農(nóng)健 陳偉業(yè)

（梧州學(xué)院 廣西壯族自治區(qū)梧州市 543000）

1 引言

室內(nèi)外監(jiān)控的數(shù)量越來(lái)越多的，傳統(tǒng)的人為檢測(cè)視頻異常的方法的弊端逐漸暴露出來(lái)，比如因?yàn)楣ぷ魅藛T本身的疏忽或者視頻信息的繁雜，導(dǎo)致視頻監(jiān)控檢測(cè)任務(wù)的效率不高。因此，采取智能監(jiān)控視頻自動(dòng)檢測(cè)異常行為對(duì)于維護(hù)公共安全和社會(huì)秩序有著極其重要的作用。從智能監(jiān)控系統(tǒng)的需求出發(fā)，國(guó)外學(xué)者Valera歸納總結(jié)了自動(dòng)異常檢測(cè)監(jiān)控系統(tǒng)的基本框架，還有許多西方發(fā)達(dá)國(guó)家都非常重視系統(tǒng)結(jié)構(gòu)的公共交通行人監(jiān)控項(xiàng)目來(lái)提升視頻監(jiān)控異常檢測(cè)的效率，比如CROMATICA和PRISMATICA。我國(guó)學(xué)者也發(fā)起了實(shí)時(shí)智能視頻監(jiān)控預(yù)警系統(tǒng)，在北京地鐵13號(hào)線得到了成功的應(yīng)用，這有利于提升視頻監(jiān)控檢測(cè)異常行為的效率，犯罪率得到了有效的降低。

為了研究清楚視頻監(jiān)控系統(tǒng)異常目標(biāo)檢測(cè)與定位，首先就需要明確異常的含義，不同的視頻對(duì)于異常有著不同的定義，因此異常的定義標(biāo)準(zhǔn)取決于視頻監(jiān)控?cái)?shù)據(jù)的本身，一般來(lái)說(shuō)，將視頻中出現(xiàn)的小概率事件就被稱為異常行為。其次異常行為又被分為全局異常和局部異常，全局異常指的是在整個(gè)場(chǎng)景里，所有人的行為都是異常的，這類(lèi)異常是從視頻數(shù)據(jù)的某一幀開(kāi)始就整個(gè)視頻場(chǎng)景而言出現(xiàn)的異常行為。比如當(dāng)商場(chǎng)發(fā)生火災(zāi)的時(shí)候，人們都非常害怕，從四面八方涌向出口。局部異常指的是在視頻中個(gè)人行為與其他周?chē)说男袨椴煌热缬幸恍┤嗽诓叫薪值津T自行車(chē)或者別人都在吃飯的時(shí)候，有一個(gè)人只是呆呆地坐著玩手機(jī)等。視頻異常檢測(cè)就是從大量的視頻數(shù)據(jù)中檢測(cè)出異常世界，從而能夠更好的維護(hù)公共安全和社會(huì)秩序。一般來(lái)說(shuō)主要包括三個(gè)步驟，首先是前景提取檢測(cè)到運(yùn)動(dòng)目標(biāo)，提取目標(biāo)的行為特征，根據(jù)異常行為識(shí)別分類(lèi)的標(biāo)準(zhǔn)來(lái)檢測(cè)目標(biāo)的行為是否異常。

2 前景提取和目標(biāo)檢測(cè)

