如何进行双侧空间窗的异常检测详细方法概述

　　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。