武光利， 郭振洲， 李雷霆， 王成祥

(1. 甘肃政法大学 网络空间安全学院，兰州 730070；2. 西北民族大学 中国民族语言文字信息技术教育部重点实验室，兰州 730070)

在大数据时代，智能监控技术在分析与处理视频数据方面发挥着极其重要的作用.视频异常事件检测是智能监控技术的一个重要应用方向[1].人工检测是传统的视频异常检测方法，但人工检测方法的缺点显而易见.一方面，工作人员长时间观察监控视频会出现视觉疲劳和注意力不集中等状况，进而导致错检、漏检[2]；另一方面，人工检测方法较依赖于工作人员的日常经验和反应能力[3].与深度学习相结合的智能视频监控技术在一定程度上弥补了传统检测方法的不足[4]，在节省人力的同时，也更为准确高效.国内外研究人员大致基于两个研究方向解决视频异常事件的检测问题.

(1) 帧级检测.使用不同的方法提取特征，训练卷积神经网络[5]、支持向量机等模型并计算每一个视频帧是否发生异常事件的概率.何传阳等[6]针对人群异常行为提出一种改进的Lucas-Kanande光流方法.柳晶晶等[7]提出一种融合光流场和梯度的方法.都桂英等[8]提出一种改进的光流计算方法，在原方法的基础上融合加权光学能量特征(HOFO).Chen等[9]利用运动能量模型来表示人群中的局部运动模式.Luo等[10]提出一种与时间相关的稀疏编码(TSC)，使用时间相关项保留两个相邻帧之间的相似性.雷丽莹等[11]提出一种基于AlexNet模型的异常检测模型，其帧级……