一般情況下，視頻監(jiān)控中的異常目標(biāo)都是運(yùn)動(dòng)的物體和目標(biāo)，但是如果視頻中有大面積的背景和靜止的物體，這在某種程度上會(huì)增加目標(biāo)異常檢測(cè)工作的難度，還有監(jiān)控視頻中還有可能會(huì)錄進(jìn)去各種各樣噪音，這就使得特征提取和行為表示更加困難，這在某種程度上降低了異常檢測(cè)的效率。因此，運(yùn)動(dòng)目標(biāo)檢測(cè)是智能異常檢測(cè)系統(tǒng)的重要組成部分。傳統(tǒng)的目標(biāo)異常檢測(cè)方法主要有幀差法、光流法等，所謂的偵差法指的是通過(guò)相鄰幀之間的對(duì)比變化來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)的行為。光流法指的事將一個(gè)視頻幀在視覺(jué)運(yùn)動(dòng)傳感器的成像平面上的表達(dá)，常用的流光法主要有HS和HK。目前，在檢測(cè)監(jiān)控視頻異常行為的時(shí)候，需要用到流光法來(lái)剔除視頻背景信息得到運(yùn)動(dòng)目標(biāo)的二維圖像和三維時(shí)空興趣塊，比如Roberto等人對(duì)于監(jiān)控視頻進(jìn)行有效檢測(cè)，得到相關(guān)的二維圖像，再進(jìn)行特征提取和行為表示。還有Zhou Shifu等人采用光流法來(lái)提取運(yùn)動(dòng)信息的三維時(shí)空興趣塊，以此來(lái)輸入三維卷積網(wǎng)絡(luò)，這方法能夠有效降低背景信息對(duì)于行為特征信息的影響，這有利于提升異常行為檢測(cè)的效率和水平。

3 特征提取和行為表示

在研究監(jiān)控視頻異常行為的時(shí)候，高效的行為特征提取以及異常行為的快速檢測(cè)對(duì)于提升視頻監(jiān)控系統(tǒng)異常目標(biāo)檢測(cè)與定位效率有著極其重要的作用，因此，國(guó)內(nèi)外許多專家學(xué)者也提出各種各樣的方法來(lái)進(jìn)行特征提取和行為表示。就目前的情況來(lái)看，特征提取主要分為兩類(lèi):一是通過(guò)手動(dòng)設(shè)計(jì)的方式來(lái)提取特征，包括紋理、空間興趣點(diǎn)、廣流等，二是對(duì)于原始視頻幀進(jìn)行深度學(xué)習(xí)，得到運(yùn)動(dòng)目標(biāo)深度學(xué)習(xí)特征，兩種特征提取方式都以生物神經(jīng)理論為基礎(chǔ)，不同點(diǎn)在于手動(dòng)設(shè)計(jì)提取特征是模仿人類(lèi)視覺(jué)框架來(lái)實(shí)現(xiàn)的，而深度作息特征提取在于對(duì)數(shù)據(jù)本身的規(guī)律進(jìn)行學(xué)習(xí)。

