交通异常论文泛读

Contents

A Novel Methodology of Time Dependent Mean Field Based Multilayer Unsupervised Anomaly Detection Using Traffic Surveillance Videos_基于时变均值场的交通监控视频多层无监督异常检测新方法

类型:无监督,静止车辆与动态车辆的异常分开检测

数据集:AI City Challenge 2019

2019年10月

静态层使用背景提取和模糊移动车辆来识别静力车辆。动态层使用提出的时间相关向量场互相关方法,将交通流处理为向量场,并比较平均向量场和瞬时场之间的差异以确定异常事件。

AAD_ Adaptive Anomaly Detection through traffic surveillance videos-AAD:基于交通监控视频的自适应异常检测

类型:交叉路口,监督和无人监督的学习的组合,

数据集:Pascal VOC,UMN和USDC

2018/8

将使用对象识别(更快的R-CNN)来识别视频场景中的对象标签及其相应的位置,作为实现异常检测的第一步。然后,将利用光学流来识别帧的每个区域中的自适应交通流。

Anomalous Motion Detection on Highway Using Deep Learning-基于深度学习的高速公路异常运动检测

类型:高速公路,

数据集:行车记录仪视角数据集(新),用于异常检测任务的开源自动驾驶数据集。

本文提出了一个新的异常检测数据集-高速公路交通异常(HTA)数据集-用于解决从高速公路车辆的行车记录仪视频中检测异常交通模式的问题。

Anomaly detection in low quality traffic monitoring videos using optical flow-基于光流的低质量交通监控视频异常检测

类型:低质量

数据集:

为了检测运动异常的显着物体,我们的方法首先使用原始视频的一些训练段来学习图像中每个像素的法线方向。在训练阶段之后,构建正常运动模型,并将其用于将光流分类为正常还是异常。

Anomaly Detection in Road Traffic Using Visual Surveillance_ A Survey-基于视觉监控的道路交通异常检测研究

类型:综述类

数据集:QMUL [65],CA VIAR [1], UCSD [116], Bellview [214], Person [7],
UMN [122], ARENA [141][check again], Avenue [60], Uturn [18], MIT Trajectory [198], MIT [197], MIT parking trajectory [196], NGSIM [133], AIRS [9], PETS2009 [46], Behave [24], i-LIDS [11], ShanghaiTech [113], NVDIA
CITY [135], BOSS [168], Car Accident [169], and ldiap [178]

QMUL:[65] T. Hospedales, S. Gong, and T. Xiang. Video behaviour mining usinga dynamic topic model. International journal of computer vision,
98(3):303–323, 2012.

UCSD:[116] V . Mahadevan, W. Li, V . Bhalodia, and N. V asconcelos. Anomaly detection in crowded scenes. In CVPR, 2010.

Bellview:[214] A. Zaharescu and R. Wildes. Anomalous behaviour detection using spatiotemporal oriented energies, subset inclusion histogram comparison and event-driven processing. In ECCV, 2010.

ARENA: [141] L. Patino and J. Ferryman. Multiresolution semantic activity characterisation and abnormality discovery in videos. Applied Soft Computing,25:485–495, 2014.

Avenue [60] M. Hasan, J. Choi, J. Neumann, A. K. Roy-Chowdhury, and L. S.
Davis. Learning temporal regularity in video sequences. In CVPR,
2016.

MIT Trajectory [198] X. Wang, K. Tieu, and E. L. Grimson. Correspondence-free activityanalysis and scene modeling in multiple camera views. IEEE Trans-actions on Pattern Analysis and Machine Intelligence, 32(1):56–71,
2010.

MIT [197] X. Wang, X. Ma, and W. E. L. Grimson. Unsupervised activity
perception in crowded and complicated scenes using hierarchical
bayesian models. IEEE Transactions on pattern analysis and machine
intelligence, 31(3):539–555, 2009.

MIT parking trajectory[196] X. Wang, K. T. Ma, G.-W. Ng, and W. E. L. Grimson. Trajectoryanalysis and semantic region modeling using a nonparametric bayesian model. In CVPR, 2008.

