异常视频的识别方法及其装置、电子设备及存储介质与流程

1.本发明涉及人工智能领域，具体而言，涉及一种异常视频的识别方法及其装置、电子设备及存储介质。


背景技术：

2.随着人工智能技术的发展和进步，使得金融机构业务正在向智能化、轻型化和社区化过渡，金融机构网点将具有面积小、人员少、成本低、业态灵活和多渠道融合等特点。随着金融机构网点社区化进程的建设，越来越多不同角色的用户进入网点享受服务，除了办理传统业务的用户外，还会有不同职业、不同年龄阶段的用户进入网点享受社区化服务。而逐渐轻型化建设的网点在应对突发异常情况时，会存在应对人员不足、采取措施不专业等问题。
3.提前对异常情况进行识别，并向员工进行相应的提示和预警，可以提高金融机构网点对异常情况的应急应对能力。手动监控和分析每一台监控摄像头是极其耗费人力和时间的。因此，迫切需要开发智能视频监控系统来自动完成各种视频监控任务，例如，目标检测和重新识别、动作识别、视频摘要以及异常检测。视频异常检测是作为智能视频监控系统的重要组成部分，可以用来识别监控视频中的突发事件。
4.相关技术中，基于深度学习的视频异常行为识别将视频转换为单帧的图像并提取每帧图像之间的光流信息以此作为神经网络的两个输入，并使用神经网络提取图像的空间信息和运动信息，在获得视频的空间信息和运动信息后，再使用长短时记忆网络(long short-term memory network，简称lstm)、卷积神经网络(convolutional neural network，简称cnn)或实时多域卷积神经网络(real-time multi-domain convolutional neural network，简称rt-mdnet)等对行为进行分类，以此来实现对正常行为和异常行为的分类与识别。
5.然而，相关技术中需要依赖正常事件和异常事件作为输入，来构造、训练和验证人工智能模型。由于现实环境中异常事件的模糊性和稀缺性，准确界定正常事件与异常事件之间的界限是不可行的。因此，相关技术中的机器学习模型在实现异常事件的预测和检测时受制于异常事件的稀缺性很难得到完整的训练。由于异常事件的零星发生，为完全训练模型收集足够的异常事件是一项艰巨的任务。
6.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

7.本发明实施例提供了一种异常视频的识别方法及其装置、电子设备及存储介质，以至少解决相关技术中识别异常视频的准确性较低的技术问题。
8.根据本发明实施例的一个方面，提供了一种异常视频的识别方法，包括：接收目标视频，并对所述目标视频进行处理，得到视频帧数组，其中，所述视频帧数组包括：n个视频帧，n为正整数；对所述视频帧数组中的每个所述视频帧进行特征提取，得到所述目标视频
的视频特征；对所述视频特征进行扩充，得到m个增强片段特征，其中，m为正整数；基于所述视频特征以及所述增强片段特征，确定所述目标视频的异常分数，并在所述异常分数大于预设异常阈值的情况下，确定所述目标视频为异常视频。
9.可选地，所述识别方法还包括：构建初始识别模型，其中，所述初始识别模型的结构包括：预设编码器、预设监督模块、预设对比学习模块，所述预设编码器用于处理输入的视频，得到数组；所述预设监督模块用于处理输入的所述数组，得到视频特征；所述预设对比学习模块用于处理输入的所述视频特征，得到所述视频的预测值；采集历史时间段内的历史视频集合，得到训练数据，其中，所述训练数据包括：l个正常视频样本、至少一个异常视频样本，l为正整数，所述正常视频样本对应有第一真值，所述异常视频样本对应有第二真值；采用所述训练数据训练所述初始识别模型，直到目标损失值在经过预设次数计算后都为相同的值且预测误差小于预设误差阈值，得到训练完成的预设识别模型，其中，目标损失值是通过目标损失函数计算得到的，所述预测误差是视频样本的真值与预测值之间的绝对差值，所述视频样本包括：正常视频样本、异常视频样本，所述预设识别模型用于识别输入的视频是否为异常视频。
10.可选地，在采用所述训练数据训练所述初始识别模型的过程中，还包括：基于所述异常视频样本，进行异常样本扩充，得到k个异常样本，其中，k为正整数，k与l相等，所述异常样本用于扩充所述训练数据，所述异常样本对应有第三真值；基于所述正常视频样本的所述第一真值、第一预测值以及所述异常样本的所述第三真值、第二预测值，采用所述目标损失函数计算所述目标损失值，其中，所述第一预测值是所述初始识别模型对所述正常视频样本的处理结果值，所述第二预测值是所述初始识别模型对所述异常样本的处理结果值；基于所述正常视频样本的所述第一真值、所述第一预测值以及所述异常样本的所述第三真值、所述第二预测值，采用预设峰值信噪比计算所述预测误差。
11.可选地，在采用所述目标损失函数计算所述目标损失值之前，还包括：构建第一损失函数、第二损失函数、第三损失函数；基于预设参数、所述第一损失函数、所述第二损失函数以及所述第三损失函数，构建所述目标损失函数。
12.可选地，所述第一损失函数通过以下方式构建：基于所述视频样本中每个所述视频帧的宽度与高度、所述视频样本的所述真值以及所述预测值，构建预设强度函数；基于所述视频样本中每个所述视频帧的宽度与高度、所述视频样本的所述真值以及所述预测值、第一参数以及第二参数，构建预设梯度函数，其中，所述第一参数以及所述第二参数是预先设置的参数；基于所述预设强度函数以及所述预设梯度函数，构建所述第一损失函数。
13.可选地，所述第二损失函数通过以下方式构建：确定所述视频样本的样本数量以及类别数量；提取每个所述视频样本的视频特征，其中，所述视频特征对应有预设编码；构建与所述视频特征对应的归一化变量；基于所述样本数量、所述类别数量、所述预设编码以及所述归一化变量，构建所述第二损失函数。
