基于深度学习的异常事件检测

doi:10.3969/j.issn.0372-2112.2020.02.013

电子学报 ›› 2020, Vol. 48 ›› Issue (2): 308-313.DOI: 10.3969/j.issn.0372-2112.2020.02.013

基于深度学习的异常事件检测

闻佳^1,2,3, 王宏君^1,2,3, 邓佳^1,2,3, 刘鹏飞^1,2,3

1. 燕山大学信息科学与工程学院, 河北秦皇岛 066004;
2. 河北省计算机虚拟技术与系统集成重点实验室, 河北秦皇岛 066004;
3. 河北省软件工程国家重点实验室, 河北秦皇岛 066004

收稿日期:2018-12-30 修回日期:2019-05-30 出版日期:2020-02-25
- 通讯作者:
- 王宏君
- 作者简介:
- 闻佳女,1981年生于黑龙江齐齐哈尔.现为燕山大学副教授、硕士生导师.主要研究方向为模式识别和计算机视觉.E-mail:wjyanyuan@aliyun.com;邓佳女,1992年生于湖南怀化.现为燕山大学信息科学与工程学院硕士研究生.主要研究方机器学习.E-mail:1351270663@qq.com;刘鹏飞 男,1994年生于河北保定.现为燕山大学信息科学与工程学院硕士研究生.主要研究方向为计算机视觉.E-mail:2353865452@qq.com

Abnormal Event Detection Based on Deep Learning

WEN Jia^1,2,3, WANG Hong-jun^1,2,3, DENG Jia^1,2,3, LIU Peng-fei^1,2,3

1. School of Information Science and Engineering, Yanshan University, Qinhuangdao, Hebei 066004, China;
2. The Key Laboratory for Computer Virtual Technology and System Integration of Hebei Province, Qinhuangdao, Hebei 066004, China;
3. State Key Laboratory of Software Engineering of Hebei Province, Qinhuangdao, Hebei 066004, China

Received:2018-12-30 Revised:2019-05-30 Online:2020-02-25 Published:2020-02-25

摘要/Abstract

摘要： 面对复杂场景下异常事件检测的准确率偏低的情况，本文提出一种基于深度学习的异常事件检测方法，并将此方法扩展为异常事件分类方法.利用神经网络模型提取特征，将群体发散聚集事件，群体密集聚集事件，群体逃散事件和追赶事件这4种异常事件进行检测和分类.通过PKU-SVD-B测试集对训练出来的模型进行测试实验，并在UMN数据集上与几种方法做了对比实验，验证了本文提出的基于深度学习的异常事件检测算法，在适应多种不同场景的前提下，对多种异常事件检测的准确率很高，表明训练出来的模型对异常事件检测具有极强的泛化能力.

关键词: 异常检测, 异常分类, 深度学习, 图像处理, 卷积神经网络, 特征提取

Abstract: Faced with low accuracy of abnormal event detection in complex scenarios, this paper proposes an abnormal event detection based on deep learning in various public scenes and multiple types of anomalies, and the method has been extended to an abnormal event classification method.The neural network model is used to extract features, and the four kinds of abnormal events, such as group divergence aggregation events, group intensive aggregation events, group escape events and catch-up events, are detected and classified.Test the trained model with PKU-SVD-B test set, compared with various methods on the UMN datasets, and verify the algorithm of abnormal event detection based on deep learning proposed in this paper.Under the premise of adapting to different scenarios, various abnormal events are detected.The high accuracy rate indicates that the trained model has strong ability to generalize abnormal event detection.

Key words: abnormal detection, abnormal classification, deep learning, image processing, convolutional neural network, feature extraction

中图分类号:

TP389.1

闻佳, 王宏君, 邓佳, 刘鹏飞. 基于深度学习的异常事件检测[J]. 电子学报, 2020, 48(2): 308-313.

WEN Jia, WANG Hong-jun, DENG Jia, LIU Peng-fei. Abnormal Event Detection Based on Deep Learning[J]. Acta Electronica Sinica, 2020, 48(2): 308-313.

