异常检测论文阅读《Sparse Reconstruction Cost for Abnormal Event Detection》CVPR 2011

《Sparse Reconstruction Cost for Abnormal Event Detection》CVPR 2011

文章核心：

In this paper, we propose a general abnormal event detection framework using sparse representation for both LAE and GAE.

在本文中，作者提出了一个使用稀疏表示的LAE和GAE的通用异常事件检测框架。

理论依据：

Sparse representation is suitable to represent high-dimensional samples, we thus propose to detect abnormal events via a sparse reconstruction from normal ones.

理论来源，就是发现：稀疏表示适用于表示高维样本，因此我们提出通过对正常事件的稀疏重建来检测异常事件。
sparse representation ： 稀疏表示（Sparse Representation）也叫作稀疏编码（Sparse Coding）,就是用字典中元素的线性组合去表示测试样本。

引用一个表达比较好的例子来阐述稀疏表示（Sparse Representation）：如下图现在给定一个任务，在字典中找出10张图片，用这10张图片的一个线性组合去尽可能的表示测试样本，如果是你的话，你会怎么选，你会选10张桌子图片去表示 一张狗的图片吗？不会的，你会选10张狗的图片竟可能的描述测试样本。这也就是稀疏表示的过程。

表示，就是用字典中的元素（就是字典中的样本）的线性组合尽可能的描述（还原）测试样本。
稀疏表示要用尽可能少的字典中的元素去描述测试样本。为什么要稀疏呢？为什么选用的字典中的样本要尽可能少呢？你可以想象对于一个狗的图片，我用大量的字典中桌子的的样本，东补补西凑凑，只要桌子的样本够多，我也是可以用大量桌子图片的线性组合去表示狗这张图片的。所以对字典中选取的样本的数量要求尽可能的少。

基于上面的介绍我们可以大致对稀疏表示（Sparse Representation）建立一个初步的印象，在这前提下我们来结合论文，看看他们是怎么实现的。

首先：（字典的组成）

Given an input test sample y ∈ Rm, we reconstruct it by a sparse linear combination of an overcomplete normal (positive) basis set Φ =R^{m×D}（这个集合就相当于上面例子里面的字典） , where m < D.
To quantify the normalness, we propose a novel sparse reconstruction cost (SRC) based on the weighted l minimization.（与查询字典配合的系数，为了结和字典来更好的生成重构样本）

其次：the basic idea of our algorithm

In Fig.2©, each point is a feature point in a high dimensional space; various features are chosen for LAE or GAE depending on the circumstances, which is concatenated by Multi-scale Histogram of Optical Flow (MHOF), as in Fig.2(B). Usually at the beginning, only several normal frames are given for initialization and features are extracted to generate the whole feature pool B (the light blue points), which contains redundant noisy points.


字典的选择，就是图片中正常的样本特征的选择

上面是简要的算法流程。

异常事件的检测框架

那作者怎么判断异常呢？

A normal event is likely to generate sparse reconstruction coefficients with a small reconstruction cost, while abnormal event is dissimilar to any of the normal basis, thus generates a dense representation with a large reconstruction cost.
判断异常的依据：
正常事件可能产生重构代价小的稀疏重构系数，而异常事件与任何正常的都不同，从而生成重构代价大的密集表示。

如下图所示：
实验检测效果在三个数据集上面进行测试（UMN dataset、UCSD Ped1 datasets、） 。