擋現象會導致監控視頻直接失去目標信息的缺點，而提出的一種面對目標的監控視頻中異常檢測方法。
2、為了實現上述目的
3、一種面對目標的監控視頻中異常檢測方法，異常檢測步驟為：s1：在監控區域部署多個攝像頭，實現多路視頻數據的同步和融合，并運用ai算法對多視角視頻數據進行實時目標檢測和跟蹤，對遮擋造成的缺失信息進行估計或填充；
4、s2：接收目標檢測與跟蹤模塊的輸出，判斷遮擋發生與否，同時設計特定的遮擋檢測算法，識別出視頻中何時發生遮擋現象，對遮擋造成的缺失信息進行估計或填充；
5、s3：通過多傳感器融合，在單一視覺受阻時提供額外線索，動態調整攝像頭角度或焦距調整視角，并基于深度學習的異常行為檢測模型，識別出監控目標的異常動作或事件；
6、s4：基于異常行為識別模塊，整合前面的決策信息，綜合判斷是否有異常行為發生，依賴異常行為識別模塊的判斷結果，執行系統級決策。
7、在s1中，包括多視角監控與同步部分，在同一監控區域部署多個攝像頭，在某一視角出現遮擋時，其他視角仍能提供目標信息，并引入視頻流同步技術將各個攝像頭捕獲的圖像或視頻片段實時進行數據融合，利用ntp為所有攝像頭提供統一的時間參考源，基于階線性模型來計算本地時鐘與遠程參考時鐘的偏移和漂移，其中：
8、時鐘偏移計算：offset＝(t2-t1)-(t3-t4)；
9、時鐘頻率偏差計算：drift＝(t3-t2)-(t4-t1)；
10、其中，(t1,t2)和(t3,t4)分別表示兩次時間戳請求-應答過程中的本地時間和遠程時間，然后在每個攝像頭在捕獲視頻幀時，為其附加上一個精確的時間戳，在視頻編碼、傳輸過程中，將時間戳信息被保留下來進行同步處理。
11、在s1中，包括目標檢測與跟蹤部分，基于ai目標檢測算法實時定位監控區域內所有對象的位置和大小，配合長期依賴的序列模型進行目標跟蹤，即便目標短暫遮擋也能在恢復后快速重新關聯，基于目標跟蹤中的關聯度量，用于目標跟蹤中的框匹配，決定前一幀和當前幀中的目標是否對應，其中：
12、狀態預測：x(k|k-1)＝a*x(k-1|k-1)+bu(k)
13、x(k|k-1)表示在第k時刻基于第k-1時刻的信息對狀態的預測值，即先驗估計；
14、x(k-1|k-1)是在第k-1時刻得到的狀態估計值，它是已知的最佳估計；
15、a是系統動態矩陣，描述了從一個時間步到下一個時間步狀態的變化規律；
16、u(k)是在第k時刻的控制輸入或者外部影響因素；
17、b是輸入矩陣，表示控制輸入如何影響系統狀態；
18、在已知上一時刻的狀態和當前的控制輸入情況下，通過系統的運動學模型來預測當前時刻的狀態，然后：
19、狀態協方差預測：p(k|k-1)＝a*p(k-1|k-1)*a^t+q
20、p(k|k-1)是在第k時刻狀態預測的協方差矩陣，反映對預測狀態的不確定性；
21、p(k-1|k-1)是在第k-1時刻估計狀態的協方差矩陣，代表當時的狀態不確定性；
22、a^t是矩陣a的轉置；
23、q是過程噪聲協方差矩陣，量化了由于系統內部隨機過程噪聲導致的狀態預測不準確性；
24、通過預測下一時刻狀態協方差，之前時刻的狀態不確定性和系統的動態特性，加上系統本身存在的過程噪聲，得到當前預測狀態的不確定性，然后連續根據過去的觀測和模型知識預測目標的位置，并評估預測的可靠性，通過實際觀測數據進行更新校正，對目標位置進行準確估計與跟蹤。
25、在s2中，包括遮擋檢測與估計部分，接收目標檢測與跟蹤模塊的輸出，判斷遮擋發生狀態，收集目標檢測與跟蹤模塊輸出的數據，包括目標的位置、尺寸、運動軌跡信息，將同一目標在不同時間段的跟蹤信息形成連續的時間序列數據，利用目標連續兩幀或幾幀的運動信息，計算目標運動速度、加速度以及位置變化指標，判斷相鄰幀之間目標位置和尺寸的變化是否超過閾值，目標在連續兩幀中的位置分別為(x1,y1)和(x2,y2)，時間間隔為δt，速度可近似為：v＝((x2-x1),(y2-y1))/δt；
26、定義遮擋檢測閾值θ，目標面積在連續幀中的變化大于閾值時，判定發生遮擋，以及目標突然消失或其運動軌跡出現非自然的斷裂，表明發生了遮擋。
27、在s2中，基于歷史遮擋案例訓練深度神經網絡模型，學習到遮擋發生時的特征模式，輸入目標檢測與跟蹤模塊輸出的特征向量，模型輸出遮擋發生的概率或遮擋狀態標簽，訓練一個分類器輸出遮擋與否的概率：
28、p(occurrence_of_occlusion|input_features)
29、當此概率高于預先設定的閾值時，判定遮擋發生，當存在多個目標，通過關聯算法分析目標之間的相對位置關系，計算兩幀之間目標的iou值，低于閾值時意味遮擋發生：iou(a,b)＝|a∩b|/|a∪b|
30、a和b分別代表兩幀中目標的矩形邊界框；
31、|a∩b|表示兩個邊界框交集的面積，兩個邊界框重疊的部分；
32、|a∪b|表示兩個邊界框并集的面積，兩個邊界框各自區域加上它們重疊區域的總面積；
33、基于關聯關系，目標在短時間內失去跟蹤，但在之后重新出現，且其運動軌跡和速度與遮擋前吻合，則判斷發生遮擋。
34、在s3中，基于s2中遮擋檢測，立即啟動多傳感器融合機制，將來自不同傳感器本文檔來自技高網...
