融合自编码器和one-class SVM的异常事件检测
目的 在自动化和智能化的现代生产制造过程中,视频异常事件检测技术扮演着越来越重要的角色,但由于实际生产制造中异常事件的复杂性及无关生产背景的干扰,使其成为一项非常具有挑战性的任务.很多传统方法采用手工设计的低级特征对视频的局部区域进行特征提取,然而此特征很难同时表示运动与外观特征.此外,一些基于深度学习的视频异常事件检测方法直接通过自编码器的重构误差大小来判定测试样本是否为正常或异常事件,然而实际情况往往会出现一些原本为异常的测试样本经过自编码得到的重构误差也小于设定阈值,从而将其错误地判定为正常事件,出现异常事件漏检的情形.针对此不足,本文提出一种融合自编码器和one-class支持向量机(support vector machine,SVM)的异常事件检测模型.方法 通过高斯混合模型(Gaussian mixture model,GMM)提取固定大小的时空兴趣块(region of interest,ROI);通过预训练的3维卷积神经网络(3D convolutional neu-ral network,C3D)对ROI进行高层次的特征提取;利用提取的高维特征训练一个堆叠的降噪自编码器,通过比较重构误差与设定阈值的大小,将测试样本判定为正常、异常和可疑3种情况之一;对自编码器降维后的特征训练一个one-class SVM模型,用于对可疑测试样本进行二次检测,进一步排除异常事件.结果 本文对实际生产制造环境下的机器人工作场景进行实验,采用AUC(area under ROC)和等错误率(equal error rate,EER)两个常用指标进行评估.在设定合适的误差阈值时,结果显示受试者工作特征(receiver operating characteristic,ROC)曲线下AUC达到91.7％,EER 为13.8％.同时,在公共数据特征集USCD(University of California,San Diego)Pedl 和USCD Ped2上进行了模型评估,并与一些常用方法进行了比较,在USCD Pedl数据集中,相比于性能第2的方法,AUC在帧级别和像素级别分别提高了2.6％和22.3％;在USCD Ped2数据集中,相比于性能第2的方法,AUC在帧级别提高了6.7％,从而验证了所提检测方法的有效性与准确性.结论 本文提出的视频异常事件检测模型,结合了传统模型与深度学习模型,使视频异常事件检测结果更加准确.
视频异常事件检测、时空兴趣块、3维卷积神经网络、降噪自编码器、one-class支持向量机
25
TP75(遥感技术)
国家自然科学基金项目;浙江省重点研发计划项目;浙江省自然科学基金项目
2021-02-04（万方平台首次上网日期，不代表论文的发表时间）
共16页
2614-2629
