一种优化FCN的视频异常行为检测定位方法

陈纪铭，陈利平

(湖南工学院 计算机与信息科学学院 湖南 衡阳 421002)

0 引 言

随着监控设备的日益普及，有必要通过计算机视觉技术对视频数据进行分析。其中，异常检测[1]是视频数据分析的重要分支。很多视频异常事件由稀少形状或罕见动作组成，但由于“异常”的定义具有一定的主观性，且取决于情景，因此，该研究的挑战性较大。

目前很多方法将正常帧的区域或分块作为参考模型进行学习，这些参考模型包括训练数据的正常运动或形状。在测试阶段，将不同于正常模型的区域视为异常。其中，目标行为常用基于轨迹的方法定义[2]，但基于轨迹的方法存在2个主要缺陷[3]：①不能处理遮挡问题；②计算复杂度较高。为避免出现上述问题，一些方法使用了时空低阶特征，如光流或梯度。文献[4]将高斯模型拟合到时空梯度特征中，并使用隐Markov模型(hidden Markov model, HMM)来检测异常事件。文献[5]在相关约束下，利用光流特征图结构(graphic structure, GS)的迭代尺度化变换，有效降低了视频异常检测中的光流特征数量，从而完成特征优化。文献[6]提出一种公交车人群异常检测方法，根据人群运动轨迹确立图像感兴趣区域，利用L-K光流法提取运动目标速度信息，通过速度大小进行异常情况的检测。但该方法难以解决遮挡和大量人群问题。文献[7]提出了深度级联分类器(deep cascade classifier，DCC)，利用2个深度神经网络进行异常检测，首先利用一个较小的深度网络识别出有挑战性的分块；然后将邻近分块通过另一个深度网络作分类操作。……