本发明涉及计算机视觉领域，尤其涉及一种视频安全监控方法、程序产品、电子设备及存储介质。
背景技术：
1、复杂的背景因素可能导致监控系统的误报和漏报，例如，人流密集区域的误识别为异常行为，或者光线变化导致的画面失真。部分监控系统的摄像头分辨率和清晰度不足，难以捕捉到细节信息。在复杂背景下，这些细节信息可能对于识别异常行为至关重要。
2、例如，商场作为人员密集、背景复杂的公共场所，安全问题一直是管理的重点。商场内部环境复杂，往往存在大量的人流、物品摆放和光线变化。传统的商场监控系统虽然可以录制视频，但在复杂的背景下，对于异常行为的自动检测往往存在困难，容易漏报或误报。因此，开发一种能够在复杂背景下准确识别异常行为的视频理解系统具有重要意义。商场内部环境复杂，往往存在大量的人流、物品摆放和光线变化。这些复杂的背景因素可能导致监控系统的误报和漏报，例如，人流密集区域的误识别为异常行为，或者光线变化导致的画面失真。部分商场监控系统的摄像头分辨率和清晰度不足，难以捕捉到细节信息。在复杂背景下，这些细节信息可能对于识别异常行为至关重要。
技术实现思路
1、本发明提供了一种视频安全监控方法、程序产品、电子设备及存储介质。用于解决复杂背景下监控系统误报和/或漏报的问题。
2、一种视频安全监控方法方法，包括以下步骤：
3、获取视频序列；
4、对所述视频序列进行帧差操作，得到帧差图；
5、根据所述帧差图计算熵值，判断所述熵值是否大于预设阈值；
6、若所述熵值小于所述预设阈值，则重复上述步骤；若所述熵值大于所述预设阈值，获取实时数据，选定目标区域，对所述目标区域进行目标跟踪；
7、通过预训练的神经网络对所述目标跟踪的结果进行动作识别，检测异常。
8、进一步的，所述帧差操作的对象为时间维度上至少相差一帧的图像。
9、进一步的，所述熵值的计算为：首先对所述帧差图进行softmax操作，得到概率变化矩阵，对所述概率变化矩阵求取熵值，得到所述概率变化矩阵的熵的标量值。
10、进一步的，所述目标区域为熵值大的区域；所述对所述目标区域进行目标跟踪为通过预训练的目标检测模型对所述目标区域进行活体检测。
11、进一步的，对所述活体检测的结果进行轨迹预测。
12、进一步的，所述预训练的神经网络为根据预设的异常类型，在相应数据集上预训练的双流神经网络。
13、进一步的，所述预训练的神经网络中设置有注意力机制，用于关注输入特征的时间、空间以及通道的信息。
14、有益效果：
15、针对异常检测中，过去的动作识别没有考虑到背景对于动作的影响，这使得背景对于识别产生极大的偏置这一难题，通过熵值来确定画面中运动剧烈的区域，例如可能发生的斗殴或摔倒的区域，减少冗余信息的干扰，在此基础上，引入了时空注意力机制，通过对时间、空间、通道的关注，获取到时间、空间、通道的权重信息。使得动作识别可更加关注前景中的动作信息，减少背景对动作识别的干扰，从而提高动作识别的准确性。
1.一种视频安全监控方法方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的视频安全监控方法，其特征在于，所述帧差操作的对象为时间维度上至少相差一帧的图像。
3.根据权利要求1或2所述的视频安全监控方法，其特征在于，所述熵值的计算为：
4.根据权利要求3所述的视频安全监控方法，其特征在于，所述目标区域为熵值大的区域；所述对所述目标区域进行目标跟踪为通过预训练的目标检测模型对所述目标区域进行活体检测。
5.根据权利要求4所述的视频安全监控方法，其特征在于，对所述活体检测的结果进行轨迹预测。
6.根据权利要求1所述的视频安全监控方法，其特征在于，所述预训练的神经网络为根据预设的异常类型，在相应数据集上预训练的双流神经网络。
7.根据权利要求6所述的视频安全监控方法，其特征在于，所述预训练的神经网络中设置有注意力机制，用于关注输入特征的时间、空间以及通道的信息。
8.一种计算机程序产品，其特征在于，包括计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任一项所述的视频安全监控方法。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现如权利要求1-7任一项所述的视频安全监控方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时以实现如权利要求1-7任一项所述的视频安全监控方法。