14.可选地，所述第三损失函数通过以下方式构建：确定所述正常视频样本、所述异常样本之间的内积；基于所述样本数量、所述类别数量、第三参数以及所述内积，构建所述第三损失函数。
15.可选地，基于所述视频特征以及所述增强片段特征，确定所述目标视频的异常分数的步骤，包括：确定所述视频特征中每一个所述视频帧的预测值，其中，所述视频特征对
应有视频类型，所述视频类型对应有比值分数，所述视频类型是通过预设识别模型识别得到的；基于所有所述预测值，确定第一分数；确定每两个所述增强片段特征之间的相似度值，并基于所有所述相似度值，确定第二分数；基于所述第一分数、所述第二分数以及第三分数，确定所述目标视频的所述异常分数，其中，所述第三分数是所述视频特征对应的所述比值分数。
16.根据本发明实施例的另一方面，还提供了一种异常视频的识别装置，包括：接收单元，用于接收目标视频，并对所述目标视频进行处理，得到视频帧数组，其中，所述视频帧数组包括：n个视频帧，n为正整数；提取单元，用于对所述视频帧数组中的每个所述视频帧进行特征提取，得到所述目标视频的视频特征；扩充单元，用于对所述视频特征进行扩充，得到m个增强片段特征，其中，m为正整数；确定单元，用于基于所述视频特征以及所述增强片段特征，确定所述目标视频的异常分数，并在所述异常分数大于预设异常阈值的情况下，确定所述目标视频为异常视频。
17.可选地，所述识别装置还包括：第一构建模块，用于构建初始识别模型，其中，所述初始识别模型的结构包括：预设编码器、预设监督模块、预设对比学习模块，所述预设编码器用于处理输入的视频，得到数组；所述预设监督模块用于处理输入的所述数组，得到视频特征；所述预设对比学习模块用于处理输入的所述视频特征，得到所述视频的预测值；第一采集模块，用于采集历史时间段内的历史视频集合，得到训练数据，其中，所述训练数据包括：l个正常视频样本、至少一个异常视频样本，l为正整数，所述正常视频样本对应有第一真值，所述异常视频样本对应有第二真值；第一训练模块，用于采用所述训练数据训练所述初始识别模型，直到目标损失值在经过预设次数计算后都为相同的值且预测误差小于预设误差阈值，得到训练完成的预设识别模型，其中，目标损失值是通过目标损失函数计算得到的，所述预测误差是视频样本的真值与预测值之间的绝对差值，所述视频样本包括：正常视频样本、异常视频样本，所述预设识别模型用于识别输入的视频是否为异常视频。
18.可选地，所述识别装置还包括：第一扩充模块，用于在采用所述训练数据训练所述初始识别模型的过程中，基于所述异常视频样本，进行异常样本扩充，得到k个异常样本，其中，k为正整数，k与l相等，所述异常样本用于扩充所述训练数据，所述异常样本对应有第三真值；第一计算模块，用于基于所述正常视频样本的所述第一真值、第一预测值以及所述异常样本的所述第三真值、第二预测值，采用所述目标损失函数计算所述目标损失值，其中，所述第一预测值是所述初始识别模型对所述正常视频样本的处理结果值，所述第二预测值是所述初始识别模型对所述异常样本的处理结果值；第二计算模块，用于基于所述正常视频样本的所述第一真值、所述第一预测值以及所述异常样本的所述第三真值、所述第二预测值，采用预设峰值信噪比计算所述预测误差。
19.可选地，所述识别装置还包括：第二构建模块，用于在采用所述目标损失函数计算所述目标损失值之前，构建第一损失函数、第二损失函数、第三损失函数；第三构建模块，用于基于预设参数、所述第一损失函数、所述第二损失函数以及所述第三损失函数，构建所述目标损失函数。
20.可选地，所述识别装置还包括：第四构建模块，用于构建所述第一损失函数，所述第一损失函数通过以下方式构建：基于所述视频样本中每个所述视频帧的宽度与高度、所述视频样本的所述真值以及所述预测值，构建预设强度函数；基于所述视频样本中每个所
述视频帧的宽度与高度、所述视频样本的所述真值以及所述预测值、第一参数以及第二参数，构建预设梯度函数，其中，所述第一参数以及所述第二参数是预先设置的参数；基于所述预设强度函数以及所述预设梯度函数，构建所述第一损失函数。
21.可选地，所述识别装置还包括：第五构建模块，用于构建所述第二损失函数，所述第二损失函数通过以下方式构建：确定所述视频样本的样本数量以及类别数量；提取每个所述视频样本的视频特征，其中，所述视频特征对应有预设编码；构建与所述视频特征对应的归一化变量；基于所述样本数量、所述类别数量、所述预设编码以及所述归一化变量，构建所述第二损失函数。
22.可选地，所述识别装置还包括：第六构建模块，用于构建所述第三损失函数，所述第三损失函数通过以下方式构建：确定所述正常视频样本、所述异常样本之间的内积；基于所述样本数量、所述类别数量、第三参数以及所述内积，构建所述第三损失函数。
23.可选地，所述确定单元包括：第一确定模块，用于确定所述视频特征中每一个所述视频帧的预测值，其中，所述视频特征对应有视频类型，所述视频类型对应有比值分数，所述视频类型是通过预设识别模型识别得到的；第二确定模块，用于基于所有所述预测值，确定第一分数；第三确定模块，用于确定每两个所述增强片段特征之间的相似度值，并基于所有所述相似度值，确定第二分数；第四确定模块，用于基于所述第一分数、所述第二分数以及第三分数，确定所述目标视频的所述异常分数，其中，所述第三分数是所述视频特征对应的所述比值分数。
24.根据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，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述异常视频的识别方法。
25.根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述异常视频的识别方法。
