35、异常事件检测与高光谱图像分类的技术探索

异常事件检测与高光谱图像分类的技术探索

异常事件检测

在视频监控领域，异常事件检测是一个重要的研究方向。过去，研究者们采用了多种方法来实现这一目标。

早期的方法包括：
- Kratz等人计算局部时空运动模式，结合隐马尔可夫模型（HMM）在极度拥挤场景中进行异常检测。
- Jeong等人利用轨迹进行特征提取，并应用LDA + GMM技术进行交通异常检测。
- Piciarelli等人采用基于高斯核的轨迹子采样方法进行特征提取，使用一类支持向量机（SVM）聚类检测异常事件。
- Medioni等人计算HOF网格进行特征表示，再用一类SVM在拥挤场景中检测视觉异常事件。

近年来，深度学习方法在异常事件检测中取得了成功：
- Xu等人使用堆叠去噪自动编码器（SDAE）基于早期融合机制学习外观和运动特征。
- Chong等人使用卷积时空自动编码器从视频中学习深度特征。
- Hasan等人将手工特征（HOG和HOF）与卷积自动编码器（CAE）结合提取深度特征。
- Vu等人使用受限玻尔兹曼机（RBM）进行视频异常检测。
- Tran等人使用C3D架构学习时空特征进行动作识别。
- Sultani等人使用基于C3D架构的深度多实例学习框架和SVM分类器进行监控视频中的异常检测。
- Medel等人使用卷积长短期记忆网络进行视频异常检测。
- Hinami等人设计了多测试快速R - CNN用于检测和统计视频中的异常事件。

然而，这些复杂的深度学习方法大多具有较高的计算复杂度，不适合实时实现。因此，提出了一种双流2D - CNN架构来解决这个问题。