-
公开(公告)号：CN107330410B
公开(公告)日：2020-06-30
申请号：CN201710535492.8
申请日：2017-07-03
Applicant: 南京工程学院
Abstract: 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。
-
公开(公告)号：CN107330410A
公开(公告)日：2017-11-07
申请号：CN201710535492.8
申请日：2017-07-03
Applicant: 南京工程学院
Abstract: 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。
-
Search Results
2
records
(took 0.021 seconds)
