谢森义，黄朝兵

（武汉理工大学信息工程学院，武汉 430070）

0 引言

随着社会的发展，安全监控越来越普及。由人工来鉴别这些监控视频效率是非常低而且人工成本也很高。这就加大了对视频异常事件检测的需求。目前，对于异常事件检测仍然没有一个精确的定义，大多数的检测方法都是对正常事件建模，不属于正常事件的所有事件都被认为是异常事件，这就需要训练数据包含更多的正常事件种类。

异常事件检测方法可分为基于目标轨迹的方法[1]和基于底层特征的方法。基于目标轨迹的方法对目标进行跟踪，提取目标轨迹进行异常检测。这种方法可以获取运动目标的各种状态，准确度高；缺点是局限于目标跟踪算法，对噪声、遮挡很敏感，在拥挤的场景中存在大量遮挡，跟踪效果较差。而基于底层特征的算法在拥挤场景中可以有良好的表现效果。目前经典的检测模型包括概率主题模型[2]和稀疏表示模型[3-4]等。稀疏表示第一次应用于异常事件检测时就表现出了良好的性能。但由于大量的计算没有取得很快的检测速度，远远达不到实时性的要求。

鉴于上述问题，本文采用了稀疏组合学习的检测模型[4]进行异常事件检测。并针对其不能自适应的问题作出改进。

1 异常事件检测流程

本文检测算法流程图如图1所示，本算法适用于拥挤场景，可以检测出局部异常事件。

图1 异常事件检测流程

在特征提取阶段运动模型的表示采用时空模型[5]，这样可以检测局部异常事件，模型特征采用三维梯度特征，为每一个时空容器提取三维梯度特征，通过PCA对特征降维。……