3.1 人工設(shè)計(jì)特征行為表示

人工設(shè)計(jì)特征主要是根據(jù)人類(lèi)視覺(jué)特征的敏感度從圖像中提取出有區(qū)分能力的特征，明確相關(guān)的物理含義。目前，常用的視頻異常檢測(cè)的人工設(shè)計(jì)特征主要包括紋理特征(MDT GLCM)、空間興趣點(diǎn)(GSTIP MiSIFJ SIFT)等，比如Li Weixin等人用動(dòng)態(tài)紋理混合對(duì)于正常人的行為進(jìn)行建模，在根據(jù)異常行為的標(biāo)準(zhǔn)對(duì)于運(yùn)動(dòng)目標(biāo)的行為進(jìn)行判斷，如果出現(xiàn)了異常值，就會(huì)被稱為異常事件。在這一基礎(chǔ)之上，Wang J從時(shí)空視頻的角度出發(fā)，構(gòu)建出一套完整的時(shí)空紋理模型，將所有的視頻監(jiān)控?cái)?shù)據(jù)在人群紋理中的特征空間與模板行為進(jìn)行比對(duì)，以此來(lái)實(shí)現(xiàn)異常檢測(cè)的目的。Aravinda.Rao等人從統(tǒng)計(jì)學(xué)的角度出發(fā)對(duì)于異常行為的對(duì)比度、相關(guān)性等進(jìn)行描述，以此為基礎(chǔ)構(gòu)建起異常行為框架，再將人群中的異常行為進(jìn)行時(shí)空表達(dá)。從顯著性的角度來(lái)說(shuō)，我國(guó)研究學(xué)者提出異常事件檢測(cè)方法。一方面通過(guò)對(duì)于連續(xù)視頻幀之間的特征點(diǎn)，來(lái)構(gòu)建起時(shí)空異常顯著圖，另一方面通過(guò)顏色對(duì)比來(lái)構(gòu)造空間異常顯著圖，這有利于提升異常事件檢測(cè)的準(zhǔn)確性和有效性。MoSIFT是一種有效的行為特征描述方法，不僅能夠檢測(cè)出異常目標(biāo)的興趣點(diǎn)，而且還能夠通過(guò)興趣點(diǎn)光流強(qiáng)度來(lái)判斷行為目標(biāo)的運(yùn)動(dòng)強(qiáng)度，這一方法對(duì)于異常行為檢測(cè)來(lái)說(shuō)，有著極其重要的作用。比如通過(guò)MoSIFT算法來(lái)提取監(jiān)控視頻的特征，再利用核密度估計(jì)對(duì)于MoSIFT進(jìn)行特征選擇，以此來(lái)更好地消除其它信息對(duì)判斷結(jié)果的影響。從Harris角度出來(lái)，對(duì)于監(jiān)控視頻中的局部變化的部分建立起時(shí)空局部結(jié)構(gòu)，以此來(lái)計(jì)算時(shí)空描述符，將空間興趣的概念不斷向外拓展，從而能夠不斷提升監(jiān)控視頻異常行為檢測(cè)的效果。除此之外，針對(duì)彩色圖像運(yùn)動(dòng)行為目標(biāo)描述的問(wèn)題，Insaf Bellamine對(duì)于監(jiān)控視頻圖像進(jìn)行結(jié)構(gòu)和紋理分析，以此來(lái)得到時(shí)空興趣點(diǎn)，對(duì)于監(jiān)控視頻中的運(yùn)動(dòng)目標(biāo)進(jìn)行準(zhǔn)確有效的描述。還有異常目標(biāo)都伴隨著運(yùn)動(dòng)目標(biāo)的快速變化，光流法被廣泛應(yīng)用有異常目標(biāo)檢測(cè)中，通過(guò)光流對(duì)于運(yùn)動(dòng)粒子來(lái)區(qū)分運(yùn)動(dòng)目標(biāo)的正常行為和非正常行為，還有采用光流多尺度直方圖來(lái)提取目標(biāo)的行為特征，MHOF不僅能夠表達(dá)目標(biāo)的運(yùn)動(dòng)信息，而且還應(yīng)該表達(dá)目標(biāo)的空間信息，以此來(lái)區(qū)分正常事件和非正常事件，在全局檢測(cè)中取得了良好的效果。還有為了提取監(jiān)控視頻運(yùn)動(dòng)目標(biāo)的局部區(qū)域特征，對(duì)于視頻幀進(jìn)行分割，得到各個(gè)區(qū)域空間的光流信息，以此為基礎(chǔ)建立MRF模型來(lái)檢測(cè)監(jiān)控視頻中的正常事件和非正常事件。從光流技術(shù)的角度出發(fā)，研究人員利用SL-HOF和ULGP-OF來(lái)提取視頻特征，SL-HOF能夠捕捉到時(shí)空興趣點(diǎn)，ULGP-OF包含了2D紋理描述符和光流算法，在定位視頻前景信息時(shí)，光流算法會(huì)更加準(zhǔn)確，隨后再采用OCELM對(duì)于兩種描述符進(jìn)行深度學(xué)習(xí)，以此為基礎(chǔ)構(gòu)建正常事件通用模型。

