结合高斯过程与层次狄利克雷过程模型的视频事件识别与异常检测
计算机视觉与模式识别
2018-02-12 v1
摘要
本文提出了一种用于分析监控视频中活动与交互的无监督学习框架。在我们的框架中，三个层次的视频事件通过层次狄利克雷过程（HDP）模型相连接：底层视觉特征、简单原子活动以及多智能体交互。原子活动表示为底层特征的分布，而复杂交互表示为原子活动的分布。该学习过程是无监督的。给定一段训练视频序列，基于光流提取底层视觉特征，随后将其聚类为不同的原子活动，并将视频片段聚类为不同的交互。HDP模型自动决定聚类数目，即原子活动与交互的类别数。基于学习到的原子活动和交互，生成训练数据集以训练高斯过程（GP）分类器。随后训练好的GP模型在新捕获的视频中工作，实时对交互进行分类并检测异常事件。此外，由HDP-隐马尔可夫模型（HMM）学习到的视频事件间时间依赖关系被有效整合进GP分类器，以提升新捕获视频中分类的准确率。我们的框架将生成模型（HDP）与判别模型（GP）的优势结合起来。我们给出了详尽的实验，表明我们的框架在拥挤交通场景中实时视频事件分类方面具有优良性能。
引用
@article{arxiv.1802.03257,
title = {Video Event Recognition and Anomaly Detection by Combining Gaussian Process and Hierarchical Dirichlet Process Models},
author = {Michael Ying Yang and Wentong Liao and Yanpeng Cao and Bodo Rosenhahn},
journal= {arXiv preprint arXiv:1802.03257},
year = {2018}
}