近年来,随着视频监控系统的大量应用,人工的异常检测方法已难以适应视频数据的急剧增长,而3D特征描述、深度学习等最新技术不仅推动了计算机视觉领域的发展,也使得大规模的视频数据分析成为可能。目前基于视频监控系统的异常检测方法大致概括为两个方向:1)基于视频帧进行二维视觉特征提取并学习帧间信息,从而对视频目标进行时空表述。2)针对含有运动信息的时空兴趣块直接进行3D时空特征学习,并通过模式分类检测出异常及其所在位置。本文在对目前视频异常检测技术进行全面分析和总结的基础之上,对视频异常描述和视频异常分类两种任务模型中的已有方法与框架进行回顾,同时介绍了视频异常检测研究常用标准数据集及性能评估标准。群或整个场景中的绝大部分行为，如UCSD数据集中步行街中骑自行车的行为等。视频异常检测就是从大量视频中高效地检测出异常事件，进而保障公共安全防止危险的情况发生。一般来说实现这一目标需要三个步骤目标检测与定位综述-数控滚圆机滚弧机折弯机张家港电动弯管机数控弯管机，首先对视频序列进行前景分割和提取，检测出运动目标，然后进行特征的提取和筛选来表示基本事件，最后实现异常事件的识别和定位。本文由张家港弯管机网站

转载中国知网整理!www.wangaunjimuju.net智能视频异常检测系统流程如图1所示，本文也将按照该流程分别进行阐述。目标检测与定位综述-数控滚圆机滚弧机折弯机张家港电动弯管机数控弯管机图1智能视频异常检测系统Fi前景提取与运动目标检测通常情况下监控视频中的异常情况常为运动的物体或目标，然而视频中大面积的背景或是静止的物体使得异常检测运算过程变得庞大复杂，同时大量的噪声及冗余信息使得特征提取、行为表示变得困难，从而大大降低了异常检测的效率和质量。因此，运动目标检测是智能异常检测系统中不可或缺的步骤。传统运动目标检测方法有帧间差分法(帧差法)、背景减除法和光流法。帧差法是通过相邻帧之间的差分判定对应像素的灰度值的变化从而检测出运动目标。背景减除法需要先对背景进行建模得到背景模型，再将每帧图像和背景模型图像进行对比。光流法是运动目标检测中最常用的一种方法，在视频分析中通常定义为一个视频帧序列中的图像亮度模式的表观运动，即空间物体表面上的点的运动速度在视觉传感器的成像平面上的表达，常用的光流方法有HS算法和金字塔HK算法。监控视频异常检测领域常用的前景提取与运动目标检测方法框图如图2所示。在进行视频异常检测时常使用光流法配合元胞分割方法剔除背景信息并得到含有运动目标的二维图像或三维时? 目标检测与定位综述-数控滚圆机滚弧机折弯机张家港电动弯管机数控弯管机本文由张家港弯管机网站 转载中国知网整理!www.wangaunjimuju.net