基于稀疏表示的异常事件检测算法研究

Abnormal detection in videos and images is very important in situations of work and life and has been attracted attention by many reseachers.Our researcher group will use sparse representation to detect the abnormal events from videos and images.In our research, the features based on superpixels and the context of superpixels are introduced into the sparse representation, as well as the high-level knowledge.Moreover, we apply the Low Rank to study dictionary and use some algorithms to speed up the abnormal detection. Finally, the abnormal detection system is built to analysis and evaluate the performance of the algorithm.

视频和图像中异常事件检测在人类生活和工作的多种场合具有举足轻重的作用，在学术界也得到大量学者的重视。本课题组拟通过使用稀疏表示对视频和图像中的异常事件进行检测。我们首先在传统基于稀疏表示的异常检测中引入超像素的概念，使用基于超像素的特征作为稀疏表示的特征，并将超像素的上下文信息也融入其中。其次，为保证异常检测的鲁棒性，将全局知识信息引入稀疏模型作为高层指导。而且我们将矩阵低秩分解引入稀疏字典学习中，并在具体的计算中使用加速算法对异常检测进行加速，使最后的算法可以做到实时对视频中的异常事件进行检测。最后，我们实现基于稀疏表示的异常事件检测系统，对相关算法性能进行分析和评价。

随着经济的发展，社会科技的进步，诸如数码相机，录像机，智能终端等多媒体设备大量出现，图像和视频的增长速度达到一个惊人的程度。随着各个行业对安全的重视，各种摄像设备大量出现，特别是在人群比较密集的场合，例如火车站、飞机场、车流密集的公路上等。通过这些设备可以有效地监督各类场合中事故，犯罪，恐怖袭击等事件，做到在事件发生时能够及时地发现和处理，以及为事后相关纠纷提供依据。面对大量存在的视频和图像，如果通过人工方式调阅海量的图像和视频进行事后查询和分析，不仅耽误案件的及时处理，同时资料的手动查询也给工作人员带来了巨大的负担。如何从这些海量的图像和视频中发现异常情况，让视频自动检测异常事件并及时给予报警，这一切在未来的生活和工作中显的越来越重要。..为解决以上难题，本课题通过对多媒体中的视频数据进行分析，发现视频中的异常事件，为生活和工作提供便利。不同于传统方法，本课题从异常事件检测的整体框架入手，提出自上而下的异常事件解决方案。首先，本课题首次将异常事件检测问题视为一个最大后验概率问题，将常用的统计学方法引入异常事件检测方案中。其次，将模板的概念应用到异常事件检测中。最后，对传统的基于稀疏编码的方法进行扩展，基于传统单个字典的稀疏表示方法，将双稀疏字典方法应用到异常检测中。.提出方法在世界公开的数据集UCSD、UMN和Avenue上表明，提出的方法相对传统的方法，获得较好的结果。