第6期 王倩倩，等：深度自编码与自更新稀疏组合的异常事件检测算法 ·1201· 试视频包含异常和正常事件。异常事件包含快速 最好与最差情况。最高检测率为视频03，包含两 奔跑、抛掷物品和蹦跳等，如图4所示。 个快速奔跑异常。视频07的异常为行人蹦跳，识 别率为90.2%，是21个测试视频中的最低值。对 Avenue 比两段视频，发现虽然两者都是速度上的异常， 但视频03中的运动状态变化远大于视频07，造 UCSD Ped 1 成两者识别率差异较大。 表2本文方法在Avenue测试视频上的实验结果 Table 2 Results of proposed method on Avenue test videos UCSD Ped 2 测试视频总帧数 正确帧数 错误帧数识别率/% 9 1424 1304 120 91.6 图4 Avenue和UCSD数据集异常图像示例 03 923 852 71 92.3 Fig.4 Abnormal images from the Avenue and UCSD datasets 07 605 546 90.2 UCSD数据集分为2个场景Pedl和Ped2。训 So 练数据为正常事件，测试数据涉及多种异常行 为了进一步验证本文算法的有效性，与其他 为，如行人道上骑车、出现货车、轮滑等，如图4 算法进行了比较，如表3所示。可以看到，相较于 所示。Ped1有34段训练视频和36段测试视频： 经典的稀疏组合算法6，本文算法提升了6.4%， Ped2视频包含16段训练视频和12段测试视频。 相较于最近的方法2凹，也有2.9%的提升。 4.2实验设置 表3在Avenue数据集上的结果对比 对于卷积自动编码器，每个数据集都进行 Table 3 Comparison of performance on Avenue data- 200轮训练，前100轮学习率设为0.001，后100轮 set with AUC 学习率设为0.0001，采用小批量方法训练。式(2) 算法 AUC 中的1设置为0.04，表示误差上限。实验均在 Schis] 80.9 Ubuntul6.04、NVIDIA CUDA8.0、PyTorchl.0、 Conv-AEI12] 70.2 OpenCVs3.0、Python环境下完成。 C2STPs] 84.4 4.3评价指标 CASSC 87.3 采用异常检测常用的帧级AUC评价指标 对于检测结果为异常的样本，若其标注中存在异 4.4.2UCSD数据集 常像素，则认为检测正确。AUC值为接收者操作 表4给出了本文算法与其他算法在UCSD数 特性曲线(receiver operating characteristic,ROC)下 据集上的AUC值。本文算法AUC为87.3%，比 包含的面积。 Conv-AE21提高了6.3%，与SC11相比提升了 4.4结果与分析 1.05%;在数据集Ped2上，本文算法比SCc1提高 4.4.1 Avenue数据集 了11.01%。说明基于运动前景块的特征提取方 图5为Avenue数据集测试视频O3的异常得 法有效，滤除了背景冗余信息。所构建的卷积自 分。图中灰色部分为标注的异常帧，横轴为帧序 动编码器可学到更高语义层次的特征，与手工提 号，纵轴为异常得分。可以看到灰色区间内的得 取特征相比，鲁棒性更强。 分较高而其他区域则偏小。说明本文方法可以检 表4在UCSD数据集上的AUC值对比 测出这两个异常事件。 Table 4 Comparison of performance on UCSD dataset with AUC % 1.0 算法 UCSD Ped1 UCSD Ped2 平均 SFR6] 74.46 68.49 71.47 0100200300400500600700800900 MIMIIO 80.22 90.87 85.54 帧号 SL-HOFRT 79.94 89.52 84.73 图5 Avenue数据集测试视频03重构误差值 Conv-AE12) 81.00 90.00 85.50 Fig.5 Reconstruction cost of Avenue dataset test video 03 Sclis] 86.25 80.67 83.46 表2列出了Avenue测试数据的检测结果，由 CASSO 87.30 91.38 89.34 于篇幅所限只列出了部分结果，所给结果中包含试视频包含异常和正常事件。异常事件包含快速 奔跑、抛掷物品和蹦跳等，如图 4 所示。 