技術(shù)特征：

1.一種基于因果正態(tài)性學(xué)習(xí)的視頻異常檢測方法，其特征在于，包括如下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于因果正態(tài)性學(xué)習(xí)的視頻異常檢測方法，其特征在于，還包括如下步驟，判定為不正常事件后，啟動語音報警機制以提醒管理人員注意并自動截取和存儲相應(yīng)的片段。

3.根據(jù)權(quán)利要求1所述的一種基于因果正態(tài)性學(xué)習(xí)的視頻異常檢測方法，其特征在于，所述crcl模型的處理過程，具體包括如下步驟：

4.根據(jù)權(quán)利要求3所述的一種基于因果正態(tài)性學(xué)習(xí)的視頻異常檢測方法，其特征在于，所述m4-1記憶網(wǎng)絡(luò)以fent為輸入來更新記憶條目并輸出原型特征f'，m4-2原型分解器以fent和f'為輸入來計算私有特征fp和共享特征fs，所述私有特征fp和共享特征fs被同時輸入給m4-3因果性啟發(fā)的表征器來計算對應(yīng)的因果表征和相關(guān)性矩陣，具體包括如下步驟：

5.根據(jù)權(quán)利要求3所述的一種基于因果正態(tài)性學(xué)習(xí)的視頻異常檢測方法，其特征在于，所述m2-1場景分類器以場景特征fsce為輸入來執(zhí)行場景分類，m2-2場景分類器以fent為輸入來執(zhí)行場景分類；場景特征fsce輸入因果性啟發(fā)正態(tài)性學(xué)習(xí)模塊并確定與糾纏表征fent產(chǎn)生的相關(guān)性矩陣的差異以模擬tde過程來去除場景偏置，具體如下步驟：

6.根據(jù)權(quán)利要求5所述的一種基于因果正態(tài)性學(xué)習(xí)的視頻異常檢測方法，其特征在于，所述異常分?jǐn)?shù)st，計算公式：

技術(shù)總結(jié)
本發(fā)明公開一種基于因果正態(tài)性學(xué)習(xí)的視頻異常檢測方法，包括如下步驟：獲取多場景的監(jiān)控視頻并裁剪為統(tǒng)一尺寸的b幀連續(xù)片段作為訓(xùn)練樣本；構(gòu)建CRCL模型，CRCL模型包括M1場景編碼器、M3運動感知特征抽取器、場景去偏學(xué)習(xí)模塊、因果性啟發(fā)正態(tài)性學(xué)習(xí)模塊和M5聚類模塊，將訓(xùn)練樣本輸入CRCL模型訓(xùn)練，計算相關(guān)性矩陣和損失并利用梯度反向傳播優(yōu)化模型參數(shù)；達到預(yù)設(shè)輪次后，通過M5聚類模塊計算因果表征的聚類中心并最小化聚類損失來求最佳簇；反復(fù)進行輪次訓(xùn)練，直至訓(xùn)練中相鄰兩輪迭代之間損失函數(shù)的下降值滿足設(shè)定閾值或達到最大迭代次數(shù)，輸出訓(xùn)練好的CRCL模型。本發(fā)明能夠提高在多場景環(huán)境下視頻異常檢測性能。

技術(shù)研發(fā)人員：劉洋,滕梁宇,劉靖,郭俊岑,姚姜源,鐘力,宋梁
受保護的技術(shù)使用者：海南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30