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基于隐空间预测模型的场景依赖视频异常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：CN119229338B 。

龙图腾网通过国家知识产权局官网在2025-09-26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：202411185475.2，技术领域涉及：G06V20/40；该发明授权基于隐空间预测模型的场景依赖视频异常检测及预测方法是由曹聪琦;张瀚文;路悦;王鹏;张艳宁设计研发完成，并于2024-08-27向国家知识产权局提交的专利申请。

本基于隐空间预测模型的场景依赖视频异常检测及预测方法在说明书摘要公布了：本发明公开了一种基于隐空间预测模型的场景依赖视频异常检测及预测方法，首先获取待处理视频中预设数量个视频帧，组成输入视频；输入视频片段由前向网络处理，并输出预测的视频帧，将预测的视频帧视为当前帧；通过比较当前帧的预测值与真实值之间的差异判断异常事件是否发生，从而解决视频异常检测任务；将预测的当前帧补充到输入的视频片段后，输出预测的未来帧；当前向网络以自回归的方式预测完预设数量未来帧后，将其输入后向网络；通过比较观测帧的预测值与真实值之间的差异判断未来预设数量帧时间内异常事件是否发生，从而解决视频异常预测任务。本发明方法可以很好地处理场景相关的异常检测和预测。

本发明授权基于隐空间预测模型的场景依赖视频异常检测及预测方法在权利要求书中公布了：1.一种基于隐空间预测模型的场景依赖视频异常检测及预测方法，其特征在于，包括如下步骤： 步骤1：获取待处理视频中预设数量个视频帧，组成输入视频片段，将其输入前后向帧预测网络框架； 步骤2：前后向帧预测网络框架由一个前向网络和一个后向网络组成，两者具有相同的网络架构，采用基于分数的场景依赖自编码器模型进行构建，用于解决异常事件的场景依赖问题； 所述基于分数的场景依赖自编码器模型包括场景通用层级变分自编码器模型、基于分数的扩散模型和场景条件提取模块；所述基于分数的扩散模型将场景通用场景变分自编码器得到的场景通用先验细化为场景依赖先验；基于分数的扩散模型包括前向扩散过程和反向去噪过程； 所述前向扩散过程对场景通用层级变分编码器编码的时空特征进行加噪，该过程由一个连续的时间变量索引，表示为，其中是特征的起始状态，是特征在时间时的扰动；这个扩散过程建模为随机微分方程的解： 其中，是一个向量值函数，视为的漂移系数；而是标量函数，视为的扩散系数；表示时间连续随机过程的标准维纳过程；和使特征完全扰动后的状态在扩散过程结束时遵循正态分布； 通过从中采样，然后反转随机微分方程，训练一个反向去噪模型，表示为： 其中是逆时间维纳过程，是一个无穷小的负时间步长，是在正向扩散过程时间下特征边际分布的得分函数； 所述反向去噪模型通过噪声条件得分网络实现，噪声条件得分网络实现由残差块组成；在残差块中，输入中采样的样本首先通过卷积操作下采样，再通过卷积操作中间处理，最后通过卷积操作上采样，输出预测的噪声进行去噪； 采样场景依赖特征的生成过程可以等效地视为场景通用层级变分自编码器在基于分数的扩散模型的先验上采样；通过最小化负对数似然的变分上界来联合训练场景通用层级变分自编码器和基于分数的扩散模型： 其中是帧预测损失，通过将基于分数的扩散模型的KL散度项分解为其熵项和交叉熵项来优化它，其可以写成： ； 步骤3：输入视频片段由前向网络处理，并输出预测的视频帧，将预测的视频帧视为当前帧； 步骤4：通过比较当前帧的预测值与真实值之间的差异判断异常事件是否发生，从而解决视频异常检测任务； 步骤5：将预测的当前帧补充到输入的视频片段后，并删除视频片段首帧，以保持输入视频帧数目一致，组成新的输入视频片段，将其输入前向网络，输出预测的未来帧； 步骤6：当前向网络以自回归的方式预测完预设数量未来帧后，将这些预设数量预测的未来帧补充到原始输入视频片段后，并删除视频片段头部的预设数量帧，以保持输入视频帧数目一致，然后将其输入后向网络，后向网络基于前向网络预测的帧和观测帧的一部分反向预测观测的帧； 步骤7：通过比较观测帧的预测值与真实值之间的差异判断未来预设数量帧时间内异常事件是否发生，从而解决视频异常预测任务。

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 陕西省西安市碑林区友谊西路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”。

以上内容由龙图腾AI智能生成。