深度自编码与自更新稀疏组合的异常事件检测算法
基于深度学习的异常检测算法输入通常为视频帧或光流图像,检测精度和速度较低.针对上述问题,提出了一种以运动前景块为中心的卷积自动编码器和自更新稀疏组合学习(convolutional auto-encoders and self-updating sparse combination learning,CASSC)算法.首先,采用自适应混合高斯模型(gaussian mixture model,GMM)提取视频前景,并以滑动窗口的方式根据前景像素点占比过滤噪声;其次,构建3个卷积自动编码器提取运动前景块的时空特征;最后,使用自更新稀疏组合学习对特征进行重构,依据重构误差进行异常判断.实验结果表明,与现有算法相比,该方法不仅有效地提高了异常事件检测的准确性,且可以满足实时检测需求.
深度学习、稀疏组合、自动编码器、自更新、异常事件检测、卷积神经网络、无监督学习、稀疏学习
15
TP391(计算技术、计算机技术)
国家自然科学基金项目61976158,61673301
2021-05-24(万方平台首次上网日期,不代表论文的发表时间)
共7页
1197-1203