基于深度自编码-高斯混合模型的视频异常检测方法

由于异常定义的模糊性和真实数据的复杂性,视频异常检测是智能视频监控中最具挑战性的问题之一。基于自动编码器(AE)的帧重建（当前或未来帧）是一种流行的视频异常检测方法。使用在正常数据上训练的模型,异常场景的重建误差通常比正常场景的重建误差大得多。但是,这类方法忽略了正常数据本身的内部结构,效率较低。基于此,提出了一种深度自动编码高斯混合模型(DAGMM)。首先利用深度自动编码器获得输入视频片段的生成低维表示和重构误差,并将其进一步输入高斯混合模型(GMM)。而估计网络则通过高斯混合模型预测能量概率,然后通过能量密度概率判断异常。DAGMM以端到端的方式同时联合优化深度自动编码器和GMM的参数,能够平衡自动编码重建、低维表示的密度估计和正则化,泛化能力强。在两个公共基准数据集上的实验结果表明,DAGMM达到了现有最高技术发展水平,在UCSD Ped2和ShanghaiTech两个数据集上分别取得了95.7%和72.9%的帧级AUC。     

基于监控视频的行人异常行为检测技术研究

行人异常行为分析是视频监控领域中重要的研究方向.从基于规则、基于模型两方面对行人异常行为检测算法进行归纳总结,根据判定方式将算法分为阈值判定和分类判定,比较了各类算法的优势和不足,同时对使用较多的数据库进行了总结,最后讨论了异常行为研究在实际应用和未来研究中应该考虑的问题.     

基于异常检测与双流编码的视频监控系统设计

介绍了一种基于异常检测与双流编码的无线智能视频监控系统的设计方案.该系统首先基于对采集视频的分析,实现非法入侵等异常事件的自动检测,同时通过对同一路视频采用两个编码器进行双流编码,产生两路不同质量和码率的视频流.在此基础上,基于异常事件检测的结果,在有异常事件时触发高质量图像的本地保存和低码率图像的实时无线传输.在蜂窝...     

基于深度学习的远程视频监控异常图像检测

针对复杂场景下远程视频监控图像异常检测困难、传统算法功能单一(仅针对某种特定场景或某种异常图像进行检测)等问题,提出一种基于深度学习的全自动远程视频异常图像检测方法。首先采用Xavier方法对自行设计的卷积神经网络(Convolutional Neural Network,CNN)的参数进行初始化,然后将标准化后的视频差分图送入CNN的输入层,通过特征提取及下采样,最后在CNN的输出层获得远程视频异常图像检测结果。实验结果表明,该方法可以对远程视频监控中突然出现遮挡、模糊和场景切换等多种异常同时进行实时在线检测,准确率可达88.75%。     

伪异常引导的卷积自编码网络视频异常检测

视频异常检测由于可以高效、低成本地维护公共安全,在国家安防、医疗监护中发挥着重要作用.基于重构的深度自编码网络异常检测方法因其强大的表示能力而得到了广泛的研究.然而,自编码网络通常也可以成功地重建异常行为,从而导致异常行为的漏检.针对这一问题,提出了一种伪异常引导的卷积自编码网络视频异常检测方法,模型使用3D卷积提取视频时空特征.首先,通过正常数据模拟异常数据分布生成伪异常,提出了两种生成伪异常的方法：基于跳帧的方法和基于补丁的方法;然后,使用正常数据和生成的伪异常数据训练模型,训练时较好地重建正常数据同时较差地重建伪异常数据,由此模型被鼓励为限制异常数据的重建;最后,在UCSD-Ped2、Avenue和ShanghaiTech三个公共视频异常检测数据集上与其他基于重建的模型进行比较,其检测精度获得了有效提升.     

基于集成生成对抗网络的视频异常事件检测方法

视频中的异常检测是一个具有挑战性的计算机视觉问题。现有的最先进视频异常检测方法主要集中在深度神经网络的结构设计上,以获得性能改进。与主要研究趋势不同,本文侧重于将集成学习和深度神经网络相结合,提出了一种基于集成生成对抗网络（Generative Adversarial Networks,GAN）的方法。在所提出的方法中,一组生成器和一组判别器一起训练,因此每个生成器可以从多个判别器获得反馈,反之亦然。与单个GAN相比,集成GAN可以更好地对正常数据的分布进行建模,从而更好地检测异常。在两个公开数据集上测试了所提出的方法性能。结果表明,集成学习显著提高了单个检测模型的性能,在两个数据集上比现有最近方法分别超过0.4%和0.3%的帧级AUC。     

基于卷积神经网络的视频监控异常事件检测研究

本文对基于卷积神经网络的视频异常检测算法进行了深入研究和系统梳理：首先,总结了视频异常检测研究意义及基本流程;其次,面向视频异常检测三个关键步骤（场景目标感知、检测模型学习、异常目标推断）分类概述了当前提出的相关算法;最后,讨论和展望了本领域未来重点研究方向。     

基于深度学习的视频异常行为检测研究

视频异常行为的检测对保障公共安全至关重要,对基于深度学习的异常行为检测算法进行了分类与总结.首先,介绍了异常行为检测的整体流程.然后,根据神经网络训练的方式,从有监督学习、弱监督学习和无监督学习三个方面论述了深度学习在异常行为检测领域的发展与应用,同时分析了不同训练方式的优缺点.最后,介绍了常用数据集以及性能评估准则,...     

