交通监控视频中的自适应异常检测

亚利桑那州立大学(ASU)的研究人员最近开发了一种检测交通监控视频中异常活动的新方法，该方法基于自适应异常检测(AAD)框架。他们的方法在arXiv上发表的一篇论文中概述，收集了有希望的结果，比以前的研究中提出的技术表现更好。

“由于世界上监控摄像机数量的增加，要处理的数据量增加，以及需要人力来解释这些数据，”进行这项研究的研究人员之一Mohammad Farhadi Bajestani表示，告诉Tech Xplore。“这促使研究人员设计出可以检测视频内部异常的系统，帮助运营商更有效地分析视频。”

目前，大多数开发监控系统的研究人员使用预定义的事实来检测视频片段中的异常。换句话说，他们的系统在视频数据集上进行训练，逐渐学会检测未来视频中的异常。

“然而，对于人类来说，异常的定义会随着时间的推移而改变，”Farhadi解释说。“例如，当您驾驶速度非常快时，交通缓慢是一种异常现象并且可能引起您的注意，但是当您开车时，高速行驶的汽车会引起您的注意。这表明异常与时间和在我们的研究中，我们尝试创建一个自适应异常系统，可以在短时间内学习正常状态，并在不同情景中发现异常现象。“

在Δt之后跨越帧的像素移动。图片来源：Farhadi等。

Farhadi及其同事开发的方法旨在检测视频帧不同部分的正常情况，识别异常物体或运动时的异常情况。首先，系统使用对象识别来识别视频帧内的对象及其位置。一旦识别出这些对象，它就使用光流来识别帧的不同部分中不断变化的流量。最后，该信息用于检测异常运动或物体。

“我们通过创建两个地图来实现这种自适应异常检测，”Farhadi解释道。“第一张地图概述了框架部分的平均移动，而第二张地图记录了每个对象在框架的不同部分出现的概率。这两个部分总是随着新框架的进入而变化。例如，在框架的中心，我们大多看到具有特定动作的汽车，所以如果出现低速自行车，系统会将其视为异常。“

研究人员开发的系统有点类似于人类的注意机制。正如人类的注意力有助于人类在不分析所有感知数据的情况下识别异常，他们的方法可以发现时间异常并关注这些异常，从而对当时正在发生的事情进行更深入的分析。

“我们的系统可用于自动驾驶汽车，检测道路上的异常情况，或者提高操作员的注意力，或者在检测到异常的区域进行更复杂的AI分析，”Farhadi说。“这可以防止汽车碰撞，例如在亚利桑那州发生的汽车碰撞，其中一辆优步的自动驾驶汽车杀死了一名妇女，因为系统未能在街道上发现她。在类似的情况下，我们的系统可能检测到输入帧的异常提高操作员的注意力，也许可以挽救生命。“

研究人员评估了其自适应异常检测(AAD)系统的性能，并将其与其他基线方法进行了比较。他们发现虽然它没有达到最先进的结果，但它的表现优于以前开发的技术，运行时间大大加快。

“具有强大而快速的物体检测系统对于分析监控视频非常有用，”Farhadi说。“由于我们系统的对象检测能力存在缺陷，我们正在努力改进视频监控中的对象检测。我们还在开发一个使用FPGA运行神经网络的新框架，称为CNNIOT，它可以运行巨大的物体检测小型设备上的系统，如移动设备或小型机器人。“