基于双侧空间窗的异常检测方法

针对现有异常检测方法难以解释异常属性的问题，本文提出基于双侧空间窗的异常检测方法。首先，在

场景中的异常事件通常伴随着危险和安全隐患，异常检测关注于监控场景中的异常事件识别，已经受到计算机视觉领域的广泛关注[1]。但是，由于场景中内容的不同，在缺少异常清晰定义的情况下，如何实现异常的准确识别，仍然是一项重要的挑战。

在事件统计方面，异常可以定义为场景中出现的小概率事件，在此基础上，现有方法关注于不同特征提取方法基础上的小概率模型构建。光流特征作为运动描述被广泛使用，Cong 关注于基于光流的运动特征[2]， Hassner 使用带阈值的光流特征ViF [3]， Nievas 使用SIFT 检测点处的光流特征MoSIFT [4]， Zhang在光流特征的基础上，添加Weber 梯度和方向的局部描述子MoWLD [5]。除了光流特征以外，现有方法还考虑时长特征和场景中群体的分布特征，例如，Li 对时间段内的图像序列，进行混合动态纹理特征的小概率建模[6]， Hu 关注于目标跟踪轨迹方面的异常分析[7]， Mehran 关注于人群中不同个体的交互关系， 构建一种社会力模型[8]。上述方法使用手工设计特征，该类特征是否符合场景中处在的客观规律，难以验证，也约束了模型的使用范围。

基于统计学习方法，可以将运动原始特征映射到隐空间，并实现有效的特征编码。稀疏编码是近年来广泛使用的方法， Wang 使用结构稀疏保持的编码方式(SSS: structural semi-supervised) [9]， Babagholami使用概率半监督字典的编码方式(PSS: Probabilistic semi-supervised) [10]， Zhang 进行局部约束的稀疏编码(LSC: Local sparse constraint) [1]。随着编码效率的提升，现有异常检测方法也改进了分类模型的设计， Wright 使用稀疏表达分类器(SR: Sparse representation) [11]；而且深度学习也逐渐进入该领域，蔡瑞初使用多尺度时间递归神经网络方法[12]；Xu 提出外感和运动的深度网络结构对异常检测的建模(AMDN: Appearance and Motion Deep Net) [13]。但是，上述方法仍然将异常事件的属性作为黑盒处理，没有清晰的异常规则定义，实际上在真实的场景监控应用中，难以设置知识规则，也难以根据人类的经验对现有异常检测模型进行拓展。

现有异常检测模型均是基于时空窗的状态分析，但是，难以描述事件中的时间的细节属性。本文针对实际监控的出入口状态分析需求， 将采样窗口进一步细分为内侧窗和外侧窗， 利用时序相关分析方法， 有效实现了速度属性、相关性属性、时间差属性的检测，从而实现对异常事件属性的细分。基于上述分析，本文提出一种基于时序互相关分析的异常检测方法，其主要贡献如下：