비디오에서 좁은 정상 클러스터를 사용한 비정상 이벤트 감지

우리는 비정상 이벤트 감지 문제를 이상치 감지 작업으로 정식화하고, k-평균 클러스터링과 단일 클래스 서포트 벡터 머신(SVM)을 기반으로 한 두 단계 알고리즘을 제안하여 이상치를 제거합니다. 특징 추출 단계에서는 사전 훈련된 신경망의 마지막 컨볼루션 계층에서 추출한 깊은 외관 특징을 시공간 큐브에 추가하는 방법을 제안합니다. 정상 이벤트만 포함된 훈련 동영상에서 움직임과 외관 특징을 추출한 후, k-평균 클러스터링을 적용하여 다양한 유형의 정상적인 움직임과 외관 특징을 나타내는 클러스터를 찾습니다. 첫 번째 단계에서는 주어진 임계값에 비해 샘플 수가 적은 클러스터가 대부분의 이상치를 포함한다고 간주하고, 이러한 클러스터들을 전부 제거합니다. 두 번째 단계에서는 각 클러스터에 대해 단일 클래스 SVM 모델을 훈련시켜 남아 있는 클러스터들의 경계를 축소합니다. 테스트 동영상에서 비정상 이벤트를 감지하기 위해, 각 테스트 샘플을 분석하고 훈련된 단일 클래스 SVM 모델들이 제공하는 최대 정상성 점수를 고려합니다. 이는 테스트 샘플이 오직 하나의 정상성 클러스터에 속할 수 있다는 직관에 기반한 것입니다. 만약 테스트 샘플이 어느 좁혀진 정상성 클러스터에도 잘 맞지 않는다면, 그 샘플은 비정상으로 라벨링됩니다. 우리는 세 가지 벤치마크 데이터 세트에서 여러 최신 방법들과 우리의 방법을 비교했습니다. 경험적 결과는 우리의 비정상 이벤트 감지 프레임워크가 대부분의 경우 더 나은 결과를 달성할 수 있으며, 단일 CPU에서 초당 24프레임으로 실시간으로 테스트 동영상을 처리할 수 있음을 보여줍니다.