拥挤场景中基于无监督的异常轨迹检测
计算机视觉与模式识别
2019-07-04 v1 图像与视频处理
摘要
我们提出了一种改进的基于聚类、用于拥挤场景的无监督异常轨迹检测算法。所提工作基于四个主要步骤,即:从拥挤场景视频中提取轨迹、从这些轨迹中提取若干特征、独立的均值漂移(mean-shift)聚类以及异常检测。首先,使用多特征视频目标跟踪器提取人群中所有运动物体的轨迹。随后将这些轨迹变换为一组特征空间。对这些特征矩阵施加均值漂移聚类以获得不同的簇,同时基于香农熵(Shannon Entropy)的异常检测器识别相应的异常。在最后一步,投票机制识别出表现出异常特征的轨迹。该算法在来自数据集的拥挤场景视频上进行了测试。这些视频呈现了具有不同运动模式的各种可能拥挤场景,该方法能很好地检测出场景中预期的异常轨迹。
引用
@article{arxiv.1907.01717,
title = {Unsupervised Anomalous Trajectory Detection for Crowded Scenes},
author = {Deepan Das and Deepak Mishra},
journal= {arXiv preprint arXiv:1907.01717},
year = {2019}
}