基于稀疏表示和低秩逼近的自适应异常事件检测算法  

Adaptive abnormal event detection algorithm based on sparse representation and low rank approximation

作　　者：周晓雨[1,2] 余博思 丁恩杰[1] 

机构地区：[1]中国矿业大学物联网(感知矿山)研究中心,江苏徐州221008 [2]江苏省财经职业技术学院机械电子与信息工程学院,江苏淮安223003 [3]南京理工大学计算机科学与工程学院,江苏南京210094

出　　处：《南京理工大学学报》2016年第6期666-673,共8页Journal of Nanjing University of Science and Technology

基　　金：淮安市科技支撑计划(HAS2014023)

摘　　要：针对传统异常事件检测算法没有考虑视频数据低秩特性的问题,提出了基于低秩稀疏编码模型的字典学习算法。对提取的多尺度三维时空梯度特征进行K-均值聚类。利用低秩稀疏编码模型进行每一个特征聚类的字典学习。通过迭代聚类和字典学习获取所有的正常行为模式。采用公共数据集UCSD Ped1和Avenue检测该算法的性能。与社会力(SF)、混合概率主成分分析(MPPCA)、社会力-混合概率主成分分析(SF-MPPCA)、混合动态纹理(MDT),Adam、子空间(Suspace)、稀疏组合学习框架(SCLF)7种方法对比,该文算法具有较高的正确率和较强的实时性。A dictionary learning algorithm based on a low rank sparse coding model is proposed aiming at the problem that traditional abnormal event detection algorithm doesn’t consider the low rank characteristic of video sequences. Multi scale gradient characteristics of three-dimensional space-time are extracted and clustered using K-means clustering. Dictionary learning of every feature clustering is carried out using the low rank sparse coding model. Every normal behavior pattern is obtained using iteration clustering and dictionary learning. The performance of this algorithm is tested using two public data sets UCSD Pedl and Avenue. Compared with social force （ SF） , mixture of probabilistic principal component analyzers （ MPPCA ） , SF-MPPCA,mixture of dynamic texture （MDT） , Adam, subspace and sparse combination learning framework （ SCLF ）,the result of this algorithm is more correct and real-time.

关 键 词：稀疏表示 低秩逼近 异常事件检测 低秩稀疏编码模型 字典学习 K-均值聚类 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]