专利交易市场

本发明涉及了一种基于深度学习和动态聚类的监控视频异常事件检测方法。特征提取阶段，运用深度学习网络PCANet，通过训练视频学习出对应的网络滤波器，并通过深度网络来将低层的像素点光流特征转化成高层的语义运动特征；同时通过对视频当中运动区域的筛选，剔除掉只包含有背景信息的时空采样块。在特征建模阶段，运用基于两层聚类的非参数模型来对特征向量空间进行建模，并在向量合并阶段采用向量相向合并的方法，最后运用K均值聚类算法将字典集合中的向量聚类成一系列的事件簇，并根据测试向量与事件簇中心向量之间的欧氏距离来进行异常事件判断。本发明有效的避免了因相加而导致的特征向量发生偏移，提高了异常事件检测率。

本发明实施例提供的一种事件检测设备的布建效能分析方法、装置及电子设备，应用于信息技术领域，可以获取发生在目标区域、预设时间区间的事件的事件信息，其中，所述事件信息包括事件类型、第一事件数量和事件发生位置；针对同一事件发生位置，获取可视域包括该事件发生位置的事件检测设备的类型；根据所述事件检测设备的类型和所述事件的事件类型和第一事件数量，计算所述目标区域的布建效能指标，其中，所述布建效能指标用于表示所述目标区域的事件检测设备布建的合理程度。通过本申请实施例的方法，可以实现事件检测设备的布建的合理程度的识别，从而为交通管理设备的合理布建提供参考，提高交通管理设备的利用效率。

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。

本发明公开了一种面向监控场景的在线低秩异常视频事件检测方法。本发明对给定场景下的监控视频集合进行如下操作：1）将监控视频分为训练视频和测试视频两部分，对各视频帧提取低层视觉特征，形成相应的向量化表示；2）通过在线稀疏低秩表示方法，对训练视频运用迭代梯度映射规则和随机优化准则进行逐帧学习，获得更新的权重矩阵和稀疏系数矩阵，构建异常视频事件检测模型；3）对测试视频帧计算归一化重构误差，若误差大于设定阈值，则判断该帧存在异常事件，照此逐帧判断，直至视频结束。本发明从低秩分解和稀疏表示的角度对监控场景下的视频进行帧编码和重构，能够逐帧在线判断异常视频事件，提高了监控视频异常检测的效率和精度。