·1202· 智能系统学报 第15卷 图6给出了UCSD数据集上正确检测的异常 3)将深度学习与改进的稀疏组合学习进行结 帧和未检测出的异常帧。图中左侧为部分正确检 合，提出了一个新的异常检测框架： 出的异常帧，可以看到本文算法可将骑行、轮滑 4)一系列监控场景数据的实验结果表明，本 以及巡逻车检出：右侧为未检测出的异常帧，异 文提出的异常检测算法可以准确高效地检测视频 常区域用红色圈标出，异常目标存在遮挡或与周 中的异常事件。 围行人产生交互的情况，算法未能将其识别为异常。 参考文献： [1]POPOOLA O P,WANG Kejun.Video-based abnormal hu- man behavior recognition-a review[J].IEEE transactions on systems,man,and cybernetics,part C (applications and reviews).2012,42(6):865-878. [2]MABROUK A B.ZAGROUBA E.Abnormal behavior re- cognition for intelligent video surveillance systems:A re- view[J].Expert systems with applications,2018,91: 480-491」 [3]ROSHTKHARI M J.LEVINE M D.Online dominant and anomalous behavior detection in videos[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland.USA.2013:2611-2618 [4]ZAHARESCU A,WILDES R.Anomalous behaviour de- (a)正确检出 (b)未检出 tection using spatiotemporal oriented energies,subset in- 图6UCSD数据集检测出的异常帧和未检出的异常帧 clusion histogram comparison and event-driven pro- Fig.6 Comparisons of abnormal frames with detected and cessing[C]//Proceedings of the 11th European Conference undetected abnormal frames on UCSD dataset on Computer Vision.Heraklion,Greece,2010:563-576. 4.4.3运行时间 [5]WANG Tian,SNOUSSI H.Histograms of optical flow ori- 表5中所列为本文算法和经典稀疏组合学习 entation for visual abnormal events detection[Cl//Proceed- 算法在数据集上每帧检测所需时间。本文算 ings of 2012 IEEE Ninth International Conference on Ad- 法虽慢于稀疏组合学习算法，但根据表3和表4 vanced Video and Signal-Based Surveillance.Beijing, 的结果，本文算法检测效果更优。监控视频帧率 China.2012:13-18 通常为25fs,而本文算法平均能达到100s,完 [6]XU Dan,YAN Yan,RICCI E,et al.Detecting anomalous 全可以满足实时检测的要求。 events in videos by learning deep representations of ap- pearance and motion[J].Computer vision and image under- 表5每帧处理时间 standing,2017,156:117-127. Table 5 Processing times per frame [7]李俊杰，刘成林，朱明.基于多任务CNN的监控视频中 算法 UCSD Pedl UCSD Ped2 Avenue 异常行人快速检测).计算机系统应用，2018,27(11)： SClst 0.006 0.007 0.007 78-83. CASSC 0.011 0.010 0.012 LI Junjie,LIU Chenglin,ZHU Ming.Fast abnormal pedes- trians detection based on multi-task CNN in surveillance video[J].Computer systems applications,2018,27(11): 5结束语 78-83. 本文提出了一种以无监督方式学习运动前景 [8]ZHOU J T,DU Jiawei,ZHU Hongyuan,et al.Anoma- 块的深度特征方法和自更新稀疏组合异常检测算 lyNet:an anomaly detection network for video surveil- lance[J].IEEE transactions on information forensics and 法。主要贡献包括4个方面： security,2019,1410):2537-2550. 1)提出了以无监督方法基于自动编码器提取 [9]NGUYEN T N.MEUNIER J.Anomaly detection in video 运动前景块的时空特征，过滤冗余背景信息，同 sequence with appearance-motion correspondence[C]//Pro- 时保留运动前景像素点的空间相对位置关系； ceedings of 2019 IEEE/CVF International Conference on 2)针对经典的稀疏组合学习缺乏灵活性的问 Computer Vision.Seoul,Korea(South),2019:1273-1283. 题，通过加入先验知识，提出了一种自更新稀疏 [10]LEE D G,SUK HI,LEE S W.Crowd behavior represent- 组合学习算法； ation using motion influence matrix for anomaly detec-图 6 给出了 UCSD 数据集上正确检测的异常 帧和未检测出的异常帧。