图结构多尺度变换的视频异常检测
目的 在监控场景的视频异常检测中,存在数据量大和检测速度慢的问题,为此提出图结构多尺度变换下的视频异常检测方法.方法 针对视频中光流特征的空间结构存在关联性,提出构建光流特征网络图结构,并在相关约束下利用光流特征图结构的迭代尺度化变换,有效降低视频异常检测中的光流特征数量,从而完成特征优化.光流特征图结构的尺度化变换首先利用光流特征图结构的图拉普拉斯矩阵所对应的最大特征向量的极性来筛选顶点,完成图的下采样操作;接着利用Kron规约构建顶点间的内在连接,重新构建光流特征图结构.结果 该方法能够提高视频异常检测算法的检测速度,但这是在略微降低检测精度的前提下实现的.在UMN数据集中,当尺度化图结构仅一次时的检测精度下降了3.2％,但检测速度提升了19.1％.这对整个视频集的检测速度的提升有明显效果.当尺度化次数为两次时的检测精度下降了7.3％,但这时检测效果达不到实际要求.此时,当尺度化图结构仅一次时异常检测的效果能达到预期.在Web数据集中,当尺度化图结构仅一次时,检测精度下降了1.9％,但检测速度提升了32％;尺度化两次时,检测精度降低了4.8％,检测速度提升了51％.因此,需要根据检测精度与检测速度的综合考虑后,选择尺度化次数是一次还是两次.但是随着尺度化次数的提高,这时检测效果就不能符合要求.结论 本文利用不规则的网络图结构来更好地表述特征之间的空间关系,并且多尺度变换后图结构也能表述特征间仍然保留有较强的空间关系.在不同的视频监控场景下,根据对检测精度与检测速度的综合考虑后选择合适的尺度化次数,从而实现快速异常检测.
光流特征、特征优化、图结构、多尺度变换、异常检测
22
TN911.73
国家自然科学基金项目61372157;浙江省一流学科A类资助基金;National Nature Science Foundation of China61372157
2017-12-11（万方平台首次上网日期，不代表论文的发表时间）
共9页
1544-1552
