利用收窄正常性簇检测视频中的异常事件
计算机视觉与模式识别
2018-11-20 v4
摘要
我们将异常事件检测问题表述为离群点检测任务,并提出了一种基于 k-means 聚类和单类支持向量机(SVM)的两阶段算法以消除离群点。在特征提取阶段,我们提出用从预训练神经网络的最后卷积层提取的深度表观特征来增强时空立方体。在从仅包含正常事件的训练视频中提取运动和表观特征后,我们应用 k-means 聚类寻找代表不同类型正常运动与表观特征的簇。在第一阶段,我们认为样本较少(相对于给定阈值)的簇主要包含离群点,并整体剔除这些簇。在第二阶段,我们通过在每个剩余簇上训练单类 SVM 模型来收缩剩余簇的边界。为检测测试视频中的异常事件,我们分析每个测试样本并考虑由训练好的单类 SVM 模型给出的最大正常性分数,基于测试样本只能属于一个正常性簇的直觉。若测试样本不能很好地拟合任何收窄正常性簇,则被标记为异常。我们在三个基准数据集上将方法与几种最先进方法进行比较。实证结果表明,我们的异常事件检测框架在大多数情况下能取得更好结果,同时在单 CPU 上以每秒 24 帧实时处理测试视频。
引用
@article{arxiv.1801.05030,
title = {Detecting abnormal events in video using Narrowed Normality Clusters},
author = {Radu Tudor Ionescu and Sorina Smeureanu and Marius Popescu and Bogdan Alexe},
journal= {arXiv preprint arXiv:1801.05030},
year = {2018}
}
备注
Accepted at WACV 2019. arXiv admin note: text overlap with arXiv:1705.08182