没有合适的资源?快使用搜索试试~ 我知道了~
基于深度自编码-高斯混合模型的视频异常检测方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 189 浏览量
2023-02-23
16:46:21
上传
评论 1
收藏 117KB DOCX 举报
温馨提示
试读
10页
基于深度自编码-高斯混合模型的视频异常检测方法.docx
资源推荐
资源详情
资源评论
0. 引 言
视频监控系统越来越多地出现在各种公共场景和私人场所中,以监控人类活动并防止
犯罪发生。毫无疑问,这需要有人观看监控视频,并在发生与正常情况不同的事情时进行
判断并发出警报。然而,这些异常事件并不经常发生,因此大多数时候监控这些视频的人
不会看到任何异常行为。这些不寻常的事件可以被认为是异常,可以将其定义为不符合正
常情况的模式,发现这些不符合正常模式的任务称为异常检测。基于此,研究人员一直在
尝试设计一种强大的异常检测算法,以自动监控和检测监控视频中的异常事件。
异常检测是一项具有挑战性的任务
[1]
:首先,异常事件的定义往往取决于当时的环
境,很难准确地区分正常事件和异常事件。其次,构成异常的不同可能性是无限的。第
三,异常数据点,尤其是真实世界的数据,往往与可能被定义为正常的数据点非常接近。
这些原因导致异常检测任务十分困难,是过去几年研究人员在提出新解决方案时一直在考
虑的问题。
近十年前,大多数研究人员都专注于基于轨迹的异常检测
[2-3]
。主要思想是:如果感兴
趣的对象没有符合学习到的正常轨迹模式,视频将被标记为异常。然而,这种方法的一个
主要缺点是遮挡,因为该方法严重依赖于持续检测跟踪感兴趣的对象。由于这些缺点,研
究者们开始采用底层特征进行特征提取。这些基于低级特征的方法依赖于外观、运动和纹
理特征的使用
[4-6]
。大量的方法已经使用了各种底层运动特征表示来表示视频,如社会力模
型、光流直方图等,但是这些仅基于运动的特征是不够充分的。动态纹理、描述空间和运
动的光流特征、光流空间局部直方图和基于均匀局部梯度模式的光流等特征被提出
[6-7]
。
尽管这些传统方法在基准数据集上取得了成功,但泛化能力较差,在其他场景中使用
时它们仍然无效。此外,它们无法适应以前从未见过的异常。由于这些原因,研究人员探
索使用深度神经网络来完成异常检测任务。这些神经网络能够自动学习有用的判别特征,
从而消除了创建手工特征的麻烦,这也使其在用于不同场景时更具适应性。深度学习被证
明对各种计算机视觉任务有效
[8-9]
,例如图像中的特征提取、图像分类、对象检测、视频分
析和许多其他任务。深度学习技术主要侧重于创建新网络结构或设计适合特定问题的组
件。现有的基于深度学习的视频异常检测方法可以分为四类:(1)基于重构的方法
[10-11]
:
这类方法假设是正常样本的重构误差会更低,因为它们更接近训练数据,而对于不正常的
样本,假设或预期重建误差会更高。这类方法往往基于自编码,它能够将输入编码为更紧
凑的表示的同时保留重要的判别特征,并且还能够将该特定编码解码回其原始形式。(2)
基于预测未来帧的方法
[12-13]
:这类方法主要是通过对基于现有帧对未来帧进行预测,看其
是否符合现有帧的模式进行异常判断。这类方法基于生成对抗网络,它包含生成器和鉴别
器两个网络,前者能够模拟原始数据分布,后者则给出输入是否来自生成器的概率。(3)
基于分类的方法
[14-15]
:这类问题可以看成对一段视频片段进行直接分类,给出其正常或是
异常类别。由于正负例训练样本不在一个数量级,这类方法集中于利用卷积神经网络创建
资源评论
罗伯特之技术屋
- 粉丝: 3747
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功