买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽大学

摘要：本发明公开了一种基于轨迹预测条件扩散模型的无监督骨架视频异常检测方法，包括：1获取人体骨架数据集并进行预处理，2建立通道注意力网络模型、轨迹预测网络模型和条件扩散模型，3训练建立的网络模型架构，4利用建立好的模型实现预测。本发明能改进扩散模型的输入条件，从而能提高异常检测准确率。

主权项：1.一种基于轨迹预测条件扩散模型的无监督骨架视频异常检测方法，其特征在于，包括以下步骤：S1、获取人体骨架数据集并进行预处理，得到预处理后的人体骨架数据集f＝{f1,f2,...,ft,...,fT}，其中，ft表示第t帧人体骨架图像，且fti表示ft中第i个骨架节点，且表示第i个骨架节点fti的x轴坐标点，表示第i个骨架节点fti的y轴坐标点；T表示总帧数；S2、搭建异常检测网络，包括：通道注意力网络，轨迹预测网络，条件扩散网络；其中，所述轨迹预测网络由第一编码层、第一解码层，一层归一化层和两层全连接层组成；所述条件扩散模型由条件模型和扩散模型组成，所述条件模型由第二编码层、第二解码层组成，扩散模型为U-Net结构；S21、将f输入异常检测网络中，并经过通道注意力网络的帧级别的数据增强处理后，得到通道注意力权重矩阵A；再将A与f*相乘后，得到增强后的骨架轨迹f′＝{f1′,f2′,...,ft′,...,f′T}，其中，ft′代表第t帧增强后的骨架特征；S22、将f′输入到轨迹预测网络中进行掩码操作后，再经过第一编码层对掩码后的骨架特征进行特征提取，得到的编码潜层特征再经过第一解码层的解码操作，最终输出预测的完整骨架轨迹其中，ftpre代表第t预测出来的骨架特征；由预测的完整骨架轨迹fpre与真实的骨架轨迹f′构建均方误差损失Lpre；S23、将fpre输入到条件扩散网络的条件模型中，并经过第二编码层的处理后，得到潜层数据再经过第二解码层的处理后，得到重建的骨架特征其中，ftlatent表示经过第二编码层得到的第t帧的骨架数据，ftrec表示第t帧重建的骨架特征；由重建的骨架特征frec与预测的完整骨架特征ftpre构建均方误差损失Lrec；S24、对f′的后一半帧数据进行加噪处理，得到高斯噪声数据fnoise＝{fT2,noise,fT2+1,noise,...,fT,noise}，将flatent进行压缩处理后，与fnoise一起输入到条件扩散网络的扩散模型中进行反向去噪处理，从而生成去噪后的骨架特征数据其中，fT,noise表示第T帧高斯噪声数据，表示第T帧去噪后的骨架特征数据；由去噪后的骨架特征数据fθ与真实的骨架轨迹f′的后一半帧数据构建smoothL1损失Lsmooth；S25、利用式1构建总损失函数L：L＝λ1Lpre+λ2Lrec+λ3Lsmooth1式1中，λ1、λ2、λ3都是三个超参数；S3、利用梯度下降法对所述异常检测网络进行训练，并计算所述总损失函数L以更新网络参数，直至总损失函数L收敛或达到最大训练次数为止，从而得到训练后的最优异常检测模型；S4、将测试视频输入至训练后的最优异常检测模型中进行处理，输出重建的骨架帧序列，当重建的骨架帧序列与真实骨架帧序列的信息差异值高于预设的阈值时，表示骨架帧序列为异常视频帧。

全文数据：

权利要求：

百度查询： 安徽大学 基于轨迹预测条件扩散模型的无监督骨架视频异常检测方法