基于特征融合的视频异常事件检测方法

吉林大学学报(信息科学版) ›› 2016, Vol. 34 ›› Issue (3): 441-448.

基于特征融合的视频异常事件检测方法

姚明海¹, 王娜², 林英建¹

1. 渤海大学大学基础教研部, 辽宁锦州121013; 2. 锦州师范高等专科学校计算机系, 辽宁锦州121000

收稿日期:2016-01-06 出版日期:2016-05-25 发布日期:2016-12-21
作者简介:姚明海(1980—), 男, 辽宁锦州人, 渤海大学副教授, 硕士生导师, 主要从事模式识别与智能计算研究, (Tel)86-13940628063 (E-mail)yao_ming_hai@163. com。
基金资助:
辽宁省教育厅科学技术研究基金资助项目(L2014450); 辽宁省社会科学规划基金资助项目(L13BXW006; L13BXW013)

Video Abnormal Event Detection Method Based on Feature Fusion

YAO Minghai¹, WANG Na², LIN Yingjian¹

1. Department of College Foundation Education, Bohai University, Jinzhou 121013, China;2. Department of Computer Science, Jinzhou Teacther's Training College, Jinzhou 121000, China

Received:2016-01-06 Online:2016-05-25 Published:2016-12-21

摘要/Abstract

摘要：

为有效对视频数据进行降维并去除特征集合中的冗余信息, 以提高异常事件的检测效率, 从特征提取和选择的角度提出了融合特征区分度和相关性的视频异常事件检测方法。利用视频数据的时空邻域信息进行特征提取。通过分析特征的判别力和相关性进行特征选择, 从而去除特征集合中的冗余信息, 提高异常事件检测的效率和准确性。实验结果表明, 该方法的检测准确率都优于其他传统方法, 能有效地对场景中发生异常事件的区域进行准确定位。

关键词: 特征融合, 异常事件, 特征选择, 相关性分析

Abstract:

In order to effectively reduce the data dimension and remove the information of video data and improve the efficiency of abnormal event detection, the video abnormal event detection method based on the distinction and correlation is proposed. The method extracts features of the video data by analyzing the temporal and spatial neighborhood information of data, removes redundant information in the feature set and improves the efficiency of abnormal event detection by analysis of the distinction and correlation of feature. The method is compared with the traditional method in the simulation. The experimental results show that the detection accuracy of video abnormal event detection method based on feature fusion is higher than other methods, the method can accurately locate the abnormal area in the scene.

Key words: feature fusion, abnormal event, feature selection, correlation analysis

中图分类号:

TP18

姚明海, 王娜, 林英建. 基于特征融合的视频异常事件检测方法[J]. 吉林大学学报(信息科学版), 2016, 34(3): 441-448.

YAO Minghai, WANG Na, LIN Yingjian. Video Abnormal Event Detection Method Based on Feature Fusion[J]. Journal of Jilin University(Information Science Ed, 2016, 34(3): 441-448.

[1]	夏志城, 刘元宁, 朱晓冬, 刘震, 陈英, 郭志民. 基于 Vision Transformer 的眼睑遮挡虹膜识别[J]. 吉林大学学报(信息科学版), 2026, 44(3): 598-608.
[2]	张丽杰 , 陆江东 , 邱景. 数据挖掘技术下线上诊疗信息多维特征提取方法[J]. 吉林大学学报(信息科学版), 2026, 44(1): 121-128.
[3]	杨翼, 胡远江, 吴湘宁, 潘志鹏, 王梦雪. 基于并行特征融合网络的雷达信号分类方法[J]. 吉林大学学报(信息科学版), 2026, 44(1): 9-17.
[4]	田野. 基于多特征融合的电能质量扰动信号调制算法 [J]. 吉林大学学报(信息科学版), 2025, 43(6): 1237-1243.
[5]	张岩, 张林军, 汪靖哲, 李新月, 张永雪, 魏子心. 基于改进RT-DETR的原油库指针式仪表检测方法 [J]. 吉林大学学报(信息科学版), 2025, 43(6): 1352-1362.
[6]	赵玉刚, 杨雨佳, 项婷, 金弘林. 基于双向时空特征融合 GAN 的视频异常检测框架 [J]. 吉林大学学报(信息科学版), 2025, 43(5): 1128-1137.
[7]	聂永丹, 肖坤, 张林军, 汪靖哲, 张岩. 基于注意力机制的井场小目标泄露检测算法 [J]. 吉林大学学报(信息科学版), 2025, 43(4): 851-862.
[8]	邱晓莹, 张华辉, 徐航, 吴敏敏. 基于多交互特征融合的方面级情感分类方法 [J]. 吉林大学学报(信息科学版), 2025, 43(4): 913-924.
[9]	王瑞敏, 杨文博, 邓聪, 鲁统祥, 张文祥. 基于多尺度和注意力特征融合的地震去噪方法[J]. 吉林大学学报(信息科学版), 2025, 43(3): 489-496.
[10]	蒲巍, 李文辉. 基于残差网络的特征融合方法[J]. 吉林大学学报(信息科学版), 2025, 43(2): 276-287.
[11]	曾丽丽, 牛艺晓, 任伟建, 刘小双, 代利民, 魏志远. 基于双属性并行融合网络的断层智能识别方法[J]. 吉林大学学报(信息科学版), 2025, 43(2): 355-367.
[12]	殷海双, 李睿. 基于双邻域和特征选择的潜在低秩稀疏投影[J]. 吉林大学学报(信息科学版), 2025, 43(1): 195-202.
[13]	张伟, 罗文宇. 大数据消冗技术下虚拟网络聚类特征层次布局算法[J]. 吉林大学学报(信息科学版), 2024, 42(2): 301-306.
[14]	安志伟 , 刘玉敏 , 袁硕 , 魏海军 . 基于 UNet++卷积神经网络的断层识别 [J]. 吉林大学学报(信息科学版), 2024, 42(1): 100-110.
[15]	周丰丰, 王倩, 董广宇. 认知障碍脑功能磁共振图像的孪生网络特征工程算法[J]. 吉林大学学报(信息科学版), 2024, 42(1): 45-50.