本发明涉及数据处理领域，尤其涉及一种视频异常事件检测的方法、装置、设备及介质。
背景技术：
1、在视频异常事件进行检测的过程中，一方面，由于对于同一个事件其所处的时空上下文场景不同，异常事件的属性定义可能不相同，需要对异常事件定义场景的相关性；另一方面，由于异常事件发生的频率远低于正常事件，并且持续过程极端较难被记录，因此缺乏可用的较大容量的异常事件样本。
2、在视频异常事件检测的相关技术中，通过半监督学习的方式进行视频异常事件检测，大多依赖结构复杂、规模庞大、参数众多的卷积神经网络模型来保证较高检测精度，需要收集所有类型的正常事件样本并进行人工标注来构建一个完美的正常事件模型。
技术实现思路
1、有鉴于此，本发明提出了一种视频异常事件检测的方法、装置、设备及介质，至少解决了上述在视频异常事件检测的相关技术中，通过半监督学习的方式进行视频异常事件检测，大多依赖结构复杂、规模庞大、参数众多的卷积神经网络模型来保证较高检测精度，需要收集所有类型的正常事件样本并进行人工标注来构建一个完美的正常事件模型的问题。
2、基于以上目的，本发明的实施例的一个方面提供了一种数据交换的方法，包括：基于滑动窗口对视频序列进行预处理得到视频分块；提取所述视频分块中用于表达表观信息的梯度特征立方体和用于表达运动信息的光流特征立方体；对所述梯度特征立方体基于主成分分析网络算法进行分块采样后进行差异扩展化操作，以从所述梯度特征立方体中提取每个分块对应的特征图；计算所述每个分块对应的特征图的特征分布的标准差，得到对应的表观信息异常值，并基于光流特征计算所述光流特征立方体的运动信息异常值；对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后与预设的异常阈值比较来判断是否为异常分块，以定位异常事件位置。
3、在一些实施例中，所述对所述梯度特征立方体基于主成分分析网络算法进行分块采样后进行差异扩展化操作，以从所述梯度特征立方体中提取每个分块对应的特征图的步骤包括：对所述梯度特征立方体中任意梯度单元按像素大小进行分块采样后获取重叠的采样分块；计算所述重叠的采样分块在其所对应的梯度单元中的最大梯度值以及最小梯度值，基于所述最大梯度值和所述最小梯度值增大不同采样块之间的差异，以从所述梯度特征立方体中提取每个分块对应的特征图。
4、在一些实施例中，所述基于滑动窗口对视频序列进行预处理得到视频分块的步骤包括：设置用于对视频序列进行预处理的滑动窗口的宽度、高度以及时间深度；按照所述滑动窗口将每帧视频图像划分为三维时空立方体，得到视频分块。
5、在一些实施例中，所述基于光流特征计算所述光流特征立方体的运动信息异常值的步骤包括：对所述光流特征立方体所包含的所有像素的光流幅值求和得到对应的运动信息异常值。
6、在一些实施例中，所述对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后与预设的异常阈值比较来判断是否为异常分块，以定位异常事件位置的步骤包括：响应于对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后的结果大于所述预设的异常阈值，确认视频分块为异常分块。
7、在一些实施例中，所述对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后与预设的异常阈值比较来判断是否为异常分块，以定位异常事件位置的步骤还包括：判断与异常分块相邻的视频分块是否同时为异常分块；响应于与异常分块相邻的至少一个视频分块同时为异常分块，定位异常事件位置。
8、在一些实施例中，所述对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后与预设的异常阈值比较来判断是否为异常分块，以定位异常事件位置的步骤还包括：响应于对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后的结果不大于所述预设的异常阈值，确认视频分块为正常分块。
9、本发明实施例的另一方面，还提供一种视频异常事件检测装置，包括：预处理模块，用于基于滑动窗口对视频序列进行预处理得到视频分块；特征立方体划分模块，用于提取所述视频分块中用于表达表观信息的梯度特征立方体和用于表达运动信息的光流特征立方体；特征提取模块，用于对所述梯度特征立方体基于主成分分析网络算法进行分块采样后进行差异扩展化操作，以从所述梯度特征立方体中提取每个分块对应的特征图；异常值计算模块，用于计算所述每个分块对应的特征图的特征分布的标准差，得到对应的表观信息异常值，并基于光流特征计算所述光流特征立方体的运动信息异常值；以及异常判断模块，用于对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后与预设的异常阈值比较来判断是否为异常分块，以定位异常事件位置。
10、本发明实施例的另一方面，还提供了一种计算机设备，包括至少一个处理器；以及存储器，存储器存储有可在处理器上运行的计算机指令，指令由处理器执行时实现上述方法的步骤。
11、本发明实施例的另一方面，还提供了一种计算机可读存储介质，计算机可读存储介质存储有被处理器执行时实现如上述方法步骤的计算机程序。
12、本发明至少具有以下有益效果：本发明提出的一种视频异常事件检测的方法根据每个视频帧内每个局部视频分块对应的特征图的特征分布计算异常值用于异常判别，不依赖人工预先标注的训练样本，可以在无监督设置下进行异常事件检测，同时所使用的主成分分析网络算法是一种简化的卷积神经网络，卷积层数少、参数量不大，在特征提取过程无需消耗大量计算资源。
1.一种视频异常事件检测的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述对所述梯度特征立方体基于主成分分析网络算法进行分块采样后进行差异扩展化操作，以从所述梯度特征立方体中提取每个分块对应的特征图的步骤包括：
3.根据权利要求1所述的方法，其特征在于，所述基于滑动窗口对视频序列进行预处理得到视频分块的步骤包括：
4.根据权利要求1所述的方法，其特征在于，所述基于光流特征计算所述光流特征立方体的运动信息异常值的步骤包括：
5.根据权利要求1所述的方法，其特征在于，所述对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后与预设的异常阈值比较来判断是否为异常分块，以定位异常事件位置的步骤包括：
6.根据权利要求5所述的方法，其特征在于，所述对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后与预设的异常阈值比较来判断是否为异常分块，以定位异常事件位置的步骤还包括：
7.根据权利要求1所述的方法，其特征在于，所述对所述每个视频分块的表观信息异常值和运动信息异常值进行加权融合后与预设的异常阈值比较来判断是否为异常分块，以定位异常事件位置的步骤还包括：
8.一种视频异常事件检测装置，其特征在于，包括：
9.一种计算机设备，其特征在于，包括：
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有被处理器执行时实现权利要求1-7任意一项所述方法的步骤的计算机程序。