為了能夠更好的進(jìn)行監(jiān)控視頻異常檢測(cè)，Reberto Leyva等人通過(guò)二進(jìn)制的方法來(lái)檢測(cè)異常目標(biāo)的情況，對(duì)于視頻幀以時(shí)間為單位進(jìn)行分割，找到時(shí)空興趣點(diǎn)，再采用二進(jìn)制小波差異對(duì)于時(shí)空興趣點(diǎn)進(jìn)行重新編碼，利用GMM對(duì)于前景占用率、漢明距離進(jìn)行重新建模，完成異常檢測(cè)與定位的目標(biāo)。還有監(jiān)控目標(biāo)在運(yùn)動(dòng)的過(guò)程中會(huì)產(chǎn)生軌跡，而運(yùn)動(dòng)軌跡主要包含目標(biāo)的長(zhǎng)度、位置、運(yùn)動(dòng)程度等，通過(guò)將不同長(zhǎng)度、位置的運(yùn)動(dòng)軌跡進(jìn)行重新分類(lèi)，各組各類(lèi)運(yùn)動(dòng)軌跡進(jìn)行重新建模，以此來(lái)區(qū)分正常事件和非正常事件。常見(jiàn)的軌跡稀疏重構(gòu)的異常檢測(cè)方法是指在監(jiān)控視頻中提取最小二乘三次樣條曲線近似值來(lái)完成異常事件檢測(cè)的目的。還有像素檢測(cè)方法有一定的局限性，沒(méi)有辦法檢測(cè)到全部的異常行為，只能測(cè)出速度和方向的異常，比如其余的車(chē)輛都是朝東走，只有一輛車(chē)朝西走或者這條路限速80km/h，有一輛車(chē)的速度達(dá)到了90km/h，但是很難檢測(cè)到人的肢體動(dòng)作異常，比如小偷或者恐怖分子相關(guān)的運(yùn)動(dòng)異常就沒(méi)有辦法檢測(cè)出來(lái)。因此，筆者將兩種檢測(cè)方式融合在一起，從而能夠更好的表達(dá)出目標(biāo)物體的運(yùn)動(dòng)軌跡，不僅能夠檢測(cè)目標(biāo)的速度和方向，而且還能夠檢測(cè)目標(biāo)的局部動(dòng)作，這有利于提升異常檢測(cè)的效率，有效減少算法的計(jì)算輔導(dǎo)。從軌跡優(yōu)化的角度來(lái)提升目標(biāo)異常檢測(cè)系統(tǒng)，這一系統(tǒng)主要分為兩個(gè)部分，首先對(duì)于運(yùn)動(dòng)物體的軌跡信息進(jìn)行有效的異常處理，如果檢測(cè)出來(lái)有異常的行為應(yīng)該及時(shí)報(bào)警，其次，采取密集視頻分析算法來(lái)檢測(cè)異常事件是否與人有關(guān)。

