視頻監(jiān)控系統(tǒng)異常目標(biāo)檢測與定位綜述

農(nóng)健 陳偉業(yè)

（梧州學(xué)院 廣西壯族自治區(qū)梧州市 543000）

1 引言

室內(nèi)外監(jiān)控的數(shù)量越來越多的，傳統(tǒng)的人為檢測視頻異常的方法的弊端逐漸暴露出來，比如因為工作人員本身的疏忽或者視頻信息的繁雜，導(dǎo)致視頻監(jiān)控檢測任務(wù)的效率不高。因此，采取智能監(jiān)控視頻自動檢測異常行為對于維護(hù)公共安全和社會秩序有著極其重要的作用。從智能監(jiān)控系統(tǒng)的需求出發(fā)，國外學(xué)者Valera歸納總結(jié)了自動異常檢測監(jiān)控系統(tǒng)的基本框架，還有許多西方發(fā)達(dá)國家都非常重視系統(tǒng)結(jié)構(gòu)的公共交通行人監(jiān)控項目來提升視頻監(jiān)控異常檢測的效率，比如CROMATICA和PRISMATICA。我國學(xué)者也發(fā)起了實時智能視頻監(jiān)控預(yù)警系統(tǒng)，在北京地鐵13號線得到了成功的應(yīng)用，這有利于提升視頻監(jiān)控檢測異常行為的效率，犯罪率得到了有效的降低。

為了研究清楚視頻監(jiān)控系統(tǒng)異常目標(biāo)檢測與定位，首先就需要明確異常的含義，不同的視頻對于異常有著不同的定義，因此異常的定義標(biāo)準(zhǔn)取決于視頻監(jiān)控數(shù)據(jù)的本身，一般來說，將視頻中出現(xiàn)的小概率事件就被稱為異常行為。其次異常行為又被分為全局異常和局部異常，全局異常指的是在整個場景里，所有人的行為都是異常的，這類異常是從視頻數(shù)據(jù)的某一幀開始就整個視頻場景而言出現(xiàn)的異常行為。比如當(dāng)商場發(fā)生火災(zāi)的時候，人們都非常害怕，從四面八方涌向出口。局部異常指的是在視頻中個人行為與其他周圍人的行為不同，比如有一些人在步行街到騎自行車或者別人都在吃飯的時候，有一個人只是呆呆地坐著玩手機(jī)等。視頻異常檢測就是從大量的視頻數(shù)據(jù)中檢測出異常世界，從而能夠更好的維護(hù)公共安全和社會秩序。一般來說主要包括三個步驟，首先是前景提取檢測到運(yùn)動目標(biāo)，提取目標(biāo)的行為特征，根據(jù)異常行為識別分類的標(biāo)準(zhǔn)來檢測目標(biāo)的行為是否異常。

2 前景提取和目標(biāo)檢測

一般情況下，視頻監(jiān)控中的異常目標(biāo)都是運(yùn)動的物體和目標(biāo)，但是如果視頻中有大面積的背景和靜止的物體，這在某種程度上會增加目標(biāo)異常檢測工作的難度，還有監(jiān)控視頻中還有可能會錄進(jìn)去各種各樣噪音，這就使得特征提取和行為表示更加困難，這在某種程度上降低了異常檢測的效率。因此，運(yùn)動目標(biāo)檢測是智能異常檢測系統(tǒng)的重要組成部分。傳統(tǒng)的目標(biāo)異常檢測方法主要有幀差法、光流法等，所謂的偵差法指的是通過相鄰幀之間的對比變化來檢測運(yùn)動目標(biāo)的行為。光流法指的事將一個視頻幀在視覺運(yùn)動傳感器的成像平面上的表達(dá)，常用的流光法主要有HS和HK。目前，在檢測監(jiān)控視頻異常行為的時候，需要用到流光法來剔除視頻背景信息得到運(yùn)動目標(biāo)的二維圖像和三維時空興趣塊，比如Roberto等人對于監(jiān)控視頻進(jìn)行有效檢測，得到相關(guān)的二維圖像，再進(jìn)行特征提取和行為表示。還有Zhou Shifu等人采用光流法來提取運(yùn)動信息的三維時空興趣塊，以此來輸入三維卷積網(wǎng)絡(luò)，這方法能夠有效降低背景信息對于行為特征信息的影響，這有利于提升異常行為檢測的效率和水平。

3 特征提取和行為表示

在研究監(jiān)控視頻異常行為的時候，高效的行為特征提取以及異常行為的快速檢測對于提升視頻監(jiān)控系統(tǒng)異常目標(biāo)檢測與定位效率有著極其重要的作用，因此，國內(nèi)外許多專家學(xué)者也提出各種各樣的方法來進(jìn)行特征提取和行為表示。就目前的情況來看，特征提取主要分為兩類:一是通過手動設(shè)計的方式來提取特征，包括紋理、空間興趣點、廣流等，二是對于原始視頻幀進(jìn)行深度學(xué)習(xí)，得到運(yùn)動目標(biāo)深度學(xué)習(xí)特征，兩種特征提取方式都以生物神經(jīng)理論為基礎(chǔ)，不同點在于手動設(shè)計提取特征是模仿人類視覺框架來實現(xiàn)的，而深度作息特征提取在于對數(shù)據(jù)本身的規(guī)律進(jìn)行學(xué)習(xí)。