26.在本公开中，接收目标视频，并对目标视频进行处理，得到视频帧数组，对视频帧数组中的每个视频帧进行特征提取，得到目标视频的视频特征，对视频特征进行扩充，得到m个增强片段特征，基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。在本公开中，可以通过训练好的识别模型先对接收到的目标视频进行处理，以得到可处理的视频帧数组，然后对视频帧数组中的每个视频帧进行特征提取，以得到目标视频的视频特征，再对视频特征进行扩充，以得到多个增强片段特征，之后根据视频特征以及增强片段特征，确定目标视频的异常分数，如果异常分数大于预设异常阈值，则可以确定目标视频为异常视频，通过对视频特征的扩充，能够提高异常视频识别的准确性，进而解决了相关技术中识别异常视频的准确性较低的技术问题。
附图说明
27.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
28.图1是根据本发明实施例的一种可选的异常视频的识别方法的流程图；
29.图2是根据本发明实施例的一种可选的训练识别模型的流程图；
30.图3是根据本发明实施例的一种可选的异常视频的识别装置的示意图；
31.图4是根据本发明实施例的一种用于异常视频的识别方法的电子设备(或移动设备)的硬件结构框图。
具体实施方式
32.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
33.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
34.需要说明的是，本公开中的异常视频的识别方法及其装置可用于人工智能领域在对异常视频进行识别的情况下，也可用于除人工智能领域之外的任意领域在对异常视频进行识别的情况下，本公开中对异常视频的识别方法及其装置的应用领域不做限定。
35.需要说明的是，本公开所涉及的相关信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)，均为经用户授权或者经过各方充分授权的信息和数据，并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准，并提供有相应的操作入口，供用户选择授权或者拒绝。例如，本系统和相关用户或机构间设置有接口，在获取相关信息之前，需要通过接口向前述的用户或机构发送获取请求，并在接收到前述的用户或机构反馈的同意信息后，获取相关信息。
36.本发明下述各实施例可应用于各种对异常视频进行识别的系统/应用/设备中。本发明对于异常事件数据较少无法完全训练模型的问题，提出了一种基于对比学习的异常情况识别方法，在仅包含常规视频的训练集上训练正常模式的模型，在测试时，描述视频中正常模式的学习模型将超出正常模式的事件识别为异常。
37.下面结合各个实施例来详细说明本发明。
38.实施例一
39.根据本发明实施例，提供了一种异常视频的识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
40.图1是根据本发明实施例的一种可选的异常视频的识别方法的流程图，如图1所
示，该方法包括如下步骤：
41.步骤s101，接收目标视频，并对目标视频进行处理，得到视频帧数组，其中，视频帧数组包括：n个视频帧，n为正整数。
42.步骤s102，对视频帧数组中的每个视频帧进行特征提取，得到目标视频的视频特征。
43.步骤s103，对视频特征进行扩充，得到m个增强片段特征，其中，m为正整数。
44.步骤s104，基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。
45.通过上述步骤，可以接收目标视频，并对目标视频进行处理，得到视频帧数组，对视频帧数组中的每个视频帧进行特征提取，得到目标视频的视频特征，对视频特征进行扩充，得到m个增强片段特征，基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。在本发明实施例中，可以通过训练好的识别模型先对接收到的目标视频进行处理，以得到可处理的视频帧数组，然后对视频帧数组中的每个视频帧进行特征提取，以得到目标视频的视频特征，再对视频特征进行扩充，以得到多个增强片段特征，之后根据视频特征以及增强片段特征，确定目标视频的异常分数，如果异常分数大于预设异常阈值，则可以确定目标视频为异常视频，通过对视频特征的扩充，能够提高异常视频识别的准确性，进而解决了相关技术中识别异常视频的准确性较低的技术问题。
46.下面结合上述各步骤对本发明实施例进行详细说明。
47.在本发明实施例中，通过基于对比学习联合多个代理任务来实现视频异常情况识别。与相关技术中使用单一的代理任务来处理视频异常情况识别不同，本实施例引入了多实例辨别代理任务，对比具有不同变换的实例，以区分差异很大的正常模式。
48.在本实施例中，构建的识别模型(即预设识别模型)包含三个模块：3-d编码器(即预设编码器)、自监督任务模块(stm)(即预设监督模块)和对比学习模块(clm)(即预设对比学习模块)。其中，stm由多个并行任务头组成，每个任务头对应一个单独的自监督任务，处理这些任务可以为视频异常情况识别提供自监督信号(即模型算法中的中间参数，用于给出特征的参数)；clm由多个投影头组成，它们将片段级特征投射到嵌入空间中，以捕获有区别的语义特征(即视频片段所具有的内容的特征)。
49.可选地，识别方法还包括：构建初始识别模型，其中，初始识别模型的结构包括：预设编码器、预设监督模块、预设对比学习模块，预设编码器用于处理输入的视频，得到数组；预设监督模块用于处理输入的数组，得到视频特征；预设对比学习模块用于处理输入的视频特征，得到视频的预测值；采集历史时间段内的历史视频集合，得到训练数据，其中，训练数据包括：l个正常视频样本、至少一个异常视频样本，l为正整数，正常视频样本对应有第一真值，异常视频样本对应有第二真值；采用训练数据训练初始识别模型，直到目标损失值在经过预设次数计算后都为相同的值且预测误差小于预设误差阈值，得到训练完成的预设识别模型，其中，目标损失值是通过目标损失函数计算得到的，预测误差是视频样本的真值与预测值之间的绝对差值，视频样本包括：正常视频样本、异常视频样本，预设识别模型用于识别输入的视频是否为异常视频。
