[发明专利]复杂环境下基于深度学习的异常检测方法有效
申请号: | 201710535492.8 | 申请日: | 2017-07-03 |
公开(公告)号: | CN107330410B | 公开(公告)日: | 2020-06-30 |
发明(设计)人: | 邱鹏;霍瑛;黄陈蓉;陈行 | 申请(专利权)人: | 南京工程学院 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06T7/246;G06T7/73 |
代理公司: | 南京正联知识产权代理有限公司 32243 | 代理人: | 王素琴 |
地址: | 211167 江苏*** | 国省代码: | 江苏;32 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | 本发明提供一种复杂环境下基于深度学习的异常检测方法,通过将卷积神经网络回归法提取的物体时空特征输入LSTM模型,追踪复杂环境中多物体的运动轨迹;在多物体无规则运动的情况下捕捉相邻个体的非线性时空动作,评估相邻个体间运动轨迹的依赖性,预测它们未来的运动轨迹;根据个体未来运动轨迹的异常概率来完成异常检测。该方法能够降低对于图像的误检率,现有技术主要是检测单个物体的时空特征,并未考虑复杂环境下相邻个体运动轨迹存在相互干扰的情况,本发明所述的LSTM模型,通过评估相干个体间的依赖性,使用编码解码框架预测物体未来运动轨迹,从而能够在对多物体运动进行异常检测时获得更精确的结果。 | ||
搜索关键词: | 复杂 环境 基于 深度 学习 异常 检测 方法 | ||
【主权项】:
一种复杂环境下基于深度学习的异常检测方法,其特征在于:通过长短期记忆模型进行多物体轨迹追踪,之后捕捉相邻个体间的非线性时空动作并预测它们未来的运动轨迹,根据个体未来运动轨迹的异常概率来完成异常检测,具体包括以下步骤:步骤1、将卷积神经网络回归法提取的物体时空特征输入LSTM模型,追踪复杂环境中多物体的运动轨迹;步骤2、在多物体无规则运动的情况下捕捉相邻个体的非线性时空动作,评估相邻个体间运动轨迹的依赖性,预测它们未来的运动轨迹;步骤3、根据个体未来运动轨迹的异常概率来完成异常检测。
下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于南京工程学院,未经南京工程学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/patent/201710535492.8/,转载请声明来源钻瓜专利网。