论文1.Anomaly Detection in Road Traffic Using Visual Surveillance: A Survey
Kumaran S K, Dogra D P, Roy P P. Anomaly Detection in Road Traffic Using Visual Surveillance: A Survey[J]. arXiv preprint arXiv:1901.08292, 2019.
着重介绍交通监控的异常检测
异常分类:
点异常point anomalies ,上下文异常contextual anomalies集体异常collective anomalies
点异常
: 不符合一般分布,如在车流中不动的车
上下文异常
:在一些情况下为正常,但是在这个情况下异常,如在慢速车流中快速穿过的自行车
集体异常
:单独看个体是正常的,但是组合起来不正常,如人群快速分散
在监控视频场景下,通常被分为拒不异常和全局异常。
主要挑战
1.定义正常区域
2.正常异常区域边界不清晰
3.异常概念在上下文中不相同
4.训练和验证数据不足
5.数据不良造成的数据噪声和异常
6.正常行为随着时间会改变
学习方法
主要分为全监督,无监督,半监督supervised,unsupervised,semi-supervised
异常检测方法
1.基于模型
基于模型的方法通过一组参数来表示数据的正常行为,常用统计方法来学习模型的参数,统计方法可以是参数化也可以是非参数化的。
参数方法
假定数据是符合参数分布或概率密度函数分布的,例如高斯混合模型(Gaussian Mixture Model)回归模型(Regression models)等。非参数模型
中没有先验定义结构,会根据数据动态确定,如基于直方图的方法histogram-based和狄利克雷过程混合模型(Dirichlet Process Mixture Model, DPMM),贝叶斯网络模型Bayesian network-based models,DNN也可以归类到参数模型中,其中参数是神经网络的权重和偏差。
2.基于近似程度
基于距离的方法假设正常数据附近有较多相似数据,基于密度方法假设正常数据附近的数据密度与附近相同。
3.基于分类
分为一类和多类,多分类训练数据包括正常和异常数据,一类分类(One-class classification(OCC)-based )只的训练数据都具有同一个标签,不符合的即为异常,SVM在一类分类中应用广泛。
4.基于预测
通过计算预测时空特征和实际时空特征之间的差异判断异常,HMM和LSTM事常用方法
5.基于重构
基于假设正常数据可以降维到低维子空间中,在该空间中正常和异常出现的方式不同。常用的是稀疏编码,自动编码器和PCA
6.其他方法
两种聚类方法,其一基于假设正常数据位于一个群集中,异常数据不与任何群集关联,其二基于假设正常数据属于大型和密集群集,异常数据属于小型群集
常用特征
主要分为四大类
1.前景图像 2.像素级数据的直方图 3.轨迹 4.神经网络自动提取的特征
主要特征有
定向梯度直方图histograms oforiented gradients (HOG)
光流直方图histograms of optical flows (HOF)
改进轨迹特征
神经网络自动提取特征
动态纹理混合mixture of dynamic textures
定向群加速度直方图Histograms of oriented swarm accelera-tions (HOSA) 与定向梯度直方图istograms of oriented gradients(HOGs) 共同运用
3D-tube
费舍尔向量Fisher vector (FV)
光流与运动向性直方图Histogram of optical flow and motion ntropy (HOFME)
宽泛分类
面向对象和非面向对象
面向对象:提取对象或轨迹
非面向对象:像素或像素组的低级描述
数据集
** QMUL, CAVIAR, UCSD, Bellview, Person, UMN, ARENA, Avenue, U-turn, MIT Trajectory, MIT, MIT parking trajectory, NGSIM, AIRS, PETS2009, Behave, i-LIDS, Shanghai Tech, NVDIACITY, BOSS, Car Accident, ldiap **
现存问题
1.通用性差,不同数据集识别率差别大
2.开发各个数据集通用的研究非常有限
3.没有关于照明不同的研究,可以制作不同光线条件下同一场景片段的数据集
4.很多方法只专注于前景特征,但是背景信息不应该被忽略,因为异常也取决于环境,例如雨天事故率高于晴天
挑战与可能性
1.照明,因为没有对照明未知特征的提取方法,在不同照明条件下使用的标准或方法对于实际应用可能有所不同
2.姿势和透视角度,摄像机角度可能会对性能产生影响,例如车辆外观会随着车辆与摄像头的距离二改变。
3.异类对象处理,异常检测主要基于对场景和物体的建模,但是异构对象的建模比较困难
4.稀疏与密集条件下的检测方法不同
5.轨迹不全,在遮挡下进行轨迹追踪比较困难
6.真实数据集缺失
论文2.Deep learning for anomaly detection: A survey
Chalapathy R, Chawla S. Deep learning for anomaly detection: A survey[J]. arXiv preprint arXiv:1901.03407, 2019.
主要是其中的时间序列异常检测部分
时间序列异常分类
1.点异常 2.上下文异常 3.集体异常
主要挑战
1.部分异常情况不好定义
2.数据噪声影响较大
3.随时间增加复杂度也增加
4.时间序列通常是不平稳 非线性 动态变化的,所以需要实时检测