کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6941337 870175 2014 9 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Contextual anomaly detection in crowded surveillance scenes
ترجمه فارسی عنوان
تشخیص آنومالی متنی در صحنه های شلوغ نظارت
کلمات کلیدی
ترجمه چکیده
این کار مشکل تشخیص انحراف های رفتاری انسان را در محیط های نظارت شلوغ حل می کند. ما به طور خاص در مسئله شناسایی ناهنجاری های ظریف در یک صحنه نظارتی رفتار ناهمگن تمرکز می کنیم. برای رسیدن به این هدف، یک فرایند متداول جدید متمرکز بدون نظارت را اجرا می کنیم. ما پیشنهاد و بررسی روش استفاده از زمینه اجتماعی و زمینه صحنه برای بهبود تجزیه و تحلیل رفتار. ما دریافتیم که در یک صحنه شلوغ استفاده از زمینه اجتماعی مبتنی بر اطلاعات متقابل، توانایی جلوگیری از گروه های خودمحور و انتشار ناهنجاری ها در یک شبکه اجتماعی را فراهم می کند و یک قابلیت تشخیص ناهنجاری بیشتر را ارائه می دهد. زمینه صحنه یکنواخت تشخیص ناهنجاری ها را در هر دو مجموعه داده بهبود می بخشد. استحکام ویژگی های متنی ما با شناسایی رفتارهای غیر طبیعی غیرطبیعی نشان داده می شود که در غیر این صورت از رفتار عادی قابل تشخیص نیست.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
This work addresses the problem of detecting human behavioural anomalies in crowded surveillance environments. We focus in particular on the problem of detecting subtle anomalies in a behaviourally heterogeneous surveillance scene. To reach this goal we implement a novel unsupervised context-aware process. We propose and evaluate a method of utilising social context and scene context to improve behaviour analysis. We find that in a crowded scene the application of Mutual Information based social context permits the ability to prevent self-justifying groups and propagate anomalies in a social network, granting a greater anomaly detection capability. Scene context uniformly improves the detection of anomalies in both datasets. The strength of our contextual features is demonstrated by the detection of subtly abnormal behaviours, which otherwise remain indistinguishable from normal behaviour.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Pattern Recognition Letters - Volume 44, 15 July 2014, Pages 71-79
نویسندگان
, , ,