交通监控视频中的车辆异常行为检测

构建了利用交通监控视频对车辆异常行为进行检测的系统框架.使用改进Surendra背景差分与三帧差分相结合的算法进行车辆目标检测,结合CamShift算法与Kalman滤波器进行车辆目标跟踪,提取车辆质心绘制运动轨迹,针对车辆运动方向判别、违章变道、调头等行为提出了检测方法.实验结果表明,提出的交通监控视频中的车辆异常行为检测系统具有较高的实时性与准确性,部署简易快速,维护成本低廉,可以满足当今智能交通系统日益增长的需求.     

视频监控系统中的行人及其面部侦测研究

采用集成H．264硬件编解码视频处理单元Hi3512来设计视频监控系统。并探讨行人目标的自动侦测问题。在对视频图像进行形态学分析的基础上,利用背景差方法实现运动目标区域的粗提取,通过阴影去除算法实现运动目标的精确定位,再利用连续均值量化变换（SuccessiveMeanQuantizafionTransform,SMQT）算法实现运动区域灰度图像的增强处理,然后利用SNoW（SparseNetworkofWinnows）分类算法实现行人及其人脸部位的侦测。实验结果表明,所采用方法能够自动检测出监控区域的行人目标及其面部信息,可有效地应用于无人值守视频监控场合。     

一种基于运动分析的行人异常行为检测

提出了一种基于运动分析的行为检测方法,用于行人异常行为的检测.利用HSV色彩空间变换法抑制阴影,利用三帧法建立初始化背景模型.将所提取的连续三帧图像的背景像素进行填充融合以实现背景图像的重构,进而更新背景图像,最终完成背景图像的建立.将大津法(Otsu)和背景差分法进行融合以自适应检测前景目标,将目标区域的质心差值、矩...     

Rapid detection of camera tampering and abnormal disturbance for video surveillance system

Camera tampering may indicate that a criminal act is occurring. Common examples of camera tampering are turning the camera lens to point to a different direction (i.e., camera motion) and covering the lens by opaque objects or with paint (i.e., camera occlusion). Moreover, various abnormalities such as screen shaking, fogging, defocus, color cast, and screen flickering can strongly deteriorate the performance of a video surveillance system. This study proposes an automated method for rapidly detecting camera tampering and various abnormalities for a video surveillance system. The proposed method is based on the analyses of brightness, edge details, histogram distribution, and high-frequency information, making it computationally efficient. The proposed system runs at a frame rate of 20–30 frames/s, meeting the requirement of real-time operation. Experimental results show the superiority of the proposed method with an average of 4.4% of missed events compared to existing works.     

基于卷积神经网络的实时视频下行人检测

行人检测是计算机视觉中的关键技术,是安防监控、视频行人行为分析乃至无人驾驶和驾驶辅助系统等后续研究的基础,因此,对行人检测的精确准度、实时性、鲁棒性都提出了较高的要求。文中给出了一个基于深度混合高斯背景建模和深度神经网络的检测方案,能够快速精准地检测出视频场景中的行人,并采用缩放、滑动的组合窗口策略,有效消除了因光线产生的阴影影响,定位出视频中行人的最佳位置。     

Fast motion detection in compressed domain for video surveillance

A fast algorithm to detect motion in the compressed domain for video surveillance is presented. The algorithm partially decompresses the video bit stream and performs motion detection from its quantised discrete cosine transform coefficients. The very low computational cost makes this algorithm very useful when real-time motion detection has to be performed simultaneously in several video bit streams     

A learning-based approach for leaf detection in traffic surveillance video

Multidimensional Systems and Signal Processing - Traffic surveillance video is recorded in uncontrolled outdoor scenarios. If the camera view gets obstructed by the leaves, the video will fail to...     

Multi-view and multi-plane data fusion for effective pedestrian detection in intelligent visual surveillance

For the robust detection of pedestrians in intelligent video surveillance, an approach to multi-view and multi-plane data fusion is proposed. Through the estimated homography, foreground regions are projected from multiple camera views to a reference view. To identify false-positive detections caused by foreground intersections of non-corresponding objects, the homographic transformations for a set of parallel planes, which are from the head plane to the ground, are applied. Multiple features including occupancy information and colour cues are extracted from such planes for joint decision-making. Experimental results on real world sequences have demonstrated the good performance of the proposed approach in pedestrian detection for intelligent visual surveillance.     

A fast method for moving object detection in video surveillance image

Moving object detection and extraction are widely used in video surveillance and image processing. In this paper, we present a fast method for moving object detection. We use weights of the Gaussian distribution as decision factors, update parameters of the Gaussian mixture model if its values are smaller than that of those not belonging to the background; otherwise, no updates are done. It improves the existing methods by updating the Gaussian mixture model selectively. Experimental results on various scenes of video surveillance show that computation time of the proposed method is reduced.     

CNN spatiotemporal features and fusion for surveillance video forgery detection

Surveillance cameras are widely used to provide protection and security; also their videos are used as strong evidences in the courts. Through the availability of video editing tools, it has become easy to distort these evidences. Sometimes, to hide the traces of forgery, some post-processing operations are performed after editing. Hence, the authenticity and integrity of surveillance videos have become urgent to scientifically validate. In this paper, we propose inter-frame forgeries (frame deletion, frame insertion, and frame duplication) detection system using 2D convolution neural network (2D-CNN) of spatiotemporal information and fusion for deep automatically feature extraction; Gaussian RBF multi-class support vector machine (RBF-MSVM) is used for classification process. The experimental results show that the efficiency of the proposed system for detecting all inter-frame forgeries, even when the forged videos have undergone additional post-processing operations such as Gaussian noise, Gaussian blurring, brightness modifications and compression.