论文部分内容阅读
公共安全一直是人们关注的焦点问题,然而干扰公共秩序甚至妨碍公共安全的异常事件仍时有发生。为了能及时地发现并处理异常事件,视频监控开始出现在生活中的各种场合,摄像头的数量也在急剧攀升,覆盖面越来越广。然而人工筛选视频中的异常事件非常费时费力,如何能自动检测到视频中的异常事件成为了研究的热点。视频作为一种高维时间序列数据,包含了丰富的时空信息。如何能更好地提取出视频中的时空特征来表示视频是区分视频中正常事件和异常事件的关键。本文提出以视频立方块为基本单位,将高阶变分自动编码器(Variational Auto-Encoder,VAE)编码特征与低阶直观描述运动信息的光流直方图(Histogram of Optical Flow,HOF)特征组合成局部时空特征集,从而更完备地表示视频中的时空信息。同时,基于K均值(K-means)聚类算法引入时空特征偏离分数的计算方法,偏离分数与VAE重构误差加权计算得到异常分数。除此之外,本文还提出了基于异常追踪的视频异常检测算法,在异常分数较高的立方块周围以更细的粒度追踪异常目标下一次可能出现的立方块,实现对异常目标的持续追踪。由于视频场景的复杂性,相同的异常目标在不同的视频位置异常分数可能会相差很大。因此,本文对异常概率高的追踪块结合其对应的异常追踪起始块进行异常加权,提高追踪块的异常分数,降低异常漏检率。本文在UCSDped2、Avenue和Shanghai Tech三个公开数据集上进行实验,与目前最好的视频异常检测算法相比取得了有竞争力的实验结果,验证了本文算法的有效性。