NGSIM [133] NGSIM. Next generation simulation community. https://ops.fhwa.dot.gov/trafficanalysistools/ngsim.htm. 轨迹数据,表格

i-LIDS [11] A VSS2007. i-lids. http://www.eecs.qmul.ac.uk/∼andrea/avss2007 d.html 有parked vehicle scenarios

ShanghaiTech [113] W. Luo, W. Liu, and S. Gao. A revisit of sparse coding based anomaly detection in stacked rnn framework. In ICCV, 2017. 密集人群

NVDIA CITY [135] Nvidia ai city. https://www.aicitychallenge.org/.

BOSS [168] W. Sultani, C. Chen, and M. Shah. Real-world anomaly detection insurveillance videos. In CVPR, 2018.

Car Accident [169] W. Sultani and J. Y . Choi. Abnormal traffic detection using intelligent driver model. In ICPR, 2010.

ldiap [178] J. V aradarajan and J.-M. Odobez. Topic models for scene analysis andabnormality detection. In ICCVW, 2009.

Anomaly Detection in Traffic Surveillance Videos with GAN-based Future Frame Prediction-基于GAN的未来帧预测在交通监控视频中的异常检测

类型:半监督,预测未来帧

数据集:

一种基于规则序列训练的生成对抗网络的半监督方法来预测未来帧。

利用生成对抗网络(GAN [9])的特点来模拟普通世界中的典型行为。继承了W. Liu [3]的未来帧预测思想,使用U-Net GAN模型,即一个存储运动描述符的k帧堆栈,其中k是定义的恒定帧数,在像素级对视频进行显著改变。主要思想是基于来自先前帧的信息训练未来帧生成器,然后将生成的帧与真实的下一帧进行比较,以确定下一帧中是否发生异常事件。

  • 提出了一种使用平均图像将堆叠运动描述符编码成混合运动描述符的新方法。我们使用当前帧和堆叠运动帧作为网络的两个主要输入数据,而不是将k个序列帧送到发生器网络。这种方法显著提高了训练时间和预测帧的质量。
  • 对高质量的快速移动物体使用缩放的强度损失函数,聚焦于物体的边缘,并使用加权PSNR度量对异常事件进行评分。

我们采用一种基于遗传神经网络的方法来训练一个神经网络发生器,从一个给定的当前帧和一个编码的运动描述符中预测一个连续的帧(第3.1节)。我们确定要在预测的和真实的下一帧之间进行比较的分数(第3.2节),以及在单个视频中跟踪多个异常事件的策略(第3.3节)。最后,我们建议检测白天和夜晚的环境,为不同的环境创造合适的解决方案(第3.4节)。

Anomaly detection in traffic surveillance with sparse topic model-稀疏主题模型在交通监控中的异常检测

类型:

数据集:

检测涉及多个正常事件以异常模式交互的异常。

提出了一种基于稀疏主题模型的新型无监督方法,以捕获运动模式并检测交通监测中的异常。

利用尺度不变特征变换(SIFT)流改进密集轨迹,以较少的干扰提取兴趣点和相应的描述符。

为了加强同一轨迹上兴趣点之间的关系,采用fisher核方法获得轨迹的表示,并量化为视觉词。然后提出稀疏主题模型来探索潜在的运动模式,实现视频场景的稀疏表示。最后,分别基于视频片段检测和视觉词分析对两种异常检测算法进行了比较。实验分别在QMUL数据集和AVSS数据集上进行。结果表明,该方法具有较高的效率。

1)SIFT流方法应用于获得致密的轨迹而不是光流,这已被证明更强大地获得运动信息; 2)为了增强利益点的空间和时间关系,采用Fisher内核方法来描述每个轨迹,并且视频被视为由轨迹产生的视觉单词组成的文件; 3)构造稀疏主题模型以发现运动模式并检测异常。