参考文献

[1] 郭倩如.监控视频中异常事件检测方法研究[D].杭州:杭州电子科技大学,2017.3-7.
[2] Ahmed,Sk.Arif,Dogra,Debi Prosad,et al.Surveillance scene representation and trajectory abnormality detection using aggregation of multiple concepts[J].Expert Systems with Applications,2018,101(1):43-55.
[3] Gnouma M,Ejbali R,Zaied M.Abnormal events.detection in crowded scenes[J].Multimedia Tools & Applications,2018,(3):1-22.
[4] Mehran R,Oyama A,Shah M.Abnormal crowd behavior detection using social force model[A].IEEE/ACM Computer Vision and Pattern Recognition[C].Miami,Florida,USA:IEEE,2009.20-25.
[5] Mahadevan V,Li W,Bhalodia V,et al.Abnormally detection in crowded scenes[A].IEEE/ACM Computer Vision and Pattern Recognition[C].San Francisco,California,USA:IEEE,2010.1975-1981
[6] Cui X,Liu Q,Gao M,et al.Abnormal detection using interaction energy potentials[A].IEEE/ACM Computer Vision and Pattern Recognition[C].Colorado,USA:IEEE,2011.3161-3167.
[7] 黄荷,俞亚萍,张之江.基于神经网络的密集人群视频异常检测[J].电子测量技术,2017,40(11):103-107.
[8] Wu S,Wong H S,Yu Z.A Bayesian model for crowd escape behavior detection[J].IEEE Transactions on Circuits & Systems for Video Technology,2014,24(1):85-98.
[9] 孙慧.HMM监控视频下的异常事件检测分析[J].信息与电脑(理论版),2017(20):42-54.
[10] Kumar D,Bezdek J C Rajasegarar S,et al.A visual-numeric approach to clustering and anomaly detection for trajectory data[J].Visual Computer International Journal of Computer Graphics,2017,33(3):265-281.
[11] 伟峰.视频监控中异常事件实时检测方法研究与实现[D].北京:中国科学技术大学,2017.45-48.
[12] 刘顺华.基于监控视频的人群异常事件检测[D].郑州:郑州大学,2017.
[13] Szegedy C,Liu W,Jia Y,et al.Going deeper with convolutions[A].IEEE/ACM Conference on Computer Vision and Pattern Recognition[C].Boston,USA:IEEE,2015.1-9.
[14] University of Minnesota.Unusual Crowd Activity Dataset[EB/OL].http://mha.cs.umn.edu/movies/crowdactivity-all.av,2019.

[1]	吴靖, 叶晓晶, 黄峰, 陈丽琼, 王志锋, 刘文犀. 基于深度学习的单帧图像超分辨率重建综述[J]. 电子学报, 2022, 50(9): 2265-2294.
[2]	毛国君, 王者浩, 黄山, 王翔. 基于剪边策略的图残差卷积深层网络模型[J]. 电子学报, 2022, 50(9): 2205-2214.
[3]	李雪莹, 王田路, 梁鹏, 王翀. 基于系统模型的用户评论中非功能需求的自动分类[J]. 电子学报, 2022, 50(9): 2079-2089.
[4]	琚长瑞, 秦晓燕, 袁广林, 李豪, 朱虹. 尺度敏感损失与特征融合的快速小目标检测方法[J]. 电子学报, 2022, 50(9): 2119-2126.
[5]	袁海英, 曾智勇, 成君鹏. 面向灵活并行度的稀疏卷积神经网络加速器[J]. 电子学报, 2022, 50(8): 1811-1818.
[6]	张志昌, 于沛霖, 庞雅丽, 朱林, 曾扬扬. SMGN：用于对话状态跟踪的状态记忆图网络[J]. 电子学报, 2022, 50(8): 1851-1858.
[7]	张亚洲, 俞洋, 朱少林, 陈锐, 戎璐, 梁辉. 一种量子概率启发的对话讽刺识别网络模型[J]. 电子学报, 2022, 50(8): 1885-1893.
[8]	王飞扬, 冀鹏欣, 孙笠, 危倩, 李根, 张忠宝. 一种基于深度学习的动态社交网络用户对齐方法[J]. 电子学报, 2022, 50(8): 1925-1936.
[9]	徐兴荣, 刘聪, 李婷, 郭娜, 任崇广, 曾庆田. 基于双向准循环神经网络和注意力机制的业务流程剩余时间预测方法[J]. 电子学报, 2022, 50(8): 1975-1984.
[10]	欧阳与点, 谢鲲, 谢高岗, 文吉刚. 面向大规模网络测量的数据恢复算法：基于关联学习的张量填充[J]. 电子学报, 2022, 50(7): 1653-1663.
[11]	张志文, 刘天歌, 聂鹏举. 基于实景数据增强和双路径融合网络的实时街景语义分割算法[J]. 电子学报, 2022, 50(7): 1609-1620.
[12]	裴炤, 邱文涛, 王淼, 马苗, 张艳宁. 基于Transformer动态场景信息生成对抗网络的行人轨迹预测方法[J]. 电子学报, 2022, 50(7): 1537-1547.
[13]	王相海, 赵晓阳, 王鑫莹, 赵克云, 宋传鸣. 非抽取小波边缘学习深度残差网络的单幅图像超分辨率重建[J]. 电子学报, 2022, 50(7): 1753-1765.
[14]	李政伟, 李佳树, 尤著宏, 聂茹, 赵欢, 钟堂波. 基于异质图注意力网络的miRNA与疾病关联预测算法[J]. 电子学报, 2022, 50(6): 1428-1435.
[15]	曲立国, 陈国豪, 胡俊, 陈鹏. 单次扫描连通域分析算法研究综述[J]. 电子学报, 2022, 50(6): 1521-1536.

基于深度学习的异常事件检测

Abnormal Event Detection Based on Deep Learning

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics