如何进行双侧空间窗的异常检测详细方法概述

资料大小: 1.63 MB

所需积分: 0

下载次数:

用户评论: 0条评论,查看

上传日期: 2019-01-11

上 传 者: 易水寒他上传的所有资料

资料介绍

  针对现有异常检测方法难以解释异常属性的问题,本文提出基于双侧空间窗的异常检测方法。首先,在前景检测的基础上,本文对场景边界区域进行双侧空间窗采样,提取双侧空间窗特征;随后,为了提取异常事件的速度属性、相关性属性、时间差属性的提取,本文分析了双侧空间窗的时序互相关理论和实际特性,实现了异常细分属性的描述;最后为了进一步描述目标类别属性,本文使用了基于快速傅里叶变换的外观特征,利用最大间隔思想训练异常检测模型。在真实场景BEHAVE数据库的实验中,可以看出AP和AUC评价指标超出现有对比方法,而且还能在没有先验知识指导的情况下,自动识别出监控场景出入口的位置。

  场景中的异常事件通常伴随着危险和安全隐患,异常检测关注于监控场景中的异常事件识别,已经受到计算机视觉领域的广泛关注。但是,由于场景中内容的不同,在缺少异常清晰定义的情况下,如何实现异常的准确识别,仍然是一项重要的挑战。

  在事件统计方面,异常可以定义为场景中出现的小概率事件,在此基础上,现有方法关注于不同特征提取方法基础上的小概率模型构建。光流特征作为运动描述被广泛使用,Cong 关注于基于光流的运动特征,Hassner 使用带阈值的光流特征ViF ,Nievas 使用SIFT 检测点处的光流特征MoSIFT ,Zhang在光流特征的基础上,添加Weber 梯度和方向的局部描述子MoWLD 。除了光流特征以外,现有方法还考虑时长特征和场景中群体的分布特征,例如,Li 对时间段内的图像序列,进行混合动态纹理特征的小概率建模,Hu 关注于目标跟踪轨迹方面的异常分析,Mehran 关注于人群中不同个体的交互关系,构建一种社会力模型。上述方法使用手工设计特征,该类特征是否符合场景中处在的客观规律,难以验证,也约束了模型的使用范围。

  基于统计学习方法,可以将运动原始特征映射到隐空间,并实现有效的特征编码。稀疏编码是近年来广泛使用的方法,Wang 使用结构稀疏保持的编码方式(SSS: structural semi-supervised),Babagholami使用概率半监督字典的编码方式(PSS: Probabilistic semi-supervised) ,Zhang 进行局部约束的稀疏编码(LSC: Local sparse constraint) 。随着编码效率的提升,现有异常检测方法也改进了分类模型的设计,Wright 使用稀疏表达分类器(SR: Sparse representaTIon) ;而且深度学习也逐渐进入该领域,蔡瑞初使用多尺度时间递归神经网络方法;Xu 提出外感和运动的深度网络结构对异常检测的建模(AMDN:Appearance and MoTIon Deep Net) 。但是,上述方法仍然将异常事件的属性作为黑盒处理,没有清晰的异常规则定义,实际上在真实的场景监控应用中,难以设置知识规则,也难以根据人类的经验对现有异常检测模型进行拓展。

用户评论

查看全部 条评论

发表评论请先 , 还没有账号?免费注册

发表评论

用户评论
技术交流、我要发言! 发表评论可获取积分! 请遵守相关规定。
上传电子资料

本月热点资料

电子资料热门词

最新资料

下载排行

本周

本月

总榜

行业聚焦