Avenue UCSD Ped 1 UCSD Ped 2 图 4 Avenue 和 UCSD 数据集异常图像示例 Fig. 4 Abnormal images from the Avenue and UCSD datasets UCSD 数据集分为 2 个场景 Ped1 和 Ped2。训 练数据为正常事件，测试数据涉及多种异常行 为，如行人道上骑车、出现货车、轮滑等，如图 4 所示。Ped1 有 34 段训练视频和 36 段测试视频; Ped2 视频包含 16 段训练视频和 12 段测试视频。 4.2 实验设置 对于卷积自动编码器，每个数据集都进行 200 轮训练，前 100 轮学习率设为 0.001，后 100 轮 学习率设为 0.000 1，采用小批量方法训练。式 (2) 中的 λ 设置为 0.04，表示误差上限。实验均在 Ubuntu16.04、NVIDIA CUDA 8.0、PyTorch1.0、 OpenCVs 3.0、Python 环境下完成。 4.3 评价指标 采用异常检测常用的帧级 AUC 评价指标[24]。 对于检测结果为异常的样本，若其标注中存在异 常像素，则认为检测正确。AUC 值为接收者操作 特性曲线 (receiver operating characteristic, ROC) 下 包含的面积。 4.4 结果与分析 4.4.1 Avenue 数据集 图 5 为 Avenue 数据集测试视频 03 的异常得 分。图中灰色部分为标注的异常帧，横轴为帧序 号，纵轴为异常得分。可以看到灰色区间内的得 分较高而其他区域则偏小。说明本文方法可以检 测出这两个异常事件。 1.0 0.5 异常得分 0 100 200 300 400 500 帧号 600 700 800 900 图 5 Avenue 数据集测试视频 03 重构误差值 Fig. 5 Reconstruction cost of Avenue dataset test video 03 表 2 列出了 Avenue 测试数据的检测结果，由 于篇幅所限只列出了部分结果，所给结果中包含 最好与最差情况。最高检测率为视频 03，包含两 个快速奔跑异常。视频 07 的异常为行人蹦跳，识 别率为 90.2%，是 21 个测试视频中的最低值。对 比两段视频，发现虽然两者都是速度上的异常， 但视频 03 中的运动状态变化远大于视频 07，造 成两者识别率差异较大。 表 2 本文方法在 Avenue 测试视频上的实验结果 Table 2 Results of proposed method on Avenue test videos 测试视频 总帧数 正确帧数 错误帧数 识别率/% 01 1424 1304 120 91.6 03 923 852 71 92.3 07 605 546 59 90.2 为了进一步验证本文算法的有效性，与其他 算法进行了比较，如表 3 所示。可以看到，相较于 经典的稀疏组合算法[16] ，本文算法提升了 6.4%， 相较于最近的方法[25] ，也有 2.9% 的提升。 表 3 在 Avenue 数据集上的结果对比 Table 3 Comparison of performance on Avenue data￾set with AUC % 算法 AUC SC[15] 80.9 Conv-AE[12] 70.2 C2ST[25] 84.4 CASSC 87.3 4.4.2 UCSD 数据集 表 4 给出了本文算法与其他算法在 UCSD 数 据集上的 AUC 值。本文算法 AUC 为 87.3%，比 Conv-AE[12] 提高了 6.3%，与 SC[15] 相比提升了 1.05%；在数据集 Ped2 上，本文算法比 SC[15] 提高 了 11.01%。说明基于运动前景块的特征提取方 法有效，滤除了背景冗余信息。所构建的卷积自 动编码器可学到更高语义层次的特征，与手工提 取特征相比，鲁棒性更强。 表 4 在 UCSD 数据集上的 AUC 值对比 Table 4 Comparison of performance on UCSD dataset with AUC % 算法 UCSD Ped1 UCSD Ped2 平均 SF[26] 74.46 68.49 71.47 MIM[10] 80.22 90.87 85.54 SL-HOF[27] 79.94 89.52 84.73 Conv-AE[12] 81.00 90.00 85.50 SC[15] 86.25 80.67 83.46 CASSC 87.30 91.38 89.34 第 6 期 王倩倩，等：深度自编码与自更新稀疏组合的异常事件检测算法 ·1201·