【作者】 张扬；

【导师】 李玺；

【作者基本信息】 浙江大学 ， 计算机科学与技术， 2018， 硕士

【摘要】 密集人群中的异常事件检测是计算机视觉中的重要问题,主要目的是在包含密集人群的视频当中检测识别出有异常行为的目标。目前,随着经济发展和人口流动的加剧,许多公共场合如地铁口、商场内,都需要配置大量安防人员进行人工筛检,因此这种自动化的检测技术在监控、安防等领域有着重要的应用价值。近来,随着深度学习的发展,尤其是卷积神经网络在目标检测等任务上的取得了巨大突破,使用深度学习框架提取特征正成为解决许多问题的途径。本文针对异常行为检测这一任务,使用卷积神经网络作为工具,从利用自编码器重构正常场景以及使用自编码器提取的特征进行分类这两个方向提出了两种不同的解决方法。具体如下:1.自编码器能够无监督的学习训练数据,通过优化重构自身的损失,从而得到自身的稀疏表示。当输入数据为含有正常行为的视频帧数据,重构的损失较小,反之,当输入数据为含有异常数据的视频帧,则会出现较大的损失,因此可以检测出含有异常行为的视频帧。本文提出的方法加入了预测未来的分支,使得中间层学习的信息更加丰富,取得了较好的实验效果。2.自编码器除了能够重构原始输入以外,还可以在隐含层当中得到原始输入的稀疏表示,该表示可以作为特征进行学习任务。同时,因为卷积网络保留了图片的空间信息,因此可以使用整张图像进行运算,提高了计算效率。该算法利用卷积自编码器分别对目标的外观和动作进行建模,利用单分类支持向量机进行离群值检测,取得了较好的检测效果。更多还原

【Abstract】 Anomaly detection is an import domain in computer vision.It aims at detecting anomaly behaviors in videos of crowded scenes.With the development of economics and increasement on population mobility,there is an increasing requirement of secu-rity guards in many public occasions,such as subway entrances and market halls.As a result,automatic anomaly detection technologies have great commercial value in se-curity.Recently,deep learning espeicially convolutional neural network has achieved great advancement in some import tasks in computer vision such as object detection,im-age segmentation,etc.This thesis proposed two approaches based on the convolutional autoencoder to solve the task of anomaly detection in crowded scenes:1.Autoencoder can be trained on data unsupervisely and get sparse features of data by optimizing construction loss.It will output low construction loss with normal data and output high construction loss with abnormal data.We can use this property to detect anomaly frames.We proposed a method which reconstructs the input and predicts future frames at the same time and achieve good results in experiment2.The features in the latent layer of autoencoder are sparse representations of the input data.It can be used to classify scenes.Our method uses an autoencoder to en-code both spatial and temoral information in videos and detect anomaly by using one-class SVM.This method achieves increasement both on efficiency and preci-sion.更多还原