50.图2是根据本发明实施例的一种可选的训练识别模型的流程图，如图2所示，该方
法包括如下步骤：
51.步骤s201，构建初始识别模型，其中，初始识别模型的结构包括：预设编码器、预设监督模块、预设对比学习模块，预设编码器用于处理输入的视频，得到数组；预设监督模块用于处理输入的数组，得到视频特征；预设对比学习模块用于处理输入的视频特征，得到视频的预测值。
52.步骤s202，采集历史时间段内的历史视频集合，得到训练数据，其中，训练数据包括：l个正常视频样本、至少一个异常视频样本，l为正整数，正常视频样本对应有第一真值，异常视频样本对应有第二真值。
53.步骤s203，采用训练数据训练初始识别模型，直到目标损失值在经过预设次数计算后都为相同的值且预测误差小于预设误差阈值，得到训练完成的预设识别模型，其中，目标损失值是通过目标损失函数计算得到的，预测误差是视频样本的真值与预测值之间的绝对差值，视频样本包括：正常视频样本、异常视频样本，预设识别模型用于识别输入的视频是否为异常视频。
54.在本发明实施例中，可以先构建初始识别模型(即未训练完成的识别模型)，该初始识别模型的结构包括：预设编码器、预设监督模块、预设对比学习模块，其中，预设编码器用于处理输入的视频，得到数组，预设监督模块用于处理预设编码器输出的数组，得到视频特征，预设对比学习模块用于处理预设监督模块输出的视频特征，得到视频的预测值，各模块的具体结构如下：
55.预设编码器(即3-d编码器)采用三维卷积核来捕获正常事件的时空模式，内核的维度可以定义为{t
×
s2,c}，其中，t、s和c分别表示时间、空间和信道大小。步幅表示为{r
×
s2}，其中，r和s分别表示时间和空间步幅。
56.预设监督模块(即自监督任务模块)中的任务头由完全连接的层、重塑操作和线性层组成。
57.预设对比学习模块(即对比学习模块)中的投影头包含一个完全连接的层、一个l2标准化层和一个线性层。
58.在本发明实施例中，可以采集历史时间段内(如近一年内)的历史视频集合(例如，各金融机构网点的监控视频，包括：正常视频以及偶尔发生的异常视频)，以得到训练数据，该训练数据包括：l(l为正整数)个正常视频样本、至少一个异常视频样本(即训练数据包括大量的正常视频样本以及少量的常视频样本)，正常视频样本对应有第一真值(例如，0,0表示视频是正常视频)，异常视频样本对应有第二真值(例如，1,1表示视频样本是第一类异常视频，也可以是2，2表示视频样本是第二类异常视频)。之后，可以采用训练数据训练初始识别模型，直到通过目标损失函数计算得到的目标损失值趋于稳定(即目标损失值在经过预设次数计算后都为相同的值，目标损失值是通过目标损失函数计算得到的)，并且计算得到的预测误差(预测误差是视频样本(包括：正常视频样本、异常视频样本)的真值与预测值之间的绝对差值，预测误差越小表示模型识别的准确性越高)小于预设误差阈值(可以根据实际情况进行设置)，从而得到训练完成的预设识别模型，之后可以通过该预设识别模型识别输入的视频是否为异常视频。
59.可选地，在采用训练数据训练初始识别模型的过程中，还包括：基于异常视频样本，进行异常样本扩充，得到k个异常样本，其中，k为正整数，k与l相等，异常样本用于扩充
训练数据，异常样本对应有第三真值；基于正常视频样本的第一真值、第一预测值以及异常样本的第三真值、第二预测值，采用目标损失函数计算目标损失值，其中，第一预测值是初始识别模型对正常视频样本的处理结果值，第二预测值是初始识别模型对异常样本的处理结果值；基于正常视频样本的第一真值、第一预测值以及异常样本的第三真值、第二预测值，采用预设峰值信噪比计算预测误差。
60.在本发明实施例中，在采用训练数据训练初始识别模型的过程中，需要扩充异常视频样本，可以通过拼接、镜像等操作进行异常样本扩充，以得到与正常视频样本的数量一致的异常样本，如此可以得到充足数量的样本对进行模型训练(即基于异常视频样本，进行异常样本扩充，得到k(k为正整数，k与l相等)个异常样本，并且，异常样本用于扩充训练数据，异常样本对应有第三真值)。之后，可以通过得到的样本对不断训练识别模型，使得以正常视频样本的第一真值、第一预测值(该第一预测值是初始识别模型对正常视频样本的处理结果值)以及异常样本的第三真值、第二预测值(该第二预测值是初始识别模型对异常样本的处理结果值)为变量，采用目标损失函数计算得到的目标损失值趋于稳定，并且，使得以正常视频样本的第一真值、第一预测值以及异常样本的第三真值、第二预测值为变量，采用预设峰值信噪比计算的预测误差小于设定的较小的值(即预设误差阈值)，从而训练完成。
61.在本发明实施例中，在训练过程中，对于每个视频样本，可以用峰值信噪比测量其预测值与相应真值y之间的预测误差
[0062][0063]
其中，是的最大值，m是y的像素数。峰值信噪比的值高表明y更可能是正常的。
[0064]
可选地，在采用目标损失函数计算目标损失值之前，还包括：构建第一损失函数、第二损失函数、第三损失函数；基于预设参数、第一损失函数、第二损失函数以及第三损失函数，构建目标损失函数。
[0065]
在本发明实施例中，通过结合对预测和自监督任务的约束，联合训练损失(即目标损失函数l)为(即可以先构建第一损失函数、第二损失函数、第三损失函数，然后基于预设参数、第一损失函数、第二损失函数以及第三损失函数，构建目标损失函数):
[0066][0067]