3.2 深度行為特征表示

通過(guò)手動(dòng)設(shè)計(jì)開(kāi)提取人工設(shè)計(jì)特征的方法有眾多的理論基礎(chǔ)，但是受人為因素的影響比較嚴(yán)重，沒(méi)有辦法客觀的描述運(yùn)動(dòng)目標(biāo)的行為。還有這種方法提取特征的方法對(duì)于數(shù)據(jù)庫(kù)的依賴程度比較好，但是并不是所有的數(shù)據(jù)都能夠被收集到數(shù)據(jù)庫(kù)中，對(duì)于數(shù)據(jù)庫(kù)中沒(méi)有儲(chǔ)存到的視頻就沒(méi)有辦法進(jìn)行比對(duì)。隨著深度學(xué)習(xí)理論和卷積神經(jīng)理論的飛速發(fā)展，為計(jì)算機(jī)視覺(jué)領(lǐng)域的研究提供了一個(gè)全新的方向，Simonyan Karen等人提出并行雙流網(wǎng)絡(luò)對(duì)于RGB圖片的空間信息和光流圖進(jìn)行特征學(xué)習(xí)和行為判斷，將兩個(gè)網(wǎng)絡(luò)的判別結(jié)果進(jìn)行有效的分類(lèi)，據(jù)大量的實(shí)驗(yàn)研究結(jié)果表明，雙流網(wǎng)絡(luò)對(duì)于特征學(xué)習(xí)和行為判斷有著良好的效果。國(guó)內(nèi)外許多研究學(xué)者也從各個(gè)角度出發(fā)去改良雙流網(wǎng)絡(luò)算法，比如convolutional two-stream network、temproal segment networks等，在雙流網(wǎng)絡(luò)的基礎(chǔ)上，對(duì)于監(jiān)控視頻單幀進(jìn)行二維特征學(xué)習(xí)，再采用光流表達(dá)幀與幀之間的關(guān)系，以此來(lái)彌補(bǔ)時(shí)空信息的不足。Tran Du等人提出了深度三維卷積神經(jīng)網(wǎng)絡(luò)將視頻的連續(xù)幀作為輸入對(duì)象，從而能夠更好的獲得視頻幀的時(shí)域信息，有利于解決監(jiān)控視頻運(yùn)動(dòng)對(duì)象分類(lèi)的問(wèn)題。Zhou Shifu等人利用三維卷積神經(jīng)網(wǎng)絡(luò)有效解決異常行為檢測(cè)和定位的們提，將監(jiān)控視頻中存在的時(shí)空興趣塊直接作為C3D的輸入來(lái)進(jìn)行學(xué)習(xí)。與此同時(shí)，Sabokrou Mohammad等人采取級(jí)聯(lián)三維神經(jīng)網(wǎng)絡(luò)的方法，再通過(guò)三維自動(dòng)編碼器檢測(cè)監(jiān)控視頻中的C3D完成對(duì)異常目標(biāo)檢測(cè)和定沒(méi)的目標(biāo)。除此之外，異常目標(biāo)檢測(cè)領(lǐng)域的深度學(xué)習(xí)方法有很多，常見(jiàn)有:SSD、YOLO等，為視頻監(jiān)控異常目標(biāo)檢測(cè)提供了一個(gè)全新的思路。還有Xu Hujuan等人將Fater-RCNN的思路應(yīng)用與視頻監(jiān)控網(wǎng)絡(luò)異常目標(biāo)的定位，再結(jié)合C3D網(wǎng)絡(luò)得到R-C3D網(wǎng)絡(luò)，從而能夠更好的對(duì)監(jiān)控視頻異常目標(biāo)進(jìn)行檢測(cè)與定位。還有對(duì)于C3D網(wǎng)絡(luò)進(jìn)行檢測(cè)的還有CDC網(wǎng)絡(luò)，將卷積、反卷積技術(shù)應(yīng)用到視頻監(jiān)控異常目標(biāo)檢測(cè)領(lǐng)域，在端與端學(xué)習(xí)的時(shí)候，能夠準(zhǔn)確預(yù)測(cè)監(jiān)控視頻每一幀的信息，取得了良好的異常目標(biāo)檢測(cè)與定位效果。

4 異常行為識(shí)別分類(lèi)方法

根據(jù)上文我們可以知道異常行為主要包括全局異常和局部異常，根據(jù)學(xué)習(xí)過(guò)程中需要用到的樣本類(lèi)型，將異常行為識(shí)別分類(lèi)的方法主要分為監(jiān)督、半監(jiān)督、無(wú)監(jiān)督。

