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！

龙图腾网获悉西北工业大学申请的专利一种半监督异常行为检测及预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116597508B 。

龙图腾网通过国家知识产权局官网在2025-07-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310456314.1，技术领域涉及：G06V40/20；该发明授权一种半监督异常行为检测及预测方法是由曹聪琦;路悦;王鹏;张艳宁设计研发完成，并于2023-04-26向国家知识产权局提交的专利申请。

本一种半监督异常行为检测及预测方法在说明书摘要公布了：本发明公开了一种半监督异常行为检测及预测方法，首先获取待处理训练或测试视频中设定数量的视频帧，然后在所有帧中裁剪出与其相关的固定大小区域，形成一个待处理人物片段和背景图像；将待处理人物片段和背景图像输入到前向帧预测网络中，将前向帧预测网络输出的人物预测帧以及所提取的背景图像编码，输入到一个反向帧预测网络中，该反向帧预测网络输出所述待处理人物片段的前一部分帧的预测图像；根据前向帧预测网络输出的人物预测帧与已观察的真实人物帧计算误差，实现异常行为检测；根据反向帧预测网络输出的人物预测帧与已观察的真实人物帧计算误差，实现异常行为预测。本发明具有更强的异常行为预测能力。

本发明授权一种半监督异常行为检测及预测方法在权利要求书中公布了：1.一种半监督异常行为检测及预测方法，其特征在于，包括如下步骤： 步骤1：获取待处理视频中设定数量为a的视频帧，经过预处理获取以人为中心的待处理人物片段以及与人无关的背景图像；a为奇数； 步骤1-1：获取以人为中心的待处理人物片段； 使用目标检测器检出所有人的矩形边框，将每个矩形边框的几何中心作为对应人物的中心位置，并以每个人在a个视频帧的中间帧的中心位置为基准，设置一个固定尺寸的新边框，裁剪所有视频帧中以人为中心、大小为固定尺寸边框的图像，形成以人为中心的待处理人物片段； 步骤1-2：获取与人无关的背景图像； 在a个视频帧的中间帧中，将目标检测器检出的所有人的边框区域用黑色掩盖，形成背景图像Ib； 步骤2：构造双向帧预测网络； 双向帧预测网络包含一个前向帧预测网络和一个反向帧预测网络，两者具有相同的结构，每个网络中包含一个图像编码器、一个条件变分自编码器和一个图像解码器； 步骤3：使用获取的待处理训练人物片段和背景图像优化双向帧预测网络的参数； 将待处理的人物片段和背景图像送入双向帧预测网络中，计算输出的预测帧与对应的真实值之间的误差作为第一损失，该损失由前向帧预测和反向帧预测两部分损失构成；同时计算条件变分自编码器中先验分布与后验分布之间的散度作为第二损失，通过反向传播极小化这两个损失值从而训练双向帧预测网络；对所有待处理人物片段都进行相同的操作；具体步骤包括： 步骤3-1：计算前向帧预测网络的帧预测误差损失； 假设当前时刻为第t帧，历史帧数为n，要预测未来α帧内的异常行为，一个待处理训练人物片段总共包含n+α+1帧，表示为{ft-n,…,ft-1,ft,ft+1,…ft+α}，前向帧预测网络将可观察的ft-n,…,ft-1帧作为输入，输出预测的帧；为了训练前向帧预测网络，计算每个预测帧与对应真实帧ft+i之间的均方误差损失和L1损失之和： 其中， 预测帧 f：真实帧 λL1：L1损失的权重 步骤3-2：计算反向帧预测网络的帧预测误差损失； 对于预测第i,i∈[1,α]帧的反向帧预测网络，在训练阶段，将前向网络的预测输出帧与可观察到的帧ft,…,ft+i+1-n相结合形成第一种输入，将前向网络的预测真实帧ft+i,…,ft+1与可观察到的帧ft,…,ft+i+1-n相结合形成第二种输入，将这两种输入送入反向帧预测网络；这两种输入对应输出的预测帧分别表示为和它们对应的预测真实帧都为ft+i-n，计算与ft+i-n和与ft+i-n之间的平均均方误差和L1损失来训练反向帧预测网络： 步骤3-3：计算条件变分自编码器中先验分布与后验分布之间的KL散度； 获取所有需要处理的场景，并对每个场景赋予一个类别标签；然后构造一个图像分类网络作为场景编码器，将所有获取的场景图像作为输入、场景类别标签作为监督信息，训练该场景编码器；训练完成后固定场景编码器的参数；将背景图像Ib送入该场景编码器后得到场景编码； 条件变分自编码器将图像编码器输出的图像编码和所获取的场景编码拼接起来，送入条件变分自编码器的编码器，生成后验分布的参数；然后通过重参数化技术从后验分布中采样隐变量，再次与场景编码拼接后送入条件变分自编码器的解码器，生成以场景为条件的特征图；假设先验分布为标准高斯分布，计算其与后验分布之间的KL散度： 其中， 后验高斯分布的均值 后验高斯分布的方差； 训练整个双向帧预测网络的总损失为前向帧预测、反向帧预测和KL散度之和，KL散度的权重为λKL；对所有待处理训练人物片段计算总损失，并通过最小化总损失联合训练整个模型，得到优化后的双向帧预测网络，总损失表示为： Ltotal＝Lf+Lb+λKLLKL4 步骤4：对获取的待处理测试视频应用优化后的双向帧预测模型进行异常行为检测和预测，计算当前时刻和未来一段时间内的异常概率； 假设当前观测时刻为t，已观察帧表示为{ft-n,…,ft-1,ft}，对于异常行为检测任务，要对当前帧ft计算一个异常概率；对于异常行为预测任务，要对未来一段不可观测帧{ft+1,…,ft+α}计算一个异常概率；具体包含以下步骤： 步骤4-1：对当前时刻计算异常行为检测的异常概率； 对于测试视频中每一个待处理测试人物片段{ft-n,…,ft-1}和背景图像输入训练完成的前向帧预测网络，得到预测的帧然后将预测图像与观察到的真实图像ft使用式1计算误差，即： 在t时刻为了从所有待处理测试人物片段中推理整个帧的异常概率，对该测试视频中所有待处理测试人物片段进行相同处理计算预测误差，将其中最大的误差值作为t时刻的异常概率； 步骤4-2：对未来一段帧计算异常行为预测的异常概率； 对于测试视频中每一个待处理测试人物片段，为了预测第t+ii∈[1,α]帧的异常概率，首先把步骤4-1中预测的图像以及部分已观察图像{ft,…,ft+i+1-n}拼接起来形成再送入反向帧预测网络，输出反向预测的图像然后将与对应的真实帧ft+i-n根据式1计算误差；为了计算该测试人物片段在整个时段[t+1,t+α]的异常概率，计算该时段内反向帧预测的最大误差，代表整个时段的异常概率： 同样地，为了从所有待处理测试人物片段中获取该测试视频未来整个时段[t+1,t+α]的异常概率，对所有待处理测试人物片段进行相同处理计算反向预测误差，将其中最大的误差作为[t+1,t+α]时刻的异常概率。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北工业大学，其通讯地址为：710072 陕西省西安市友谊西路127号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。