面向边缘端设备的轻量化视频异常事件检测方法

现有基于CNN模型的视频异常事件检测方法在精度不断提升的同时,面临架构复杂、参数庞大、训练冗长等问题,致使硬件算力需求高,难以适配无人机等计算资源有限的边缘端设备。为此,提出一种面向边缘端设备的轻量化异常事件检测方法,旨在平衡检测性能与推理延迟。首先,由原始视频序列提取梯度立方体与光流立方体作为事件表观与运动特征表示;其次,设计改进的小规模PCANet获取梯度立方体对应的高层次分块直方图特征;再次,根据每个局部分块的直方图特征分布情况计算表观异常得分,同时基于内部像素光流幅值累加计算运动异常得分;最后,依据表观与运动异常得分的加权融合值判别异常分块,实现表观与运动异常事件联合检测与定位。在公开数据集UCSD的Ped1与Ped2子集上进行实验验证,该方法的帧层面AUC分别达到86.7%与94.9%,领先大多数对比方法,且参数量明显降低。实验结果表明,该方法在低算力需求下,可以实现较高的异常检测稳定性和准确率,能够有效兼顾检测精度与计算资源,因此适用于低功耗边缘端设备。

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。

供水管道水力模型在异常事件检测与应急响应中的应用

本文通过概述和建立供水管道水力模型,研究了在异常事件检测与应急响应中的应用;针对供水管道可能面临的异常事件及其潜在影响,提出了利用供水管道水力模型进行异常事件检测与应急响应的方法,并探讨了管网优化策略在应急响应中的作用。

显著性光流直方图字典表示的群体异常事件检测

在视频监控系统已被广泛应用的今天,基于监控视频的群体异常事件检测已成为保障社会安全的迫切需要,越来越受到人们的重视。该文基于这一现状,提出了一个新的群体异常事件检测方案,实现对监控视频自动高效的检测。在特征提取方面,提出了显著性光流直方图特征描述符,并利用该特征描述符构建字典;在字典优化方面,提出了基于聚类的多字典组合学习框架,将原始的大字典分为多个子字典;最后,对于测试样本,找出最适合的子字典并计算测试样本在该子字典下的重建误差,即可判断测试样本是否异常。在两个数据集上的实验表明,与其他方法相比,该文提出的方法对拥挤场景下监控视频中的群体异常事件检测取得了较好的检测性能。

M-TAEDA:多变量水质参数时序数据异常事件检测算法

在供水管网中部署传感器网络实时获取多个水质参数时间序列数据,当供水管网发生污染时,高效准确地检测水质异常是一个重要问题。提出多变量水质参数时间异常事件检测算法(M-TAEDA),利用BP模型分析多变量水质参数的时序数据,确定可能离群点;结合贝叶斯序贯分析独立更新每个参数的事件概率,预测单个传感器节点检测的异常概率;将单变量的事件概率融合为统一多变量事件概率,融合判断异常事件。实验结果表明:BP模型模拟多变量水质参数进行预测可以达到90%精确度;与单变量参数时间异常事件检测算法(S-TAEDA)相比,M-TAEDA可以提高异常检出率约40%,降低误报率约45%。

基于多传感器信息融合的城市边坡监测数据异常事件检测

为预防和管控城市突发地质灾害造成的人民生命和财产损失,国家针对城市地质灾害易发地区部署了大量的各类传感器,用来感知和监测城市边坡等地质体的变化情况,以支持对地质灾害的预警。从边坡监测数据特点和时序数据分析技术出发,针对监测数据噪声混杂、模式分析困难、预警阈值的不确定性等问题,给出了一种基于多传感器信息融合的边坡监测数据异常事件检测方法。主要工作包括:①边坡监测数据变化模式可以归结为周期项、趋势项以及噪声项的叠加,实践中在预处理基础上对边坡监测数据进行周期为24 h的重采样,同时趋势项可以近似看作是经典的牛顿运动,以此构建形变运动模型,为卡尔曼滤波的状态转移提供理论支持;②采用集中式衰减记忆卡尔曼滤波,引入衰减记忆因子,对多传感器边坡监测数据进行特征级融合,降低了噪声的影响,提高了边坡监测数据的可靠性;③引入惩罚系数,应用改进的动态时间弯曲算法对于周期序列数据进行相似性度量。在此基础上基于K-means聚类和局部异常因子分析对边坡监测数据进行异常检测,并基于3σ准则确定预警阈值。该方法能将正常模式和异常模式的时序数据进行区分,有效检测出边坡监测数据的异常,为灾害预防提供支持。最后以深圳市典型边坡监测数据为例验证了此方法的可行性。