4.1 監(jiān)督異常行為分類(lèi)方法

在建模之前需要對(duì)所有的正常數(shù)據(jù)和非正常數(shù)據(jù)進(jìn)行標(biāo)記，屬于傳統(tǒng)的視頻分類(lèi)方法，對(duì)于視頻異常檢測(cè)來(lái)說(shuō)就是二分類(lèi)問(wèn)題，經(jīng)典監(jiān)督分類(lèi)方法主要包括支持向量機(jī)，比如Support Vector提出遺傳算法特征選擇與支持向量機(jī)訓(xùn)練混合優(yōu)化模型認(rèn)知，在最短的時(shí)間內(nèi)能夠快速獲得最優(yōu)特征子集和SVM參數(shù)，這有利于提升監(jiān)控視頻異常檢測(cè)的準(zhǔn)確率，采用自適應(yīng)模擬退火遺傳算法進(jìn)行特征選擇。ASAGA通過(guò)模擬退火算法的局部搜索能力有效解決了遺傳算法慢收斂度和復(fù)雜度比較高的問(wèn)題。除此之外，Kim H等人利用側(cè)地線圖和SVM對(duì)于監(jiān)控視頻異常目標(biāo)行為進(jìn)行有效研究，通過(guò)對(duì)人體關(guān)節(jié)的檢測(cè)來(lái)實(shí)現(xiàn)異常檢測(cè)的目的。近年來(lái)，隨著深度學(xué)習(xí)和云計(jì)算技術(shù)的發(fā)展，為計(jì)算機(jī)視覺(jué)領(lǐng)域提供了全新的發(fā)展思路，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)作為一種全新的監(jiān)督學(xué)習(xí)方法應(yīng)用與擁擠場(chǎng)景中的異常行為檢測(cè)，比如有學(xué)者采取監(jiān)督的方法對(duì)于運(yùn)動(dòng)目標(biāo)的時(shí)空興趣塊進(jìn)行標(biāo)記，將所有的數(shù)據(jù)作為三維卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)幀輸入進(jìn)行訓(xùn)練，再根據(jù)已有的模型中的時(shí)空興趣塊來(lái)判別異常行為，這有利于提升異常行為檢測(cè)的效率。

4.2 半監(jiān)督異常行為分類(lèi)方法

工作人員需要對(duì)常規(guī)的視頻數(shù)據(jù)進(jìn)行標(biāo)記，主要分為基于規(guī)則和基于模型的方法，具體來(lái)說(shuō)，基于規(guī)則的半監(jiān)督方法只對(duì)含有正常樣本訓(xùn)練集進(jìn)行相關(guān)的規(guī)則學(xué)習(xí)，如果發(fā)現(xiàn)有不符合規(guī)則的樣本就被判斷為異常行為，比如基于規(guī)則的稀疏編碼方法來(lái)檢測(cè)監(jiān)控目標(biāo)的異常行為，這種方法的在很短的時(shí)間內(nèi)就能夠完成異常檢測(cè)，但是對(duì)于閾值選擇比較敏感。Zhu Xiaobin等人將這一方法帶入正常字典來(lái)衡量測(cè)量樣本的異常。為了克服樣本缺乏的問(wèn)題，能夠更好的檢測(cè)目標(biāo)的異常行為，有專家提出動(dòng)態(tài)更新的雙稀疏字典表示方法，先得到正常字典，然后對(duì)于需要檢測(cè)的樣本進(jìn)行分類(lèi)，如果分類(lèi)檢測(cè)出來(lái)的結(jié)果是正常，就會(huì)將這條信息加入正常字典，不斷更新正常字典的內(nèi)容，如果分類(lèi)檢測(cè)出來(lái)的結(jié)果是非正常，就會(huì)將這條信息加入異常字典，不斷更新異常字典的內(nèi)容。就目前的情況來(lái)看，用于解決異常分類(lèi)問(wèn)題在構(gòu)建字典的時(shí)候，忽視了結(jié)構(gòu)信息。Yuan Yuan等人利用正常數(shù)據(jù)信息來(lái)構(gòu)建結(jié)構(gòu)字典，在后續(xù)的測(cè)試階段提出參考事件的概念，兩者之間的相似性更強(qiáng)，沒(méi)有辦法再用結(jié)構(gòu)字典來(lái)表示異常行為?；谀：?guī)則Albusac等人通過(guò)自動(dòng)動(dòng)態(tài)地設(shè)置正態(tài)分量的權(quán)重，這有利于提升監(jiān)控異常目標(biāo)檢測(cè)的效率。還有Chen Zhengying等利用模糊聚焦方法和多個(gè)自動(dòng)編碼器的框架，通過(guò)這一框架對(duì)于運(yùn)動(dòng)目標(biāo)的軌跡進(jìn)行描述，以此來(lái)實(shí)現(xiàn)異常行為檢測(cè)與定位的目標(biāo)。還有在基于模型的方法中，通過(guò)正常樣本來(lái)構(gòu)成相關(guān)的模型，在檢測(cè)的過(guò)程中，將偏離正常模型的數(shù)據(jù)判斷為異常行為。目前常見(jiàn)的模型主要有高斯混合模型、馬爾科夫隨機(jī)場(chǎng)等，比如有專家學(xué)者利用人群分布信息和速度信息為基礎(chǔ)來(lái)構(gòu)建高斯混合模型，對(duì)于監(jiān)控視頻中的人群行為進(jìn)行有效的檢測(cè)。除此之外，還有專家學(xué)者從社會(huì)學(xué)的角度出發(fā)，提出了社會(huì)力模型，這為監(jiān)控視頻異常行為檢測(cè)和定位提供了一個(gè)全新的研究思路。

