[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。
