Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Novel Approach for Mobile Robot Localization in Topological Maps Using Classification with Reject Option from Structural Co-occurrence Matrix Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

On the Essence of Unsupervised Detection of Anomalous Motion in Surveillance Videos

verfasst von : Abdullah A. Abuolaim, Wee Kheng Leow, Jagannadan Varadarajan, Narendra Ahuja

Erschienen in: Computer Analysis of Images and Patterns

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

An important application in surveillance is to apply computerized methods to automatically detect anomalous activities and then notify the security officers. Many methods have been proposed for anomaly detection with varying degree of accuracy. They can be characterized according to the approach adopted, which is supervised or unsupervised, and the features used. Unfortunately, existing literature has not elucidated the essential ingredients that make the methods work as they do, despite the fact that tests have been conducted to compare the performance of various methods. This paper attempts to fill this knowledge gap by studying the videos tested by existing methods and identifying key components required by an effective unsupervised anomaly detection algorithm. Our comprehensive test results show that an unsupervised algorithm that captures the key components can be relatively simple and yet perform equally well or better compared to existing methods.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Multilinear Methods for Spatio-Temporal Image Recognition
Nächstes Kapitel Deep Boltzmann Machines Using Adaptive Temperatures
Literatur
1.
Xu, D., Ricci, E., Yan, Y., Song, J., Sebe, N.: Learning deep representations of appearance and motion for anomalous event detection. In: Proceedings of the BMVC, pp. 1–12 (2015)
2.
Wu, S., Wong, H.S., Yu, Z.: A Bayesian model for crowd escape behavior detection. IEEE Trans. Circ. Syst. Video Technol. 24(1), 85–98 (2014)CrossRef
3.
Wu, S., Moore, B.E., Shah, M.: Chaotic invariants of lagrangian particle trajectories for anomaly detection in crowded scenes. In: Proceedings of the CVPR, pp. 2054–2060 (2010)
4.
Cheng, K., Chen, Y., Fang, W.: Video anomaly detection and localization using hierarchical feature representation and Gaussian process regression. In: Proceedings of the CVPR, pp. 2909–2917 (2015)
5.
Li, W., Mahadevan, V., Vasconcelos, N.: Anomaly detection and localization in crowded scenes. IEEE Trans. PAMI 36(1), 18–32 (2014)CrossRef
6.
Boiman, O., Irani, M.: Detecting irregularities in images and in video. IJCV 74(1), 17–31 (2007)CrossRef
7.
Cui, X., Liu, Q., Gao, M., Metaxas, D.N.: Abnormal detection using interaction energy potentials. In: Proceedings of the CVPR, pp. 3161–3167 (2011)
8.
Adam, A., Rivlin, E., Shimshoni, I., Reinitz, D.: Robust real-time unusual event detection using multiple fixed-location monitors. IEEE Trans. PAMI 30(3), 555–560 (2008)CrossRef
9.
Saligrama, V., Chen, Z.: Video anomaly detection based on local statistical aggregates. In: Proceedings of the CVPR, pp. 2112–2119 (2012)
10.
Feng, Y., Yuan, Y., Lu, X.: Deep representation for abnormal event detection in crowded scenes. In: Proceedings of the ACM MM, pp. 591–595 (2016)
11.
Mahadevan, V., Li, W., Bhalodia, V., Vasconcelos, N.: Anomaly detection in crowded scenes. In: Proceedings of the CVPR, vol. 249, p. 250 (2010)
12.
Kim, J., Grauman, K.: Observe locally, infer globally: a space-time MRF for detecting abnormal activities with incremental updates. In: Proceedings of the CVPR, pp. 2921–2928 (2009)
13.
Mehran, R., Oyama, A., Shah, M.: Abnormal crowd behavior detection using social force model. In: Proceedings of the CVPR, pp. 935–942 (2009)
14.
Sabokrou, M., Fathy, M., Hoseini, M., Klette, R.: Real-time anomaly detection and localization in crowded scenes. In: Proceedings of the CVPR Workshops, pp. 56–62 (2015)
15.
Cong, Y., Yuan, J., Liu, J.: Sparse reconstruction cost for abnormal event detection. In: Proceedings of the CVPR, pp. 3449–3456 (2011)
16.
Cong, Y., Yuan, J., Tang, Y.: Video anomaly search in crowded scenes via spatio-temporal motion context. IEEE Trans. Inform. Forensics Secur. 8(10), 1590–1599 (2013)
17.
Chen, C.Y., Shao, Y.: Crowd escape behavior detection and localization based on divergent centers. IEEE Sens. J. 15(4), 2431–2439 (2015)CrossRef
18.
Chen, D.Y., Huang, P.C.: Motion-based unusual event detection in human crowds. J. Vis. Commun. Image Representation 22(2), 178–186 (2011)CrossRef
19.
Yuan, Y., Fang, J., Wang, Q.: Online anomaly detection in crowd scenes via structure analysis. IEEE Trans. Cybern. 45(3), 548–561 (2015)CrossRef
20.
Lin, H., Deng, J.D., Woodford, B.J., Shahi, A.: Online weighted clustering for real-time abnormal event detection in video surveillance. In: Proceedings of the ACM MM, pp. 536–540 (2016)
21.
Roshtkhari, M.J., Levine, M.D.: Online dominant and anomalous behavior detection in videos. In: Proceedings of the CVPR, pp. 2611–2618 (2013)
22.
23.
24.
25.
Wang, H., Kläser, A., Schmid, C., Liu, C.L.: Action recognition by dense trajectories. In: Proceedings of the CVPR, pp. 3169–3176 (2011)
Metadaten
Titel
On the Essence of Unsupervised Detection of Anomalous Motion in Surveillance Videos
verfasst von
Abdullah A. Abuolaim
Wee Kheng Leow
Jagannadan Varadarajan
Narendra Ahuja
Copyright-Jahr
2017
Buch
Computer Analysis of Images and Patterns

Print ISBN: 978-3-319-64688-6

Electronic ISBN: 978-3-319-64689-3

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-64689-3_13