基于稀疏表达和字典选择的一致异常行为检测算法研究

基于视频的异常行为检测对公共安全具有重要意义。由于异常行为的复杂性和不可预测性，导致其难于表达和度量，因此现有方法都只针对局部异常行为或全局异常行为，目前尚无有效的检测算法和应用系统。此项目申请拟首次应用稀疏表达理论和群稀疏性理论建立面向复杂场景统一的异常行为检测算法，同时解决局部和全局异常行为检测问题。表达上，我们充分利用视频时空域信息并融合拓扑结构信息对异常行为进行描述；模型上，我们将首次提出字典选择模型并证明其收敛性；解法上，通过将其转化为非光滑凸优化问题，并利用极速梯度优化算法实现快速求解。在此基础上，本课题拟利用加权稀疏表达系数定义重构代价，对行为异常性进行度量，并给出稀疏贝叶斯框架下的理论解释。本课题的研究成果将在理论上解决基于统计模型有限高维训练样本的欠拟合问题，对异常行为检测的实际应用将具有重要推进作用。

本项目面向公共安全领域中的异常行为检测问题开展研究，意在提出一种复杂场景下异常行为检测的通用算法架构，其主要包括两个核心问题：视频中异常行为的表达以及视频中异常行为的度量。在课题执行期间，我们围绕这两个核心问题开展研究，分别提出两套解决方案，并相应发表了多篇高水平论文。1）我们将异常行为检测问题描述成稀疏重构问题，基于稀疏贝叶斯框架建立了一套基于稀疏表达的异常行为检测算法。在异常行为的描述方面，我们提出了面向大样本的字典选择模型，客服了我们早期工作中大样本训练效率低下的问题；在异常度量方面，我们提出了稀疏贝叶斯框架下的异常度量测度，并利用从训练样本中所学习的先验，提高模型鲁棒性。2）我们将异常行为检测问题转化为大数据检索问题。在异常行为表达方面，我们提出了一种基于时空视频分割和区域描述的异常行为表达方式；在异常度量方面，我们提出一种基于随机映射检索和动态自适应阈值估计的异常行为检测算法框架，克服了传统基于模型的异常行为检测算法针对有限样本训练集时的不足。上述理论成果已经发表多篇高水平论文包括IEEE Transaction论文4篇和模式识别知名期刊Pattern Recognition 论文2篇，参与出版Springer专著一部，并获得辽宁省自然成果特等奖一项。