【无标题】视频异常检测

1.面向监控视频的人群异常事件检测综述

关键词：人群，异常事件，视频

1.1异常事件分类

外观异常，短期运动异常，长期轨迹异常，群体异常，

1.2基于深度学习的视频异常检测方法

①基于重构的方法②基于预测的方法③混合方法

①需要训练大量样本，学习正常事件的特性模式（自动编码器 ）训练模型成本高，无监督

②基于视频帧间的时序依赖性增强特征表示。局限于序列数据异常检测。监督

目标：序列预测而不是异常检测，难捕捉异常数据的特征

③根据测试事件和正常事件知识一致性的异常事件检测方法，采用基于上下文恢复和知识检索的双流框架进行异常检测。

基于时空拼图的视频异常检测方法，将视频异常检测问题作为一个多标签的细粒度分类问题来解决。

1.2.1挑战：异常事件定义具有场景依赖性、异常事件的稀少性、异常样本的不确定性（特征、原因等）及视频信息的多样性。

深度学习：弱化对场景地依赖性

无监督：解决样本不均衡引发的问题。

1.3数据集及评价表准

人群的异常活动较少见，人群异常行为基准数据集的数量较少。

UCSD行人数据集、Avenue数据 集 、UMN 数据集、Street Scene 数据集、Shanghai Tech数据集、UCF Crime数据集、RLVS数据集。treetScene 、tad、ucfcrime

①帧级标准②像素级标准：至少40%真实异常区域的像素被检测为异常③双像素级标准：10%

2.基于深度学习的视频异常检测研究综述

挑战是：（１） 样本不平衡性（２）类内差异显著，异常视频不仅少见而且复 杂，异常事件差异大，很难罗列出所有的异常事件 。 （３）视频的帧级标注困难且受数据隐私性保护，公开的视频异常检测数据集较少。

2.1基于深度学习的视频异常检测模型：非全监督模式

①半监督深度异常检测模型②弱监督深度异常检测模型③无监督深度异常检测模型

①早期的半监督：主要围绕对正常训练样本的特征重构展开（只需要正常视频）

现在：利用空间约束和运动约束来预测未来帧（基于预测），结合卷积神经网络中的语义信息和光流信息评判局部异常（小规模的异常检测数据集）

缺：容易将训练阶段没有接触过的正常视频误判为异常。

②弱监督深度异常检测模型（正常+异常+视频级标注）

优：提供了异常视频、视频级别的标签，缓解半监督检测模式下误报过高的问题

③（正常+异常,使用的非常少，大部分①+③）

应用：利用异常事件的低频性建立生成器和判别器之间的交叉监督，其方法相较于弱监督问题设置和半监督问题设置，无需注释，使得系统能够在无人工干预的情况下运行

挑战：无监督：大多数模型仍然依赖于人工标注等先验信息，仍需要人工干预的条件下进行，另外，在基准数据集方面，大部分的数据集仍是小规模的监控 视频数据集，异常种类单一，应用场景有一定的局限性。