其中，为第一损失函数，为第二损失函数，为第三损失函数，α为预设参数(可以预先进行设置)。
[0068]
在本实施例中，考虑到对比训练通常会消耗大量的计算资源，可以采用动量对比来训练模型，以在小批量下获得更好的性能。
[0069]
可选地，第一损失函数通过以下方式构建：基于视频样本中每个视频帧的宽度与高度、视频样本的真值以及预测值，构建预设强度函数；基于视频样本中每个视频帧的宽度与高度、视频样本的真值以及预测值、第一参数以及第二参数，构建预设梯度函数，其中，第一参数以及第二参数是预先设置的参数；基于预设强度函数以及预设梯度函数，构建第一损失函数。
[0070]
在本发明实施例中，假设一个帧则t个帧可以组成一段视频，表示为si＝{i
i-t+1
,
…
,i
i-1
,ii}，其中，w和h是帧的宽度和高度，是实数集。
[0071]
在本发明实施例中，当异常行为发生时，相应的输入视频片段通常不能包含完整的时空信息，以便正常模式的模型准确预测帧，从而可以检测到异常。设为帧预测任务头，则帧预测任务的强度(即预设强度函数)和(即预设梯度函数)梯度存在以下关系(即可以基于视频样本中每个视频帧的宽度与高度、视频样本的真值以及预测值，构建预设强度函数，然后基于视频样本中每个视频帧的宽度与高度、视频样本的真值以及预测值、第一参数以及第二参数，构建预设梯度函数，第一参数以及第二参数是预先设置的参数，之后基于预设强度函数以及预设梯度函数，构建第一损失函数)：
[0072][0073][0074][0075]
其中，能够体现帧预测任务的难度和工作量，表示真值，是一个数组，用来比较预测结果是否正确的对比值，是数据集本就存在的参数，是中的某一个数，表示相应的预测值，表示一种范数运算，表示第一参数(可以预先进行设置)，表示第二参数(可以预先进行设置)，||||1表示一种范数运算。
[0076]
可选地，第二损失函数通过以下方式构建：确定视频样本的样本数量以及类别数量；提取每个视频样本的视频特征，其中，视频特征对应有预设编码；构建与视频特征对应的归一化变量；基于样本数量、类别数量、预设编码以及归一化变量，构建第二损失函数。
[0077]
在本发明实施例中，为每种类型的视频样本扩充创建一个代理任务，为了解决这些自我监督任务，需要应用多个任务头这些任务头将片段级特征作为输入，然后，利用交叉熵损失来学习每个自监督任务作为分类问题：
[0078][0079]
其中，表示交叉熵损失，用来学习每个自监督任务；表示交叉熵损失，用来学习每个自监督任务；表示归一化变量，用于将预测值归一化，使结果落到分类问题的范围内；k是类别数，是视频特征的真实标签的独热码(即预设编码，真实标签的独热码就是真实值，假如一个视频有8帧，其中第4帧发生了异常行为(例如，客户物品丢失行为等)，可以定义该异常行为的类别编号为1，则这个视频的真实标签独热码就是0001 0000)。
[0080]
在本发明实施例中，不同的自监督任务，对于合并时间上下文信息同样重要(即可以先确定视频样本的样本数量n以及类别数量k，然后提取每个视频样本的视频特征(该视频特征对应有预设编码)，之后可以构建与视频特征对应的归一化变量再基于样本数量、类别数量、预设编码以及归一化变量，构建第二损失函数)：
[0081][0082]
其中，表示第二损失函数，用于合并时间上下文信息。
[0083]
可选地，第三损失函数通过以下方式构建：确定正常视频样本、异常样本之间的内积；基于样本数量、类别数量、第三参数以及内积，构建第三损失函数。
[0084]
在本发明实施例中，对比学习任务用于对比具有不同变换的实例，以区分差异很大的正常模式，鼓励模型捕获正常模式的判别语义信息。
[0085]
在本发明实施例中，假设p表示投影头，将特征f(s)(表示为fs)投影到嵌入空间进行对比学习。线性层用于获取zs＝p(fs)＝w
(1)fs
，并通过l2层进行归一化，其中，zs是线性层的输出，线性层又称为全连接层,其每个神经元与上一个层所有神经元相连,作用是实现对前一层的线性组合或线性变换，w
(1)
是正则表达式的符号。在这种情况下，zs＝p(fs)＝w
(2)
σ(w
(1)fs
)，其中，σ是一个整流线性单元。原始片段si及其扩充片段(即扩充的异常片段，通过对一个异常行为视频片段进行旋转、切割、对称等操作，变成一些新的片段)的特征i被认为是正样本对。
[0086]
在本发明实施例中，对比学习的核心是infonce(即一种损失函数)损失，用于强制正样本对彼此相似，并鼓励负样本对不相似。对比损失表示为(即可以确定正常视频样本、异常样本之间的内积然后基于样本数量n、类别数量k、第三参数τ以及内积，构建第三损失函数)：
[0087][0088]
其中，sim(x,y)＝xty/(||x||2||y||2)表示x和y经l2范数归一化后的内积；参数τ表示第三参数，可以预先进行设置，例如设置为0.07。
[0089]
步骤s101，接收目标视频，并对目标视频进行处理，得到视频帧数组，其中，视频帧数组包括：n个视频帧，n为正整数。
[0090]
在本发明实施例中，在训练好预设识别模型后，可以将待识别的目标视频输入至预设识别模型进行识别，识别过程为先通过预设编码器对目标视频进行处理，以得到视频帧数组(视频帧数组包括：n(n为正整数)个视频帧)，以便于后续对视频帧数组进行处理。
[0091]
步骤s102，对视频帧数组中的每个视频帧进行特征提取，得到目标视频的视频特征。
[0092]
在本发明实施例中，可以通过预设监督模块对视频帧数组中的每个视频帧进行特征提取，以得到目标视频的视频特征。
[0093]
步骤s103，对视频特征进行扩充，得到m个增强片段特征，其中，m为正整数。
[0094]
在本发明实施例中，可以通过预设对比学习模块对视频特征进行扩充(可以通过拼接、镜像、旋转、切割、对称等操作进行视频特征的扩充)，以得到m个(m为正整数)增强片段特征。
