在一类分类环境下，利用星团内部收缩现象进行行人异常检测

《IEEE Transactions on Artificial Intelligence》：Intracluster Contraction for Pedestrian Anomaly Detection Under One-Class Classification Setting

视频异常检测（VAD）通过单类分类（OCC）框架结合场景外观特征与运动速度信息提升检测效果。针对异常样本稀缺问题，提出内聚收缩（ICC）模块优化速度特征聚类边界，并通过多模态概率模型建模正常行为分布，增强对复杂场景的适应性。

　　

影响声明：

视频异常检测（VAD）旨在识别连续视频中的意外人类行为，例如公共场所的暴力事件和交通违规行为。这是一个重要的...显示更多

摘要：

视频异常检测（VAD）专注于识别视频序列中的不寻常或意外事件。然而，由于异常样本的稀缺性，完全监督学习方法并不适合这项任务。为了解决这个问题，一类分类（OCC）作为一种有效的VAD解决方案应运而生。在OCC框架下，训练阶段只需要正常样本来构建检测模型。因此，VAD在OCC设置中的核心在于有效地模拟训练过程中行人行为的正常性。最近的研究通常依赖于外观特征来进行准确的特征建模。然而，过度依赖外观特征使得检测系统对行人运动异常不敏感。在这项研究中，我们结合了通用场景外观特征和从光流中得到的简单速度表示，以实现高性能的VAD。我们认为，当速度信息与设计良好的分布模型结合时，可以有效地描述行人活动。鉴于正常行人运动的多样性，我们采用了多模态概率模型来学习训练过程中的速度正常性分布。然而，直接对原始速度特征进行建模会导致簇的混合和簇边界的分散，这阻碍了正常样本和异常样本之间的区分。为了解决这个问题，我们提出了一个簇内收缩（ICC）模块。ICC将提取的特征映射到它们局部高密度中心的邻域，从而形成更紧凑的局部簇。这显著增强了正常样本和异常样本之间的区分度。对于深度场景外观特征，我们也应用ICC来调整特征分布，并设计了一个基于距离的密度估计器来检测外观异常。我们的方法结合了外观和运动信息，显示出对复杂和多变场景的高度适应性。

显示更多

引言

视频异常检测（VAD）的主要目标是识别监控摄像头捕捉到的不寻常和意外事件[1]、[2]、[3]、[4]。这类异常事件与正常或典型行为形成鲜明对比。然而，VAD面临的一个主要障碍是异常事件的本质：异常样本的极度稀缺。具体来说，收集一个包含所有可想象异常的代表性且平衡的数据集通常是不可行的、成本高昂的，或者根本不可能的。为了克服这一挑战，一类分类（OCC）作为一种有效的VAD解决方案应运而生。在OCC框架中，训练阶段仅使用正常样本。检测模型学习特征空间中的正常性特征或边界。之后，在推理阶段，任何与这种学习到的正常特征显著偏离的视频序列都被标记为异常。因此，OCC框架下VAD的关键在于两个步骤：首先，必须从监控视频中仔细选择代表性属性；其次，在训练阶段需要学习正常的分布。通过这样做，可以有效地实现异常检测。