一种后厨监控环境的异常事件检测方法与流程

本发明属于后厨监控环境的异常事件检测，具体地涉及一种后厨监控环境的异常事件检测方法。

背景技术：

1、后厨行为监测是应用于餐饮业的关键技术，由于后厨环境复杂，常见的问题存在烟雾、蒸汽以及照明不佳等，这些因素可能会对视频监控的清晰度造成影响，导致降低行为检测的准确性；后厨工作人员行为多样且变化频繁，这进一步提高行为检测的困难。传统的视频异常检测方法在这种环境下效果不佳，难以区分正常行为与潜在的违规行为。

2、随着视频监控技术的快速发展，视频序列中的异常检测引起极大的关注。其中广泛采用的一种解决方案是深度自编码器，该方法基于重构误差的最小化来训练，鼓励模型在其潜在空间中提取代表正常数据的特征。在测试时，预期网络会对异常情况进行较差的重构。但自编码器在实际应用中有时也会误将异常行为误判为正常。这种现象说明，仅仅依靠重构损失的差异来识别异常情形，往往效果有限。

技术实现思路

1、为了解决现有方法采用深度自编码器对后厨环境监控存在误判、准确性不高的问题,本发明提供一种后厨监控环境的异常事件检测方法,其可提高检测的准确性和效率。

2、本发明的目的通过以下技术方案来实现：

3、本发明第一方面提供一种后厨监控环境的异常事件检测方法，包括以下步骤：

4、将均包含连续t帧的非合成视频片段和合成异常视频片段作为编码器的输入，得到视频帧的视频特征，所述编码器包括3d卷积层、掩码卷积层和通道关联自注意力机制，其中，所述3d卷积层用于在视频帧片段使用3d卷积核，3d卷积核在时间和空间上进行滑动以计算相邻帧之间的变化特征，所述掩码卷积层用于取视频帧四个角落部分像素点进行卷积操作，所述通道关联自注意力机制用于使块输入和输出之间能够进行非线性处理；

5、将所述视频特征输入解码器中重建生成预测视频帧；

6、将所述预测视频帧中的一视频帧和对应的非合成视频片段中的一真实视频帧输入至训练好的预测模型中，得到异常行为检测结果。

7、本发明与现有技术相比，至少具有以下优点和有益效果：

8、1、本发明通过引入合成异常片段模拟后厨监控环境中可能出现的各类异常行为，这种方法提高模型对实际异常事件的识别能力和泛化能力显著提升后厨异常事件检测的准确性和效率，增强整个视频监控系统的实用性和可靠性。

9、2、本方案通过融合3d卷积层和通道关联自注意力机制，实现对后厨环境中复杂的时空特征深入提取，这种结合增强模型对视频中异常行为的识别能力；通过掩码3d卷积和多头注意力机制，提高模型在处理未来帧信息时的鲁棒性，使模型更准确地关注和识别与异常行为检测密切相关的关键特征。

技术特征：

1.一种后厨监控环境的异常事件检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种后厨监控环境的异常事件检测方法，其特征在于：所述将包含连续t帧的非合成视频片段和合成异常视频片段作为编码器的输入，之前还包括：

3.根据权利要求2所述的一种后厨监控环境的异常事件检测方法，其特征在于：所述生成合成异常视频片段包括：

4.根据权利要求1所述的一种后厨监控环境的异常事件检测方法，其特征在于：所述通道关联自注意力机制用于对特征图在通道维度上分解为查询、键和值矩阵，根据查询与键计算点积，得到注意力得分。

5.根据权利要求1所述的一种后厨监控环境的异常事件检测方法，其特征在于：所述3d卷积层包括conv3(3,2,96)、conv3(3,2,128)和conv3(3,2,256)。

6.根据权利要求1所述的一种后厨监控环境的异常事件检测方法，其特征在于：所述将所述预测视频帧和非合成视频片段中的真实视频帧输入至训练好的预测模型中，之后还包括：

7.根据权利要求6所述的一种后厨监控环境的异常事件检测方法，其特征在于：所述比较所述预测视频帧与所述视频片段的差异，包括：

8.根据权利要求1所述的一种后厨监控环境的异常事件检测方法，其特征在于：所述将所述预测视频帧中的一视频帧和对应的非合成视频片段中的一真实视频帧输入至训练好的预测模型中，包括：

技术总结本发明公开了一种后厨监控环境的异常事件检测方法,包括以下步骤：将均包含连续t帧的非合成视频片段和合成异常视频片段作为编码器的输入，得到视频帧的视频特征，编码器包括3D卷积层、掩码卷积层和通道关联自注意力机制；将视频特征输入解码器中重建生成预测视频帧；将预测视频帧中的一视频帧和对应的非合成视频片段中的一真实视频帧输入至训练好的预测模型中，得到异常行为检测结果。其可提高检测的准确性和效率。技术研发人员：刘卫东,穆辉宇,张鹏宇,王峰,周黎明,曹朝阳,刘扬,杜疆,李勇敢,刘云飞,刘健,远程,王雅娣,崔奇,魏紫,曹留建,刘方,赵苗苗,李耀峰,陈玉汝,赵英浩,崔伟受保护的技术使用者：河南省公平竞争审查事务中心技术研发日：技术公布日：2024/8/1