基于自上而下学习的视频异常检测

In this work, we consider the problem of detection of anomalous behaviors in crowded scenes. However, most anomaly detection methods fail to consider the geometrical structure of original data space and eliminate redundant information of video patches. In order to overcome these drawbacks, a novel method,named Top-Down learning method, incorporating conditional random field(CRF) and alternatively onstrained sparse coding is proposed. In this paper, sparse coding,conducted as a latent variables, can obtain a more compact and discriminative representation. On the other hand, a novel CRF model is driven by using sparse coefcient as latent variables, which will improve the probability that the closer video patches can be divided into the same class. In sparse coding, the non-local self-similarity and manifold learning are incorporated as two regularization terms into the original sparse coding. The purpose of simultaneously imposing these two regularization terms is to design a novel sparse coding algorithm for having discrimination properties, which can enhance the learningerformance. We note that the proposed method is more than a straight forward combination of CRF and sparse coding. Instead, we formulate a novel CRF with sparse latent variables. By using sparse codes as latent variables, we learn a discriminative dictionary modulated by CRF, and meanwhile a CRF driven by sparse coding.

本文着重研究在复杂的背景下视频的异常检测问题。目前视频异常检测算法未能考虑原始数据空间的几何结构信息和消除视频中的冗余信息。本文拟提出基于自上而下的视频异常检测算法，该算法基于条件随机场和带有双约束的稀疏编码的联合训练模型。通过有效的提取视频中的有效信息并充分利用邻近视频块之间的关系训练得到的模型能够更加有效的检测出视频中异常行为。其中，在双约束的稀疏编码中，通过采用非局部自相似性和流形约束，使得在稀疏分解过程中能够利用原始的数据空间的结构性，从而保证了在分解过程中，相类似的数据具有相同的稀疏表达式以提高学习能力。在这里应该指出的是，我们不是简单将条件随机场和稀疏编码结合在一起，而是将稀疏编码系数作为条件随机场的隐随机变量进行学习得到权值参数，通过条件随机场方法驱动来得到判别性字典。

由于拥挤人群场景中的运动目标比较多，目标运动复杂，彼此之间出现频繁的遮挡。而这些方法很少考虑到原始数据空间的几何结构信息和对应的编码关系，从而会导致同源的测试数据中正常的样本不能被更好的表达。在这种情况下，异常样本与正常样本编码间的差异不容易被区分，使得异常样本的判断变得困难。其次这些异常检测算法未能对所提取的视频块进行特征选择。由于所提取的块中含有很多的冗余性，这些冗余块给异常检测带来了很大的干扰。因此，如何依据视频的空域和时域上的数据特性来开发更好的学习算法以得到更实用的视频异常检测算法一直是研究的热点。本项目着重研究在复杂的背景下视频的异常检测问题。本项目设计了一种基于自上而下的视频异常检测模型及检测算法，该算法基于条件随机场和带有双约束的稀疏编码的联合训练模型。通过有效的提取视频中的有效信息并充分利用邻近视频块之间的关系训练得到的模型能够更加有效的检测出视频中异常行为。其中，在双约束的稀疏编码中，通过采用非局部自相似性和流形约束，使得在稀疏分解过程中能够利用原始的数据空间的结构性，从而保证了在分解过程中，相类似的数据具有相同的稀疏表达式以提高学习能力。我们设计地视频异常检测模型及检测算法，充分考虑各个空域和时域上之间的关系，引入带有判别先验信息的异常检测方法，能有效的检测出复杂背景下的异常行为模式。本项目基金资助下，我们一共发表了六篇SCI论文，专著一部,培养了研究生十名。