图中左侧为部分正确检 出的异常帧，可以看到本文算法可将骑行、轮滑 以及巡逻车检出；右侧为未检测出的异常帧，异 常区域用红色圈标出，异常目标存在遮挡或与周 围行人产生交互的情况，算法未能将其识别为异常。 (a) 正确检出 (b) 未检出 图 6 UCSD 数据集检测出的异常帧和未检出的异常帧 Fig. 6 Comparisons of abnormal frames with detected and undetected abnormal frames on UCSD dataset 4.4.3 运行时间 表 5 中所列为本文算法和经典稀疏组合学习 算法[15] 在数据集上每帧检测所需时间。本文算 法虽慢于稀疏组合学习算法，但根据表 3 和表 4 的结果，本文算法检测效果更优。监控视频帧率 通常为 25 f/s，而本文算法平均能达到 100 f/s，完 全可以满足实时检测的要求。 表 5 每帧处理时间 Table 5 Processing times per frame s 算法 UCSD Ped1 UCSD Ped2 Avenue SC[15] 0.006 0.007 0.007 CASSC 0.011 0.010 0.012 5 结束语 本文提出了一种以无监督方式学习运动前景 块的深度特征方法和自更新稀疏组合异常检测算 法。主要贡献包括 4 个方面： 1) 提出了以无监督方法基于自动编码器提取 运动前景块的时空特征，过滤冗余背景信息，同 时保留运动前景像素点的空间相对位置关系； 2) 针对经典的稀疏组合学习缺乏灵活性的问 题，通过加入先验知识，提出了一种自更新稀疏 组合学习算法； 3) 将深度学习与改进的稀疏组合学习进行结 合，提出了一个新的异常检测框架； 4) 一系列监控场景数据的实验结果表明，本 文提出的异常检测算法可以准确高效地检测视频 中的异常事件。 参考文献： POPOOLA O P, WANG Kejun. Video-based abnormal hu￾man behavior recognition—a review[J]. IEEE transactions on systems, man, and cybernetics, part C (applications and reviews), 2012, 42(6): 865–878. [1] MABROUK A B, ZAGROUBA E. Abnormal behavior re￾cognition for intelligent video surveillance systems: A re￾view[J]. Expert systems with applications, 2018, 91: 480–491. [2] ROSHTKHARI M J, LEVINE M D. Online dominant and anomalous behavior detection in videos[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition. Portland, USA, 2013: 2611−2618. [3] ZAHARESCU A, WILDES R. Anomalous behaviour de￾tection using spatiotemporal oriented energies, subset in￾clusion histogram comparison and event-driven pro￾cessing[C]//Proceedings of the 11th European Conference on Computer Vision. Heraklion, Greece, 2010: 563−576. [4] WANG Tian, SNOUSSI H. Histograms of optical flow ori￾entation for visual abnormal events detection[C]//Proceed￾ings of 2012 IEEE Ninth International Conference on Ad￾vanced Video and Signal-Based Surveillance. Beijing, China, 2012: 13−18. [5] XU Dan, YAN Yan, RICCI E, et al. Detecting anomalous events in videos by learning deep representations of ap￾pearance and motion[J]. Computer vision and image under￾standing, 2017, 156: 117–127. [6] 李俊杰, 刘成林, 朱明. 基于多任务 CNN 的监控视频中 异常行人快速检测 [J]. 计算机系统应用, 2018, 27(11): 78–83. LI Junjie, LIU Chenglin, ZHU Ming. Fast abnormal pedes￾trians detection based on multi-task CNN in surveillance video[J]. Computer systems & applications, 2018, 27(11): 78–83. [7] ZHOU J T, DU Jiawei, ZHU Hongyuan, et al. Anoma￾lyNet: an anomaly detection network for video surveil￾lance[J]. IEEE transactions on information forensics and security, 2019, 14(10): 2537–2550. [8] NGUYEN T N, MEUNIER J. Anomaly detection in video sequence with appearance-motion correspondence[C]//Pro￾ceedings of 2019 IEEE/CVF International Conference on Computer Vision. Seoul, Korea (South), 2019: 1273−1283. [9] LEE D G, SUK H I, LEE S W. Crowd behavior represent￾ation using motion influence matrix for anomaly detec- [10] ·1202· 智 能 系 统 学 报 第 15 卷