一种用于交通视频异常检测的高效方法

由于其在智能交通系统中的相关性，交通视频中的异常检测近来受到广泛关注。由于影响实时交通视频质量的诸多因素（如温度、视角、光照条件等），该问题仍然困难。尽管最先进的方法在可用基准数据集上表现良好，但它们需要大量外部训练数据以及可观的计算资源。在本文中，我们提出一种高效的视频异常检测系统方法，其能够在边缘设备（如路侧摄像机）上运行。所提方法包括一个检测场景变化并去除损坏帧的预处理模块、一个两阶段背景建模模块和一个两阶段目标检测器。最后，一个回溯异常检测算法计算相似性统计量并判定异常的起始时间。我们还提出一种序列变化检测算法，可快速适应新场景并检测相似性统计量的变化。在 2021 AI City Challenge 的 Track 4 测试集上的实验结果表明了所提框架的有效性，我们取得了 0.9157 的 F1 分数以及 8.4027 的均方根误差(RMSE)，并在竞赛中排名第四。