面向监控视频的人群异常事件检测综述

面向监控视频的人群异常事件检测任务已经成为一个亟待解决的现实问题。文章从人群异常事件检测的定义出发,对基于深度学习的人群异常事件检测方法进行了综述。首先分析了人群异常事件检测的定义、分类和挑战,然后对基于重构、基于预测和基于混合方法的人群异常事件检测方法的基本思想、模型进行了分析和比较,并介绍了常用数据集和评价标准,最后对面向监控视频的人群异常事件检测任务进行了总结和展望。

基于视频的人群异常事件检测综述

随着公共安全问题的日益突出,公共场所人群异常事件的及时发现将有助于相关部门的及时响应和救援,从而降低群众人身伤亡和财产的损失。近年来,在智能监控和安防领域的发展下,基于视频的人群异常事件检测已成为图像处理、机器视觉、机器学习等相关领域的研究热点。概述了基于视频的人群异常事件检测相关研究的概况、研究现状及未来的发展趋势。人群异常事件检测有两个基本问题,一个是基本事件的表示,一个是异常事件检测模型的建立。重点从这两个方面回顾人群异常事件检测技术的发展和常用的处理方法,并对研究难点及未来的发展趋势作了较为详细的分析。

基于多尺度时间递归神经网络的人群异常检测

如何在人群密度大、变化快、存在大量遮挡的密集场景中实现可靠的人群事件检测,是领域研究的难点和热点.在密集场景时空建模的基础上提出了一种基于多尺度时间递归神经网络的人群异常事件检测和定位方法.首先对人群场景进行网格化划分,并利用多尺度光流直方图对每个网格的人群动态进行刻画;然后,连接各个局部的人群动态获得整体的人群动态,实现整体人群动态的时间序列建模;最后,利用多尺度时间递归神经网络实现异常事件的检测和定位.其中,多尺度隐含层实现了密集场景中不同规模相邻网格之间的空间联系,节点间的反馈关系则为时间维度上的关系表达提供了有效方案.与多种代表性算法的对比实验,验证了本方法的有效性.