基于深度自编码-高斯混合模型的视频异常检测方法

摘要：

由于异常定义的模糊性和真实数据的复杂性,视频异常检测是智能视频监控中最具挑战性的问题之一.基于自动编码器(AE)的帧重建(当前或未来帧)是一种流行的视频异常检测方法.使用在正常数据上训练的模型,异常场景的重建误差通常比正常场景的重建误差大得多.但是,这类方法忽略了正常数据本身的内部结构,效率较低.基于此,提出了 一种深度自动编码高斯混合模型(DAGMM).首先利用深度自动编码器获得输入视频片段的生成低维表示和重构误差,并将其进一步输入高斯混合模型(GMM).而估计网络则通过高斯混合模型预测能量概率,然后通过能量密度概率判断异常.DAGMM以端到端的方式同时联合优化深度自动编码器和GMM的参数,能够平衡自动编码重建、低维表示的密度估计和正则化,泛化能力强.在两个公共基准数据集上的实验结果表明,DAGMM达到了现有最高技术发展水平,在UCSD Ped2和ShanghaiTech两个数据集上分别取得了95.7％和 72.9％的帧级 AUC.

关键词：视频监控、异常事件、自编码网络、高斯混合模型、深度学习

所属期刊栏目：51

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金61662007

在线出版日期：2022-08-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：365-371