基于HMM监控视频的异常事件检测

针对智能监控系统中的行为分析与识别,将隐马尔可夫模型(Hidden Markov model,HMM)应用到智能视频监控系统的异常事件检测中。首先应用背景差法将运动目标提取出来。其次将运动目标的形状、颜色和帧间变化度等特征编码,生成特征向量。训练时将特征向量送入HMM训练得到隐马尔可夫模型需要的参数A和B,检测时将特征向量送入HMM检测系统检测是否有异常事件发生。最后的实验结果表明,该方法能快速有效地检测监控视频中的异常事件的发生。

群体突发异常事件检测与事件源定位算法

提出一种群体突发异常事件检测与事件源定位算法以提高检测的准确性。算法分为群体异常行为检测和事件源定位两个阶段,在异常行为检测阶段,提出一种空间、时间联合的异常行为检测算法:在空间角度,提取平均动能分布直方图来描述人群的运动特征,并使用支持向量机分类器对不同状态的人群运动特征进行分类;在时间角度,构建隐马尔可夫模型,对场景中连续的人群行为状态进行异常检测。在事件源定位阶段,在随机抽样一致性算法框架下通过计算异常行为人群的反向延长线交点,实现了事件源位置的定位,并可同时标记多个事件源位置。在UMN公共数据集上进行实验,并与传统光流法、SIFT点检测法与社会力法进行对比,结果表明,该算法能够有效检测出群体异常行为,且AUC=0.967,比上述3种方法的AUC分别提高0.127、0.074、0.007,并成功标记出事件源的合理位置。

基于线性动态系统稀疏编码的异常事件检测

线性动态系统模型结合稀疏编码实现异常事件检测。线性动态系统可有效地捕捉动态纹理在时间和空间的转移信息,描述视频的时空小块。然而,线性动态系统属于非欧氏空间,无法直接用传统的稀疏编码进行异常检测。基于约束凸优化公式,将相似性变换与稀疏编码结合,可实现线性动态系统稀疏编码的优化求解。实验表明,所提出的方法具有更好的性能。

基于稀疏表示和低秩逼近的自适应异常事件检测算法

针对传统异常事件检测算法没有考虑视频数据低秩特性的问题,提出了基于低秩稀疏编码模型的字典学习算法。对提取的多尺度三维时空梯度特征进行K-均值聚类。利用低秩稀疏编码模型进行每一个特征聚类的字典学习。通过迭代聚类和字典学习获取所有的正常行为模式。采用公共数据集UCSD Ped1和Avenue检测该算法的性能。与社会力(SF)、混合概率主成分分析(MPPCA)、社会力-混合概率主成分分析(SF-MPPCA)、混合动态纹理(MDT),Adam、子空间(Suspace)、稀疏组合学习框架(SCLF)7种方法对比,该文算法具有较高的正确率和较强的实时性。

铁路客运站视频监控系统中的行人逆行异常事件检测算法研究

由于铁路客运站的许多区域要求行人单向运动,因此检测视频中是否出现行人逆行异常事件,是保证铁路客运站拥有安全稳定乘车秩序的重要手段。鉴于此,本文提出了一种逆行异常事件的检测算法,首先基于HoG特征进行行人检测,随后利用mean-shift算法对目标进行实时跟踪,并通过判断其运动方向是否与规定方向一致,最终实现对逆行异常事件的检测。实验结果表明,该方法既能显著降低运算的复杂度,又能明显提高检测的准确率。

一种基于异常事件检测的智能视频监控系统

针对传统安防视频监控系统数据存储空间庞大,异常事件或行为等有用的视频信息人工查找困难等难题,结合常见的应用场景,在综合运用数字图像处理理论、目标跟踪算法、神经网络理论、数据分类算法等手段的基础上,设计一种适用于多状态异常事件检测的视频分析方法,解决融合图像特征和背景建模的目标检测、目标跟踪优化和异常事件辨识分类的关键技术难题,最后得到一种基于异常事件检测的智能视频监控系统。

一种基于视频分析的异常事件检测技术

针对常见的安防视频监控系统视频画面分辨难度大,异常事件或行为的有效识别率等难题,在优化图像识别技术的基础上,综合运用运动目标检测算法、目标跟踪算法、数据分类算法、多特征建模等手段的基础上,设计一种适用于多运动目标的基于视频分析的异常事件检测技术,解决运动目标的多特征融合和多运动目标行为识别、多运动目标跟踪优化关键技术难题。

WSN中基于压缩感知的异常事件检测方案

异常事件检测问题是无线传感器网络中的研究热点之一。为提高检测效率,提出一种基于压缩感知的异常事件检测方案。通过压缩采样得到各个节点感知数据的测量值,将异常事件检测问题建模为带权的l_1范数最小化问题,采用正交匹配追踪算法进行迭代求解,根据检测函数对求解结果进行判断,并依据判断结果更新权值,开始下一轮迭代,直到检测出无线传感器网络中存在的所有异常事件。仿真实验结果表明,该方案的漏检率和误警率较低,与CCM和GEP-ADS方案相比,分别能节省约4.1%和5.8%的能耗。