【技術保護點】
1.一種面對目標的監控視頻中異常檢測方法，其特征在于，異常檢測步驟為：S1：在監控區域部署多個攝像頭，實現多路視頻數據的同步和融合，并運用AI算法對多視角視頻數據進行實時目標檢測和跟蹤，對遮擋造成的缺失信息進行估計或填充；
2.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在S1中，包括多視角監控與同步部分，在同一監控區域部署多個攝像頭，在某一視角出現遮擋時，其他視角仍能提供目標信息，并引入視頻流同步技術將各個攝像頭捕獲的圖像或視頻片段實時進行數據融合，利用NTP為所有攝像頭提供統一的時間參考源，基于階線性模型來計算本地時鐘與遠程參考時鐘的偏移和漂移，其中：
3.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在S1中，包括目標檢測與跟蹤部分，基于AI目標檢測算法實時定位監控區域內所有對象的位置和大小，配合長期依賴的序列模型進行目標跟蹤，即便目標短暫遮擋也能在恢復后快速重新關聯，基于目標跟蹤中的關聯度量，用于目標跟蹤中的框匹配，決定前一幀和當前幀中的目標是否對應，其中：
4.根據權利要求1所述的一種
5.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在S2中，基于歷史遮擋案例訓練深度神經網絡模型，學習到遮擋發生時的特征模式，輸入目標檢測與跟蹤模塊輸出的特征向量，模型輸出遮擋發生的概率或遮擋狀態標簽，訓練一個分類器輸出遮擋與否的概率：
6.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在S3中，基于S2中遮擋檢測，立即啟動多傳感器融合機制，將來自不同傳感器的數據進行同步采集和融合分析，以補償遮擋造成的視覺信息缺失，根據遮擋情況和多傳感器數據，指令相關攝像頭調整拍攝角度或變焦，從新的視角捕捉到被遮擋的目標物體，視頻流處理模塊實時反饋攝像頭視域變化效果，找到最佳觀察位置或范圍。
7.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在S3中，基于監控視頻數據，涵蓋正常行為和各種異常行為樣本，入侵、打斗、摔倒、快速奔跑，獲取視頻數據并進行精細標注，標識出每段視頻中目標的行為類別正常或異常，以及異常行為的具體類型，提取關鍵幀特征數據，基于特征數據設計常行為檢測的深度學習模型，將提取的特征輸入模型進行訓練，通過反向傳播優化模型參數，區分正常行為和異常行為；
8.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在S4中，深度學習異常行為檢測模型輸出的結果與先前遮擋監測模塊的結論相結合，遮擋期間多傳感器融合提供的信息也指示存在異常行為，綜合判斷出現異常行為，整合異常行為識別模塊輸出的異常概率得分、行為類別，形成異常行為報告，對當前異常行為的嚴重性進行量化評估，異常行為發生在特定的敏感時段或區域，系統會賦予更高的警戒級別。
...【技術特征摘要】
1.一種面對目標的監控視頻中異常檢測方法，其特征在于，異常檢測步驟為：s1：在監控區域部署多個攝像頭，實現多路視頻數據的同步和融合，并運用ai算法對多視角視頻數據進行實時目標檢測和跟蹤，對遮擋造成的缺失信息進行估計或填充；
2.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在s1中，包括多視角監控與同步部分，在同一監控區域部署多個攝像頭，在某一視角出現遮擋時，其他視角仍能提供目標信息，并引入視頻流同步技術將各個攝像頭捕獲的圖像或視頻片段實時進行數據融合，利用ntp為所有攝像頭提供統一的時間參考源，基于階線性模型來計算本地時鐘與遠程參考時鐘的偏移和漂移，其中：
3.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在s1中，包括目標檢測與跟蹤部分，基于ai目標檢測算法實時定位監控區域內所有對象的位置和大小，配合長期依賴的序列模型進行目標跟蹤，即便目標短暫遮擋也能在恢復后快速重新關聯，基于目標跟蹤中的關聯度量，用于目標跟蹤中的框匹配，決定前一幀和當前幀中的目標是否對應，其中：
4.根據權利要求1所述的一種面對目標的監控視頻中異常檢測方法，其特征在于，在s2中，包括遮擋檢測與估計部分，接收目標檢測與跟蹤模塊的輸出，判斷遮擋發生狀態，收集目標檢測與跟蹤模塊輸出的數據，包括目標的位置、尺寸、運動軌跡信息，將同一目標在不同時間段的跟蹤信息形成連續的時間序列數據，利用目標連續兩幀或幾幀的運動信息，計算目標運動速度、加速度以及位置變化指標，判斷相鄰幀之間目標位置和尺寸的變化是否超過閾值，目標在連續兩幀中的位置分別為(x1,y1)和(x2,y2)，時間間隔為δt，速度可近似為：v＝((x2-x1),(y2...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。