4.3 無(wú)監(jiān)督異常行為分類(lèi)方法

無(wú)監(jiān)督異常行為分類(lèi)方法屬于典型的聚類(lèi)問(wèn)題，不需要獲得先驗(yàn)知識(shí)，僅僅單獨(dú)依靠樣本數(shù)據(jù)之間的連接來(lái)完成正常事件的聚類(lèi)和建模工作，再將相似度比較低的事件判斷為異常事件，以此來(lái)實(shí)現(xiàn)異常目標(biāo)行為檢測(cè)和定位的目的。Alvar M等人利用無(wú)監(jiān)督學(xué)習(xí)框架來(lái)提升監(jiān)控目標(biāo)異常行為檢測(cè)的目的，與其它檢測(cè)方法相比，有著更好的魯棒性。除此之外，還有專家學(xué)者利用非負(fù)矩陣分解方法對(duì)于特征空間進(jìn)行學(xué)習(xí)，通過(guò)支持向量數(shù)據(jù)來(lái)檢測(cè)監(jiān)控目標(biāo)的聚類(lèi)程度。通過(guò)深度學(xué)習(xí)方法來(lái)實(shí)現(xiàn)無(wú)監(jiān)督學(xué)習(xí)，Mahdyar Ravanbakhsh等人利用現(xiàn)有的技術(shù)生成對(duì)抗網(wǎng)絡(luò)對(duì)于生成模型和判別模型以此來(lái)實(shí)現(xiàn)異常目標(biāo)行為檢測(cè)和定位的目的。

4.4 異常行為分類(lèi)方法的優(yōu)缺點(diǎn)

基于監(jiān)督的視頻異常檢測(cè)方法操作和理解起來(lái)更加容易，可以利用已有的先驗(yàn)知識(shí)來(lái)選擇訓(xùn)練樣本，再通過(guò)反復(fù)的檢驗(yàn)來(lái)提升監(jiān)控視頻異常目標(biāo)檢測(cè)的精確度。但是監(jiān)督異常行為分類(lèi)方法受主觀因素的影響比較大，工作人員需要花費(fèi)大多的時(shí)間和精力去選擇和評(píng)估訓(xùn)練樣本，而且這種方法還沒(méi)有辦法自動(dòng)調(diào)整異常數(shù)據(jù)，因此如果樣本數(shù)據(jù)更換了新的場(chǎng)景，就需要進(jìn)行重新的設(shè)計(jì)和檢測(cè)。基于半監(jiān)督異常行為分類(lèi)方法比如稀疏表示法操作起來(lái)更加簡(jiǎn)單，但是計(jì)算的過(guò)程卻非常復(fù)雜，需要占用許多內(nèi)存，對(duì)于檢測(cè)設(shè)備本身的容量有著比較高的要求。還有半監(jiān)督異常行為分類(lèi)方法的計(jì)算速度比較快，很容易構(gòu)建模型，但是模型分類(lèi)效果對(duì)于樣本中的數(shù)據(jù)參數(shù)比較敏感，還有這種方法很容易將沒(méi)有錄入模型的樣本數(shù)據(jù)很容易就被判斷為行為異常?；跓o(wú)監(jiān)督異常行為分類(lèi)方法不需要任何先驗(yàn)知識(shí)，運(yùn)算起來(lái)能夠更加便捷，但是需要大量的分析和處理才能最終獲得最可靠的結(jié)果，比如GAN網(wǎng)絡(luò)可以通過(guò)無(wú)監(jiān)督方式來(lái)表示監(jiān)控視頻的正常行為，但是最終的異常目標(biāo)檢測(cè)和定位還是需要依靠與正常視頻的數(shù)據(jù)進(jìn)行比對(duì)才能獲得最終的判斷結(jié)果。

