文献类型：期刊文章

作　　者：胡正平[1,2] 张乐[1,2] 李淑芳[1,2] 孙德纲[3]

HU Zhengping;ZHANG Le;LI Shufang;SUN Degang(School of Information Science and Engineering,Yanshan University,Qinhuangdao,Hebei 066004,China;Hebei Key Laboratory of Information Transmission and Signal Processing,Yanshan University,Qinhuangdao,Hebei 066004,China;School of Electronic Information and Engineering,Shandong Huayu University of Technology,Dezhou,Shandong 253000,China)

机构地区：[1]燕山大学信息科学与工程学院,河北秦皇岛066004 [2]燕山大学河北省信息传输与信号处理重点实验室,河北秦皇岛066004 [3]山东华宇工学院电子信息工程学院,山东德州253000

出　　处：《燕山大学学报》

基　　金：国家自然科学基金资助项目(61771420);河北省自然科学基金资助项目(F2016203422)

年　　份：2019

卷　　号：43

期　　号：1

起止页码：1-12

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA-PROQEUST、RCCSE、ZGKJHX、核心刊

摘　　要：近年来,随着视频监控系统的大量应用,人工的异常检测方法已难以适应视频数据的急剧增长,而3D特征描述、深度学习等最新技术不仅推动了计算机视觉领域的发展,也使得大规模的视频数据分析成为可能。目前基于视频监控系统的异常检测方法大致概括为两个方向:1)基于视频帧进行二维视觉特征提取并学习帧间信息,从而对视频目标进行时空表述。2)针对含有运动信息的时空兴趣块直接进行3D时空特征学习,并通过模式分类检测出异常及其所在位置。本文在对目前视频异常检测技术进行全面分析和总结的基础之上,对视频异常描述和视频异常分类两种任务模型中的已有方法与框架进行回顾,同时介绍了视频异常检测研究常用标准数据集及性能评估标准。

关 键 词：视频异常分析  行为建模  深度学习  3D时空特征  

分 类 号：TP391.41] TN948.6[计算机类]