[0095]
步骤s104，基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。
[0096]
可选地，基于视频特征以及增强片段特征，确定目标视频的异常分数的步骤，包括：确定视频特征中每一个视频帧的预测值，其中，视频特征对应有视频类型，视频类型对应有比值分数，视频类型是通过预设识别模型识别得到的；基于所有预测值，确定第一分数；确定每两个增强片段特征之间的相似度值，并基于所有相似度值，确定第二分数；基于第一分数、第二分数以及第三分数，确定目标视频的异常分数，其中，第三分数是视频特征对应的比值分数。
[0097]
在本发明实施例中，可以根据视频特征以及增强片段特征，确定目标视频的异常分数(即可以通过预设识别模型给出每个视频的规律性得分s)，如果得到的异常分数大于预设异常阈值(可以根据实际情况进行设置)，则可以确定目标视频为异常视频，具体为：可以先确定视频特征中每一个视频帧的预测值然后根据所有预测值，确定第一分数即对于自监督任务，可以将视频片段通过相应转换增强的平均概率视为异常分数(即第一分数)：
[0098][0099]
其中，n为视频特征中的视频帧数。
[0100]
在本发明实施例中，预设识别模型对给出视频特征对应的视频类型，并给出视频类型对应的比值分数s3(即视频特征对应有视频类型，视频类型对应有比值分数，视频类型是通过预设识别模型识别得到的)。
[0101]
在本发明实施例中，还确定每两个增强片段特征之间的相似度值，并基于所有相似度值，确定第二分数s
tcon
，即对于实例对比任务，将不同增强片段的特征之间的总对比相似性作为规律性得分之后，可以基于第一分数、第二分数以及第三分数(即视频特征对应的比值分数)，确定目标视频的异常分数s：
[0102]
本发明实施例中，基于对比学习模型，在受制于异常事件的稀缺性时，可以仅通过正对比样本对模型进行训练。将金融机构网点的正常情况监控视频作为模型输入，通过3-d编码器对视频帧进行处理，捕捉正常情况下的时空模式，并引入自监督任务模块和对比学习模块实现仅依靠正常情况实现对异常情况的分类和识别。并且，针对金融机构网点可能出现的异常情况进行预测和识别，有助于提高金融机构网点在向智能化、轻型化、社区化方向发展过程中，出现紧急异常情况时的风险应对能力，通过智能视频监控中心远程预判、调度、处理突发紧急情况，可以提升金融机构网点的安保应对能力，节省人力和时间成本。
[0103]
下面结合另一实施例进行详细说明。
[0104]
实施例二
[0105]
本实施例中提供的一种异常视频的识别装置包含了多个实施单元，每个实施单元对应于上述实施例一中的各个实施步骤。
[0106]
图3是根据本发明实施例的一种可选的异常视频的识别装置的示意图，如图3所示，该识别装置可以包括：接收单元30，提取单元31，扩充单元32，确定单元33，其中，
[0107]
接收单元30，用于接收目标视频，并对目标视频进行处理，得到视频帧数组，其中，视频帧数组包括：n个视频帧，n为正整数；
[0108]
提取单元31，用于对视频帧数组中的每个视频帧进行特征提取，得到目标视频的
视频特征；
[0109]
扩充单元32，用于对视频特征进行扩充，得到m个增强片段特征，其中，m为正整数；
[0110]
确定单元33，用于基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。
[0111]
上述识别装置，可以通过接收单元30接收目标视频，并对目标视频进行处理，得到视频帧数组，通过提取单元31对视频帧数组中的每个视频帧进行特征提取，得到目标视频的视频特征，通过扩充单元32对视频特征进行扩充，得到m个增强片段特征，通过确定单元33基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。在本发明实施例中，可以通过训练好的识别模型先对接收到的目标视频进行处理，以得到可处理的视频帧数组，然后对视频帧数组中的每个视频帧进行特征提取，以得到目标视频的视频特征，再对视频特征进行扩充，以得到多个增强片段特征，之后根据视频特征以及增强片段特征，确定目标视频的异常分数，如果异常分数大于预设异常阈值，则可以确定目标视频为异常视频，通过对视频特征的扩充，能够提高异常视频识别的准确性，进而解决了相关技术中识别异常视频的准确性较低的技术问题。
[0112]
可选地，识别装置还包括：第一构建模块，用于构建初始识别模型，其中，初始识别模型的结构包括：预设编码器、预设监督模块、预设对比学习模块，预设编码器用于处理输入的视频，得到数组；预设监督模块用于处理输入的数组，得到视频特征；预设对比学习模块用于处理输入的视频特征，得到视频的预测值；第一采集模块，用于采集历史时间段内的历史视频集合，得到训练数据，其中，训练数据包括：l个正常视频样本、至少一个异常视频样本，l为正整数，正常视频样本对应有第一真值，异常视频样本对应有第二真值；第一训练模块，用于采用训练数据训练初始识别模型，直到目标损失值在经过预设次数计算后都为相同的值且预测误差小于预设误差阈值，得到训练完成的预设识别模型，其中，目标损失值是通过目标损失函数计算得到的，预测误差是视频样本的真值与预测值之间的绝对差值，视频样本包括：正常视频样本、异常视频样本，预设识别模型用于识别输入的视频是否为异常视频。
[0113]
可选地，识别装置还包括：第一扩充模块，用于在采用训练数据训练初始识别模型的过程中，基于异常视频样本，进行异常样本扩充，得到k个异常样本，其中，k为正整数，k与l相等，异常样本用于扩充训练数据，异常样本对应有第三真值；第一计算模块，用于基于正常视频样本的第一真值、第一预测值以及异常样本的第三真值、第二预测值，采用目标损失函数计算目标损失值，其中，第一预测值是初始识别模型对正常视频样本的处理结果值，第二预测值是初始识别模型对异常样本的处理结果值；第二计算模块，用于基于正常视频样本的第一真值、第一预测值以及异常样本的第三真值、第二预测值，采用预设峰值信噪比计算预测误差。