通常,视频异常检测方法可以分为两类:单个异常检测和交互异常检测。单个异常被定义为事件。交互式异常通常涉及同时发生的多个事件,并以不寻常的方式进行交互[3]。

交互式异常比单个异常更难以识别,因为它应该由多个事件的关系确定,而每个事件在单独的分析中可能是正常的。

将其定义为脱离正常运动模式的事件,换句话说,事件发生在不寻常的位置或在不寻常的时间。异常的判断与动态场景密切相关。

Computer Vision-based Accident Detection in Traffic Surveillance-基于计算机视觉的交通监控事故检测2019

类型:mask rcnn 车辆跟踪 速度,轨迹与速度结合

数据集:自提

本文提出了一种用于检测道路事故的新型框架。所提出的框架Mask R-CNN,用于精确对象检测,后跟一个高效的基于质心的对象跟踪算法进行监控。事故的概率是根据车辆与其他车辆重叠后的速度和轨迹异常来确定的。

基于质心的对象跟踪算法,(只有车不重复的时候)

Detecting Abnormal Event in Traffic Scenes using Unsupervised Deep Learning Approach-基于无监督深度学习的交通场景异常事件检测

类型:

数据集:UCSD Ped1 and Ped2, Subway entrance and exit datasets [3].

[3] Y . S. Chong and Y . H. Tay, “Abnormal event detection in videos using
spatiotemporal autoencoder,” In International Symposium on Neural
Networks, Cham: Springer, pp. 189–196, 21 Jun. 2017.

该方案利用时空属性来检测异常情况,如错误的侧面行驶、非法过街、车辆在人行道上行驶等。

本文提出了一种基于无监督深度学习算法的异常检测识别新框架。该方案使用基于联合的方法(ConvLSTM和kmeans),分别结合了重建和聚类损失。利用LSTM卷积神经网络,参考前一帧信息,检测和识别交通场景中的异常。为了识别正常或异常事件,提出的工作由培训和测试阶段组成。所提出的模型是实时实现的,并且发现检测异常的准确率比现有技术高93.02%。

Conv-SLTM,K-means

Detecting Anomalous Driving Behavior using Neural Networks-基于神经网络的异常驾驶行为检测

AutoEncoder + LSTM

应用于驾驶员辅助或自动车辆的大规模检测系统。

Detection of Anomalies in Traffic Scene Surveillance-交通现场监控中的异常检测

分析了基于轨迹的时空分析异常检测、K均值、线性回归、z评分和分层时态记忆聚类算法。物体的空间定位被认为是一个事件。交通异常检测规则分为三个层次:点异常、序贯异常和共现异常。本文从准确性的角度分析了各种交通异常检测方法的性能,以减少误报。

实验结果表明,聚类方法能够更准确地检测出交通视频中的异常。

在应用PCA以进行特征选择之后,该方案使用无监督的K-Means技术进行分类。

Dual-Mode Vehicle Motion Pattern Learning for High Performance Road Traffic Anomaly Detection-高性能道路交通异常检测的双模车辆运动模式学习

类型: 背景建模+RCNN,Static Mode ,Dynamic Mode

数据集:AICITY

背景建模+RCNN检测静止车辆

Dynamic Mode

Mask-RCNN用来进行对象分割并以此进行对象跟踪

基于对象屏蔽的像素跟踪。原始图像(第一列)、选定对象(第二列)及其轨迹(第三列)以红色绘制。

异常值过滤和速度测量

在我们的两种方法中识别出车辆之后,我们需要融合这两种方法来获得异常事件的置信度得分和发生时间。

Egocentric Vision-based Traffic Accident Detection using Future Object Localization-第一人称视频中的无监督交通事故检测

第一人称视频

Management of Anomalous Driving Behavior-异常驾驶行为管理

定义异常驾驶行为

确定了异常驾驶员以及受其影响的车辆。然后,该方案引入了一种异常的严重性指数(ASI),其决定了这种异常驾驶员造成的影响的严重程度。

未能维持距离(A.K.A.距离碰撞)的安全性是后端碰撞的主要原因。