探索 Magnitude-Shape 图框架在拥挤视频场景中的异常检测
计算机视觉与模式识别
2024-12-31 v1 应用统计
摘要
检测拥挤视频场景中的异常现象对于公共安全至关重要，可实现对潜在威胁的及时识别。本研究探讨了基于函数数据分析框架的视频异常检测，聚焦于 Magnitude-Shape (MS) 图的应用。使用自编码器从无异常训练数据中学习和重建正常行为模式，使正常帧的重建误差较小，而潜在异常帧的重建误差较大。将每个帧的重建误差矩阵视为多变量函数数据，应用 MS-图分析其中的幅度和形状偏差，从而提高异常检测的准确性。凭借其评估偏差幅度和形状的能力，MS-图提供了一个在统计学上具有原则性且具有可解释性的异常检测框架。该方法在两个广泛使用的基准数据集 UCSD Ped2 和 CUHK Avenue 上进行评估，显示出有前景的性能。它优于传统的单变量函数检测器（如 FBPlot、TVDMSS、Extremal Depth 和 Outliergram）以及多个最先进的方法。这些结果凸显了基于 MS-图框架在拥挤视频场景中实现有效异常检测的潜力。
引用
@article{arxiv.2412.20363,
title = {Exploring the Magnitude-Shape Plot Framework for Anomaly Detection in Crowded Video Scenes},
author = {Zuzheng Wang and Fouzi Harrou and Ying Sun and Marc G Genton},
journal= {arXiv preprint arXiv:2412.20363},
year = {2024}
}
备注
21 pages, 4 figures, 10 tables