5 視頻異常檢測(cè)數(shù)據(jù)集

就目前的情況來(lái)看，常見(jiàn)的數(shù)據(jù)集主要有UCSD、UMN、Hockey Fighr以及LV數(shù)據(jù)集等，本文重點(diǎn)介紹UCSD數(shù)據(jù)集，UCSD數(shù)據(jù)集主要包括兩個(gè)部分ped1和ped2，兩者都是通過(guò)安裝在固定高度的攝像頭來(lái)獲得的視頻，視頻中人群的密度會(huì)隨著時(shí)間的推移而發(fā)生變化，ped1包含34個(gè)正常行為視頻序列以及36個(gè)異常行為視頻序列，視頻幀長(zhǎng)為200，分辨率大約為158×238，它主要用于描繪人群的垂直移動(dòng)，看到的人群流向是走進(jìn)攝像頭和遠(yuǎn)離攝像頭，呈現(xiàn)出透視畸變的騰飛。ped2主要用于描繪人群的水平移動(dòng)，包括16個(gè)正常行為視頻序列以及12個(gè)異常行為視頻序列，視頻幀長(zhǎng)在120～170之間，分辨率大約為360×240。還有USD數(shù)據(jù)集中所有的訓(xùn)練樣本都包含了正常行為，測(cè)試集中的某一幀可能不存在或者存在1個(gè)或者2個(gè)異常行為，異常行為的主要類(lèi)型有:滑冰、自行車(chē)、小汽車(chē)等。但是UCSD的ped1的物體分辨率非常低、ped2的遮擋問(wèn)題又比較嚴(yán)重，所以我們說(shuō)UCSD是一個(gè)挑戰(zhàn)性比較強(qiáng)的局部異常數(shù)據(jù)集。

6 結(jié)束語(yǔ)

綜上所述，本文主要討論了前景提取和目標(biāo)檢測(cè)、特征提取和行為表示和異常行為識(shí)別分類(lèi)方法，隨著監(jiān)控視頻異常目標(biāo)行為檢測(cè)和定位技術(shù)的發(fā)展，取得了一定的成效，但是也存在一定的局限，比如在復(fù)雜的監(jiān)控視頻背景中，提取異常運(yùn)動(dòng)目標(biāo)的特征比較困難，還有非正常事件的數(shù)量比較少，許多非正常事件的識(shí)別算法知識(shí)針對(duì)某一個(gè)攝像機(jī)，與實(shí)際視頻監(jiān)控的情況嚴(yán)重不符。雖然有專家學(xué)者將多個(gè)攝像頭捕捉起來(lái)的運(yùn)動(dòng)視圖進(jìn)行深入分析，但是整個(gè)操作的過(guò)程非常復(fù)雜。還有某一行為是否異常主要取決去具體的場(chǎng)景、時(shí)間和地點(diǎn)等，因此，當(dāng)更換了一個(gè)場(chǎng)景、時(shí)間和地點(diǎn)后，就需要進(jìn)行重新訓(xùn)練建模。隨著網(wǎng)絡(luò)信息技術(shù)的飛速發(fā)展，對(duì)于更多的場(chǎng)景進(jìn)行建模，以此來(lái)增加場(chǎng)景的適應(yīng)力，這有利于提升監(jiān)控視頻異常行為檢測(cè)的效率和水平。