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！

龙图腾网获悉安徽大学申请的专利一种基于因果时间关系模块的视频异常检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：CN116597352B 。

龙图腾网通过国家知识产权局官网在2025-11-25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：202310555091.4，技术领域涉及：G06V20/40；该发明授权一种基于因果时间关系模块的视频异常检测方法是由唐俊;李燕;王科;段章领设计研发完成，并于2023-05-16向国家知识产权局提交的专利申请。

本一种基于因果时间关系模块的视频异常检测方法在说明书摘要公布了：本发明公开了一种基于因果时间关系模块的视频异常检测方法，该方法包括：首先收集视频数据作为训练集与测试，将其并划分为不重叠的片段，将视频视为包、片段视为示例；将视频示例输入至特征提取网络I3D中来提取其原始特征；利用因果时间关系模块来提取包含时间依赖关系的增强特征，将其输入到全连接层得到示例的异常得分，再通过设计的损失函数来训练模型；测试阶段将视频示例的原始特征输入最优的异常检测模型中，将预测结果与测试集的标签比对得到异常检测的准确率。本方法基于视频级标签，仅使用当前和历史的帧信息通过因果时间关系模块来提取时间相关性，有利于异常的在线检测，提升了异常检测的精度。

本发明授权一种基于因果时间关系模块的视频异常检测方法在权利要求书中公布了：1.一种基于因果时间关系模块的视频异常检测方法，其特征在于，包括以下步骤： S1：首先收集视频数据，将其划分为训练集和测试集，再将每个视频划分为一个个互不重叠、帧数相同的片段，将每个视频视为一个包，异常视频和正常视频分别被定义为正包和负包，将片段视为一个个示例； S2：再分别将训练集和测试集视频示例的RGB图像和光流图像输入到膨胀卷积网络I3D中得到其视觉特征与运动特征，对二者进行拼接操作即可以得到该视频的原始特征； S3：将S2中得到的原始特征输入到因果时间卷积模块中，利用当前示例和之前的示例特征来增强当前帧信息与历史帧信息之间的交互，进而获得视频的前后时间依赖关系，得到包含时间信息的增强特征； S4：将S3中得到的增强特征输入到全连接层网络中，得到每个示例的异常得分，分数值越大意味着是异常片段的可能性越大； S5：选择每个视频包中异常得分最大的k个示例其中k统一设置为4，利用分类损失、平滑损失和稀疏损失来训练S3、S4中的视频异常检测模型，得到一组最优的模型参数； S6：测试阶段，将得到的每个示例的异常得分，与设定的阈值作比较，比阈值大则判定为异常，反之判定为正常；测试集标签为帧级的，将预测结果与真实标签比对得到视频异常检测的准确率； 所述步骤S2中，提取视频特征的步骤具体包括： S2-1：膨胀卷积网络I3D包含两个并行的3D卷积模块，将每个视频全部示例的RGB图像输入到I3D的其中一个分支，提取每个示例的视觉特征； S2-2：将视频示例的光流图像输入到I3D的另外一个3D卷积分支中，提取视频的运动特征； S2-3：拼接视觉特征和运动特征，得到视频的原始特征； 原始特征经过因果时间关系模块得到增强特征具体包括： S3-1：因果时间关系模块旨在通过时间注意力机制从历史信息和当前特征中聚合有用的信息，公式如下所示： 其中，Xn,t表示此刻的特征，Xn,t-Δt:t＝{Xn,t-Δt,Xn,t-Δt+1,...,Xn,t}表示前Δt个示例的特征，Δt表示此区间中示例的数量，通过点积操作来计算此刻示例Xn,t与前Δt个示例Xn,t-Δt:t的语义相似性，再通过softmax归一化计算得到最终的特征相似性矩阵； S3-2：R表示相对位置，即{-Δt,...,-1,0}，使用softmax归一化来计算最终的位置先验矩阵，距离当前距离越远，信息的衰减就越多，位置先验矩阵是恒定的常数，不随输入特征而改变； S3-3：将语义相似性矩阵和位置先验矩阵拼接起来，再与该示例的特征进行元素相乘，得到包含视频局部时间依赖关系的增强特征。

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安徽大学，其通讯地址为：230601 安徽省合肥市经济技术开发区九龙路111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。