崔 捷，张战成，方 骞，殷 歆

（苏州科技大学 电子与信息工程学院，江苏 苏州215009）

异常行为检测是智能公共监控的重要任务，对于提高监控系统的智能性有明显的实际意义。该任务的难点在于异常事件的发生非常罕见且异常行为类别很多难以定义，环境因素影响下某些看似正常的行为也可以被认为是异常。由于没有很好的异常训练样本，异常数据量相比正常数据量极度不平衡，业界普遍采用无监督或半监督机器学习算法来处理。其中无监督算法不需要样本标注，因此数据预处理较为简单且非常适合样本缺乏的情况，其通常的思路是：由于正常样本是非常充足的，因此训练时可以让模型学习正常的行为模式，当测试时输入包含异常的样本，由于模型没见过异常数据，算法会产生明显区别于正常状态的输出。

深度学习在计算机视觉任务中取得了卓越的表现。自编码器可用于无监督的图像重构，Hasan等人[1]使用3D卷积自编码器（ConvAE）重建正常帧。Shi等人[2]考虑到长短记忆网络（LSTM，Long Short-Term Memory）适合处理时间序列数据而CNN能够提取视频外观信息，将长短记忆网络的CNN变种Convlstm[3]引入做为自编码器的层，取得了更高的精度提升。稀疏编码常被用于异常检测，这些方法假设视频中只有一个很小的部分包含异常事件，因此，可将视频用于构建正常事件的学习词典。Luo等人[4]提出ShanghaiTech无监督数据集并提出时序相干稀疏编码（TSC，Temporal Sparse Coding）对相似的相邻帧用相似的重建系数进行字典编码，同时用堆叠循环神经网络sRNN学习参数。……