[0114]
可选地，识别装置还包括：第二构建模块，用于在采用目标损失函数计算目标损失值之前，构建第一损失函数、第二损失函数、第三损失函数；第三构建模块，用于基于预设参数、第一损失函数、第二损失函数以及第三损失函数，构建目标损失函数。
[0115]
可选地，识别装置还包括：第四构建模块，用于构建第一损失函数，第一损失函数通过以下方式构建：基于视频样本中每个视频帧的宽度与高度、视频样本的真值以及预测
值，构建预设强度函数；基于视频样本中每个视频帧的宽度与高度、视频样本的真值以及预测值、第一参数以及第二参数，构建预设梯度函数，其中，第一参数以及第二参数是预先设置的参数；基于预设强度函数以及预设梯度函数，构建第一损失函数。
[0116]
可选地，识别装置还包括：第五构建模块，用于构建第二损失函数，第二损失函数通过以下方式构建：确定视频样本的样本数量以及类别数量；提取每个视频样本的视频特征，其中，视频特征对应有预设编码；构建与视频特征对应的归一化变量；基于样本数量、类别数量、预设编码以及归一化变量，构建第二损失函数。
[0117]
可选地，识别装置还包括：第六构建模块，用于构建第三损失函数，第三损失函数通过以下方式构建：确定正常视频样本、异常样本之间的内积；基于样本数量、类别数量、第三参数以及内积，构建第三损失函数。
[0118]
可选地，确定单元包括：第一确定模块，用于确定视频特征中每一个视频帧的预测值，其中，视频特征对应有视频类型，视频类型对应有比值分数，视频类型是通过预设识别模型识别得到的；第二确定模块，用于基于所有预测值，确定第一分数；第三确定模块，用于确定每两个增强片段特征之间的相似度值，并基于所有相似度值，确定第二分数；第四确定模块，用于基于第一分数、第二分数以及第三分数，确定目标视频的异常分数，其中，第三分数是视频特征对应的比值分数。
[0119]
上述的识别装置还可以包括处理器和存储器，上述接收单元30，提取单元31，扩充单元32，确定单元33等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
[0120]
上述处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。
[0121]
上述存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0122]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：接收目标视频，并对目标视频进行处理，得到视频帧数组，对视频帧数组中的每个视频帧进行特征提取，得到目标视频的视频特征，对视频特征进行扩充，得到m个增强片段特征，基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。
[0123]
根据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包括存储的计算机程序，其中，在计算机程序运行时控制计算机可读存储介质所在设备执行上述的异常视频的识别方法。
[0124]
根据本发明实施例的另一方面，还提供了一种电子设备，包括一个或多个处理器和存储器，存储器用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述的异常视频的识别方法。
[0125]
图4是根据本发明实施例的一种用于异常视频的识别方法的电子设备(或移动设备)的硬件结构框图。如图4所示，电子设备可以包括一个或多个(图4中采用402a、402b，
……
，402n来示出)处理器402(处理器402可以包括但不限于微处理器mcu或可编程逻
辑器件fpga等的处理装置)、用于存储数据的存储器404。除此以外，还可以包括：显示器、输入/输出接口(i/o接口)、通用串行总线(usb)端口(可以作为i/o接口的端口中的一个端口被包括)、网络接口、键盘、电源和/或相机。本领域普通技术人员可以理解，图4所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，电子设备还可包括比图4中所示更多或者更少的组件，或者具有与图4所示不同的配置。
[0126]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0127]
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
[0128]
在本技术所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
[0129]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0130]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0131]
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0132]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

技术特征：
