摘要
我们将异常事件检测问题表述为离群点检测任务，并提出了一种基于k均值聚类和单类支持向量机（SVM）的两阶段算法来消除离群点。在特征提取阶段，我们建议增强时空立方体，通过从预训练神经网络的最后一层卷积层中提取深度外观特征来实现。在从仅包含正常事件的训练视频中提取运动和外观特征后，我们应用k均值聚类方法找到代表不同类型正常运动和外观特征的聚类。在第一阶段，我们认为样本数量较少（相对于给定阈值）的聚类主要包含离群点，并将这些聚类整体剔除。在第二阶段，我们在每个剩余聚类上训练一个单类SVM模型，以缩小这些聚类的边界。为了在测试视频中检测异常事件，我们分析每个测试样本，并根据训练好的单类SVM模型提供的最大正常度得分进行判断，其基本思想是一个测试样本只能属于一个正常度聚类。如果测试样本无法很好地适应任何缩小后的正常度聚类，则将其标记为异常。我们将该方法与几种最先进的方法在三个基准数据集上进行了比较。实证结果表明，我们的异常事件检测框架在大多数情况下可以取得更好的效果，并且能够在单个CPU上以每秒24帧的速度实时处理测试视频。