UMN 主要包括人群的异常行为
数据集地址:http://people.ece.umn.edu/users/parhi/.DATA/OCT/DME/
UMNDataset.mat
处理UMNDataset.mat,转换成图片
#仅处理UMNDataset.mat
import cv2
import scipy.io as scio
import os
folder = r'I:/02OCT/OCTdataset/UMN'
path = os.listdir(folder)
srcdst = 'I:/02OCT/OCTdataset/UMNDataset/srcimg/'
m1dst = 'I:/02OCT/OCTdataset/UMNDataset/manual1/'
m2dst = 'I:/02OCT/OCTdataset/UMNDataset/manual2/'
for each_mat in path:
print(each_mat)
first_name, second_name = os.path.splitext(each_mat)
print('mat名',first_name)
# 拆分.mat文件的前后缀名字,注意是**路径**
each_mat = os.path.join(folder, each_mat)
array_struct = scio.loadmat(each_mat)
img_data = array_struct['AllSubjects']# 原图像
row_len_out = len(img_data[0])
row_len_inner = img_data[0][0].shape[2]
print(row_len_inner)
for i in range(row_len_out):
for j in range(row_len_inner):
cv2.imwrite(srcdst + 'img' + str(i) +'index'+str(j)+ '.jpg', img_data[0][i][:, :, j])
manual1_data = array_struct['ManualFluid1'] # 标注1
row_len_out = len(manual1_data[0])
row_len_inner = manual1_data[0][0].shape[2]
print(row_len_inner)
for i in range(row_len_out):
for j in range(row_len_inner):
cv2.imwrite(m1dst + 'img' + str(i) + 'index' + str(j) + '.jpg', manual1_data[0][i][:, :, j])
manual2_data = array_struct['ManualFluid2'] # 标注2
row_len_out = len(manual2_data[0])
row_len_inner = manual2_data[0][0].shape[2]
print(row_len_inner)
for i in range(row_len_out):
for j in range(row_len_inner):
cv2.imwrite(m2dst + 'img' + str(i) + 'index' + str(j) + '.jpg', manual2_data[0][i][:, :, j])
上面获取到的原图像可以正常显示,但是手动标记图像不能正常显示。再进行一次转换
#转换[0,1] -> [0,255] 手动标记获取
import cv2, os
m1dst = 'I:/02OCT/OCTdataset/UMNDataset/manual1/'
m2dst = 'I:/02OCT/OCTdataset/UMNDataset/manual2/'
#print(os.listdir(r'/Users/hjy/Desktop/blues'))
def changeImg(gray):
H, W = gray.shape
for i in range(0, W):
for j in range(0, H):
if gray[j, i] != 0:
gray[j, i] = 255
return gray
list = os.listdir(m1dst)
for i in list:
print(i)
img1 = cv2.imread(m1dst+i,0)
img2 = cv2.imread(m2dst+i,0)
img1 = changeImg(img1)
img2 = changeImg(img2)
cv2.imwrite(m1dst+i,img1)
cv2.imwrite(m2dst+i,img2)
UCSD 异常检测数据集
UCSD异常检测数据集是通过学校中固定在较高位置上的摄像机获得的,俯瞰人行道。走道中的人群密度是变化的,从稀疏到非常拥挤。在正常设置中,视频仅包含行人。异常事件是由以下两种情况引起的:
-
非人行道物体在人行道上的流通
(如:卡车,自行车) -
异常的行人运动模式
(如:从草坪中穿过,跑步)
常见的异常现象包括:骑自行车的人,滑冰运动员,小推车,以及走过人行道或周围草地的人。还记录了一些坐轮椅的人。所有异常都是自然发生的,即它们不是为了组装数据集而分阶段的。数据被分成2个子集,每个子集对应于不同的场景。从每个场景记录的视频片段被分成大约200帧的各种片段。
- Peds1:走向和远离相机的人群剪辑,以及一些透视失真。包含34个培训视频样本和36个测试视频样本。
- Peds2:行人移动平行于相机平面的场景。包含16个培训视频样本和12个测试视频样本。
对于每个剪辑,地面实况注释包括每帧的二进制标记,指示在该帧处是否存在异常。此外,Peds1的10个剪辑和Peds2的12个剪辑的子集提供有手动生成的像素级二进制编码,其识别包含异常的区域。这旨在使得能够评估关于算法定位异常的能力的性能。
数据集下载:
http://www.svcl.ucsd.edu/projects/anomaly/UCSD_Anomaly_Dataset.tar.gz
Examples of Anomalies
Subway Entrance/Exit 摄像头放在地铁口拍摄人流进出的过程
Subway 数 据 集包 含 地 铁 站 入 口(Subwayentrance)和地铁站出口(Subwayexit)两个视 频,异 常 事 件 主 要 包 括:错 误 的 方 向、逃票、徘徊等.
CUHK Avenue
这个数据集包含16个训练和21个测试视频片段。视频总共包含30652帧。训练视频包含正常情况下的视频。测试视频包含标准和异常事件视频。
数据集下载链接:http://www.cse.cuhk.edu.hk/leojia/projects/detectabnormal/Avenue_Dataset.zip
ShanghaiTech
类似UCSD,校园拍摄的,场景比UCSD更多,异常总类也是。
资源链接
https://www.cv-foundation.org/openaccess/content_cvpr_2016/html/Zhang_Single-Image_Crowd_Counting_CVPR_2016_paper.html
UCF-Crime (Weakly Supervised)
真的难下,需要可以邮件. yang1995t@163.com 联系我,百度云分享给你
网络收集,监控等等
Street Scene (WACV 2020)
XD-Violence (ECCV 2020)
ADOC (ACCV 2020)
以下基本都是交通事故的
DAD
A3D
DADA Download link
DoTA Download_link
Iowa DOT Download_link
欢迎交流以及引用我们的工作:
Video anomaly detection based on spatio-temporal relationships among
@article{DBLP:journals/ijon/WangLZG23, author = {Yang Wang and Tianying Liu and Jiaogen Zhou and Jihong Guan}, title = {Video anomaly detection based on spatio-temporal relationships among objects}, journal = {Neurocomputing}, volume = {532}, pages = {141--151}, year = {2023}, url = {https://doi.org/10.1016/j.neucom.2023.02.027}, doi = {10.1016/J.NEUCOM.2023.02.027}, timestamp = {Tue, 21 Mar 2023 16:08:03 +0100}, biburl = {https://dblp.org/rec/journals/ijon/WangLZG23.bib}, bibsource = {dblp computer science bibliography, https://dblp.org} }