视频异常检测数据集总结

加一点点醋

已于 2024-04-23 11:36:55 修改

阅读量4.9k

点赞数 12

分类专栏： # 视频异常事件挖掘 # pytorch时空数据处理文章标签： pytorch 数据挖掘异常检测计算机视觉

于 2021-02-11 12:12:51 首次发布

本文链接：https://blog.csdn.net/u013398034/article/details/113789149

版权

视频异常事件挖掘同时被 2 个专栏收录

12 篇文章 9 订阅

订阅专栏

pytorch时空数据处理

12 篇文章 8 订阅

订阅专栏

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
在这里插入图片描述

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

在这里插入图片描述

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.

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}
}