基于物联网技术的智能交通异常事件检测技术

在智慧城市建设进程过程中,智能交通是比较关键的领域之一。智能交通着重于解决交通道路上的突发紧急事件的检测和处理决策,在交通路口部署多角度的高清摄像头,物联网技术基于高清摄像头采集发生车辆行人类似冲突事故的原始数据,为后期的警务处理以及保险理赔提供了依据。物联网技术充分利用环境感知的特点,为交通异常事件参与者提供了相关信息,物联网技术能够快速定位发生异常事件的目标对象和位置信息,极大提高了智能交通的执行效率。

压缩感知理论在传感器异常事件检测中的应用

无线传感器存在网络节点多、能量有限等特点,针对传统方法异常事件检测成功率低的缺陷,利用压缩感知理论的信号重构优点,将压缩感知理论引入到无线传感器网络异常事件检测中。首先对无线传感器网络的异常事件检测研究现状进行分析,然后分析无线传感器网络模型以及异常事件检测问题,并采用压缩感知理论对异常事件进行分析和检测,最后,采用仿真实验对有效性进行验证。结果表明,压缩感知理论可以有效对无线传感器网络的异常事件进行处理,提高了检测成功率,降低了误检测率,完全可以满足无线传感器网络的实际应用要求。

基于改进CoSaMP的农田信息异常事件检测算法

针对农田监测区域大、监测节点能量有限以及异常事件具有偶发性等特点,提出了一种基于改进压缩采样匹配追踪的农田信息异常事件检测算法(DP-CoSaMP)。针对传统压缩采样匹配追踪(Compressive sampling matching pursuit,Co Sa MP)算法中相似原子选择和稀疏度要求已知问题,引进Dice系数有效区分原子相关性,保证选择最优原子;利用峰值信噪比(Peak signal to noise ratio,PSNR)与匹配信号残差具有相似变化趋势,动态调整算法迭代次数,避免稀疏度获取困难问题。仿真实验结果表明,本文算法异常事件检测成功率较现有算法提高了20%,网络能耗降低了15%,平均检测时间减少了50%。

一种基于光流法的逆行异常事件检测方法

机场大厅、公路等公共场合,经常需要行人或车辆单向运动,以保障开放环境的安全性及秩序性。对监控视频中的逆行异常事件进行检测,便于管理人员及时对可疑事件做出处理。提出了一种逆行异常事件的检测算法,它基于图像中特征点的光流场以及空间分布特性对特征点进行聚类,然后通过计算符合逆行条件的特征点数量实现对逆行异常事件的检测。理论分析和实验结果均表明,该方法既能显著降低运算的复杂度,又能明显提高检测的准确率,适用于实时性要求较高的智能视频监控系统。

基于时空融合图网络学习的视频异常事件检测

视频中异常事件所体现的时空特征存在着较强的相关关系.针对视频异常事件发生的时空特征相关性而影响检测性能问题,提出了基于时空融合图网络学习的视频异常事件检测方法,该方法针对视频片段的特征分别构建空间相似图和时间连续图,将各片段对应为图中的节点,考虑各节点特征与其他节点特征的Top-k相似性动态形成边的权重,构成空间相似图;考虑各节点的m个时间段内的连续性形成边的权重,构成时间连续图.将空间相似图和时间连续图进行自适应加权融合形成时空融合图卷积网络,并学习生成视频特征.在排序损失中加入图的稀疏项约束降低图模型的过平滑效应并提升检测性能.在UCF-Crime和ShanghaiTech等视频异常事件数据集上进行了实验,以接收者操作曲线(receiver operating characteristic curve,ROC)以及曲线下面积(area under curve,AUC)值作为性能度量指标.在UCF-Crime数据集下,提出的方法在AUC上达到80.76%,比基准线高5.35%;在ShanghaiTech数据集中,AUC达到89.88%,比同类最好的方法高5.44%.实验结果表明:所提出的方法可有效提高视频异常事件检测的性能.

基于卷积自编码器分块学习的视频异常事件检测与定位

视频异常事件检测与定位旨在检测视频中发生的异常事件,并锁定其在视频中发生的位置。但是视频场景复杂多样,并且异常发生的位置随机多变,导致发生的异常事件难以被精准定位。本文提出了一种基于卷积自编码器分块学习的视频异常事件检测与定位方法,首先将视频帧进行均匀划分,提取视频帧中每一块的光流和方向梯度直方图(Histogram of oriented gradient,HOG)特征,然后为视频中的不同图块分别设计卷积自编码器以学习正常运动模式特征,最后在异常事件检测过程中利用卷积自编码器的重构误差大小进行异常判断。该方法可以有效地针对视频不同区域进行特征学习,提升了异常事件定位的准确度。所提方法在UCSD Ped1、UCSD Ped2、CUHK Avenue三个公开数据集上进行实验,结果表明该方法能够准确定位异常事件,并且帧级别AUC(Area under the curve)平均提升了5.61%。