1.一种异常视频的识别方法，其特征在于，包括：接收目标视频，并对所述目标视频进行处理，得到视频帧数组，其中，所述视频帧数组包括：n个视频帧，n为正整数；对所述视频帧数组中的每个所述视频帧进行特征提取，得到所述目标视频的视频特征；对所述视频特征进行扩充，得到m个增强片段特征，其中，m为正整数；基于所述视频特征以及所述增强片段特征，确定所述目标视频的异常分数，并在所述异常分数大于预设异常阈值的情况下，确定所述目标视频为异常视频。2.根据权利要求1所述的识别方法，其特征在于，所述识别方法还包括：构建初始识别模型，其中，所述初始识别模型的结构包括：预设编码器、预设监督模块、预设对比学习模块，所述预设编码器用于处理输入的视频，得到数组；所述预设监督模块用于处理输入的所述数组，得到视频特征；所述预设对比学习模块用于处理输入的所述视频特征，得到所述视频的预测值；采集历史时间段内的历史视频集合，得到训练数据，其中，所述训练数据包括：l个正常视频样本、至少一个异常视频样本，l为正整数，所述正常视频样本对应有第一真值，所述异常视频样本对应有第二真值；采用所述训练数据训练所述初始识别模型，直到目标损失值在经过预设次数计算后都为相同的值且预测误差小于预设误差阈值，得到训练完成的预设识别模型，其中，目标损失值是通过目标损失函数计算得到的，所述预测误差是视频样本的真值与预测值之间的绝对差值，所述视频样本包括：正常视频样本、异常视频样本，所述预设识别模型用于识别输入的视频是否为异常视频。3.根据权利要求2所述的识别方法，其特征在于，在采用所述训练数据训练所述初始识别模型的过程中，还包括：基于所述异常视频样本，进行异常样本扩充，得到k个异常样本，其中，k为正整数，k与l相等，所述异常样本用于扩充所述训练数据，所述异常样本对应有第三真值；基于所述正常视频样本的所述第一真值、第一预测值以及所述异常样本的所述第三真值、第二预测值，采用所述目标损失函数计算所述目标损失值，其中，所述第一预测值是所述初始识别模型对所述正常视频样本的处理结果值，所述第二预测值是所述初始识别模型对所述异常样本的处理结果值；基于所述正常视频样本的所述第一真值、所述第一预测值以及所述异常样本的所述第三真值、所述第二预测值，采用预设峰值信噪比计算所述预测误差。4.根据权利要求3所述的识别方法，其特征在于，在采用所述目标损失函数计算所述目标损失值之前，还包括：构建第一损失函数、第二损失函数、第三损失函数；基于预设参数、所述第一损失函数、所述第二损失函数以及所述第三损失函数，构建所述目标损失函数。5.根据权利要求4所述的识别方法，其特征在于，所述第一损失函数通过以下方式构建：基于所述视频样本中每个所述视频帧的宽度与高度、所述视频样本的所述真值以及所
述预测值，构建预设强度函数；基于所述视频样本中每个所述视频帧的宽度与高度、所述视频样本的所述真值以及所述预测值、第一参数以及第二参数，构建预设梯度函数，其中，所述第一参数以及所述第二参数是预先设置的参数；基于所述预设强度函数以及所述预设梯度函数，构建所述第一损失函数。6.根据权利要求4所述的识别方法，其特征在于，所述第二损失函数通过以下方式构建：确定所述视频样本的样本数量以及类别数量；提取每个所述视频样本的视频特征，其中，所述视频特征对应有预设编码；构建与所述视频特征对应的归一化变量；基于所述样本数量、所述类别数量、所述预设编码以及所述归一化变量，构建所述第二损失函数。7.根据权利要求6所述的识别方法，其特征在于，所述第三损失函数通过以下方式构建：确定所述正常视频样本、所述异常样本之间的内积；基于所述样本数量、所述类别数量、第三参数以及所述内积，构建所述第三损失函数。8.根据权利要求1所述的识别方法，其特征在于，基于所述视频特征以及所述增强片段特征，确定所述目标视频的异常分数的步骤，包括：确定所述视频特征中每一个所述视频帧的预测值，其中，所述视频特征对应有视频类型，所述视频类型对应有比值分数，所述视频类型是通过预设识别模型识别得到的；基于所有所述预测值，确定第一分数；确定每两个所述增强片段特征之间的相似度值，并基于所有所述相似度值，确定第二分数；基于所述第一分数、所述第二分数以及第三分数，确定所述目标视频的所述异常分数，其中，所述第三分数是所述视频特征对应的所述比值分数。9.一种异常视频的识别装置，其特征在于，包括：接收单元，用于接收目标视频，并对所述目标视频进行处理，得到视频帧数组，其中，所述视频帧数组包括：n个视频帧，n为正整数；提取单元，用于对所述视频帧数组中的每个所述视频帧进行特征提取，得到所述目标视频的视频特征；扩充单元，用于对所述视频特征进行扩充，得到m个增强片段特征，其中，m为正整数；确定单元，用于基于所述视频特征以及所述增强片段特征，确定所述目标视频的异常分数，并在所述异常分数大于预设异常阈值的情况下，确定所述目标视频为异常视频。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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至8中任意一项所述的异常视频的识别方法。11.一种电子设备，其特征在于，包括一个或多个处理器和存储器，所述存储器用于存储一个或多个程序，其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1至8中任意一项所述的异常视频的识别方法。

技术总结
本发明公开了一种异常视频的识别方法及其装置、电子设备及存储介质，涉及人工智能领域，其中，该识别方法包括：接收目标视频，并对目标视频进行处理，得到视频帧数组，对视频帧数组中的每个视频帧进行特征提取，得到目标视频的视频特征，对视频特征进行扩充，得到M个增强片段特征，基于视频特征以及增强片段特征，确定目标视频的异常分数，并在异常分数大于预设异常阈值的情况下，确定目标视频为异常视频。本发明解决了相关技术中识别异常视频的准确性较低的技术问题。确性较低的技术问题。确性较低的技术问题。


技术研发人员：陈志金 李一樊 王旭 蒋宏伟
受保护的技术使用者：中国工商银行股份有限公司
技术研发日：2023.06.06
技术公布日：2023/9/20