Summarizing surveillance videos with local-patch-learning-based abnormality detection, blob sequence optimization, and type-based synopsis

در این مقاله، ما یک رویکرد جدید برای شناسایی فعالیت های غیرعادی در ویدیوهای نظارتی ارائه می دهیم و بر اساس آن فیلم های خلاصه ای را تهیه می کنیم. رویکرد پیشنهادی ابتدا روش مبتنی بر پچ را برای مدلسازی الگوهای طبیعی و مناطق کلیدی در یک صحنه مدلسازی معرفی می کند. به این ترتیب، فعالیت های غیر طبیعی می تواند به طور موثر شناسایی و طبقه بندی شده از الگوهای طبیعی مدل و مناطق کلیدی. سپس، یک فرآیند بهینه سازی توالی بلوک پیشنهاد شده است که همبستگی مکانی فضایی، زمانی، اندازه و حرکت را در میان اشیاء برای استخراج توالی های لکه های پیش زمینه برای اشیاء غیر طبیعی می سازد. با استفاده از این روند، اشتباهات استخراج لکه ها به علت انسداد و یا تداخل پس زمینه می تواند به طور موثر اجتناب شود. در نهایت، ما همچنین یک روش متداول مبتنی بر نوع ارائه می دهیم که ویدیوهای خلاصه کوتاه مدت را از ویدیوهای نظارت ورودی طولانی مدت با تنظیم مناسب توالی های لکه های غیر عادی با توجه به نوع فعالیت آنها ارائه می دهد. نتایج تجربی نشان می دهد که رویکرد پیشنهادی ما به طور موثر می تواند ویدیوهای خلاقانه رضایت بخش از ویدیوهای نظارت ورودی را ایجاد کند.