3.1 人工設(shè)計特征行為表示

人工設(shè)計特征主要是根據(jù)人類視覺特征的敏感度從圖像中提取出有區(qū)分能力的特征，明確相關(guān)的物理含義。目前，常用的視頻異常檢測的人工設(shè)計特征主要包括紋理特征(MDT GLCM)、空間興趣點(GSTIP MiSIFJ SIFT)等，比如Li Weixin等人用動態(tài)紋理混合對于正常人的行為進(jìn)行建模，在根據(jù)異常行為的標(biāo)準(zhǔn)對于運(yùn)動目標(biāo)的行為進(jìn)行判斷，如果出現(xiàn)了異常值，就會被稱為異常事件。在這一基礎(chǔ)之上，Wang J從時空視頻的角度出發(fā)，構(gòu)建出一套完整的時空紋理模型，將所有的視頻監(jiān)控數(shù)據(jù)在人群紋理中的特征空間與模板行為進(jìn)行比對，以此來實現(xiàn)異常檢測的目的。Aravinda.Rao等人從統(tǒng)計學(xué)的角度出發(fā)對于異常行為的對比度、相關(guān)性等進(jìn)行描述，以此為基礎(chǔ)構(gòu)建起異常行為框架，再將人群中的異常行為進(jìn)行時空表達(dá)。從顯著性的角度來說，我國研究學(xué)者提出異常事件檢測方法。一方面通過對于連續(xù)視頻幀之間的特征點，來構(gòu)建起時空異常顯著圖，另一方面通過顏色對比來構(gòu)造空間異常顯著圖，這有利于提升異常事件檢測的準(zhǔn)確性和有效性。MoSIFT是一種有效的行為特征描述方法，不僅能夠檢測出異常目標(biāo)的興趣點，而且還能夠通過興趣點光流強(qiáng)度來判斷行為目標(biāo)的運(yùn)動強(qiáng)度，這一方法對于異常行為檢測來說，有著極其重要的作用。比如通過MoSIFT算法來提取監(jiān)控視頻的特征，再利用核密度估計對于MoSIFT進(jìn)行特征選擇，以此來更好地消除其它信息對判斷結(jié)果的影響。從Harris角度出來，對于監(jiān)控視頻中的局部變化的部分建立起時空局部結(jié)構(gòu)，以此來計算時空描述符，將空間興趣的概念不斷向外拓展，從而能夠不斷提升監(jiān)控視頻異常行為檢測的效果。除此之外，針對彩色圖像運(yùn)動行為目標(biāo)描述的問題，Insaf Bellamine對于監(jiān)控視頻圖像進(jìn)行結(jié)構(gòu)和紋理分析，以此來得到時空興趣點，對于監(jiān)控視頻中的運(yùn)動目標(biāo)進(jìn)行準(zhǔn)確有效的描述。還有異常目標(biāo)都伴隨著運(yùn)動目標(biāo)的快速變化，光流法被廣泛應(yīng)用有異常目標(biāo)檢測中，通過光流對于運(yùn)動粒子來區(qū)分運(yùn)動目標(biāo)的正常行為和非正常行為，還有采用光流多尺度直方圖來提取目標(biāo)的行為特征，MHOF不僅能夠表達(dá)目標(biāo)的運(yùn)動信息，而且還應(yīng)該表達(dá)目標(biāo)的空間信息，以此來區(qū)分正常事件和非正常事件，在全局檢測中取得了良好的效果。還有為了提取監(jiān)控視頻運(yùn)動目標(biāo)的局部區(qū)域特征，對于視頻幀進(jìn)行分割，得到各個區(qū)域空間的光流信息，以此為基礎(chǔ)建立MRF模型來檢測監(jiān)控視頻中的正常事件和非正常事件。從光流技術(shù)的角度出發(fā)，研究人員利用SL-HOF和ULGP-OF來提取視頻特征，SL-HOF能夠捕捉到時空興趣點，ULGP-OF包含了2D紋理描述符和光流算法，在定位視頻前景信息時，光流算法會更加準(zhǔn)確，隨后再采用OCELM對于兩種描述符進(jìn)行深度學(xué)習(xí)，以此為基礎(chǔ)構(gòu)建正常事件通用模型。

為了能夠更好的進(jìn)行監(jiān)控視頻異常檢測，Reberto Leyva等人通過二進(jìn)制的方法來檢測異常目標(biāo)的情況，對于視頻幀以時間為單位進(jìn)行分割，找到時空興趣點，再采用二進(jìn)制小波差異對于時空興趣點進(jìn)行重新編碼，利用GMM對于前景占用率、漢明距離進(jìn)行重新建模，完成異常檢測與定位的目標(biāo)。還有監(jiān)控目標(biāo)在運(yùn)動的過程中會產(chǎn)生軌跡，而運(yùn)動軌跡主要包含目標(biāo)的長度、位置、運(yùn)動程度等，通過將不同長度、位置的運(yùn)動軌跡進(jìn)行重新分類，各組各類運(yùn)動軌跡進(jìn)行重新建模，以此來區(qū)分正常事件和非正常事件。常見的軌跡稀疏重構(gòu)的異常檢測方法是指在監(jiān)控視頻中提取最小二乘三次樣條曲線近似值來完成異常事件檢測的目的。還有像素檢測方法有一定的局限性，沒有辦法檢測到全部的異常行為，只能測出速度和方向的異常，比如其余的車輛都是朝東走，只有一輛車朝西走或者這條路限速80km/h，有一輛車的速度達(dá)到了90km/h，但是很難檢測到人的肢體動作異常，比如小偷或者恐怖分子相關(guān)的運(yùn)動異常就沒有辦法檢測出來。因此，筆者將兩種檢測方式融合在一起，從而能夠更好的表達(dá)出目標(biāo)物體的運(yùn)動軌跡，不僅能夠檢測目標(biāo)的速度和方向，而且還能夠檢測目標(biāo)的局部動作，這有利于提升異常檢測的效率，有效減少算法的計算輔導(dǎo)。從軌跡優(yōu)化的角度來提升目標(biāo)異常檢測系統(tǒng)，這一系統(tǒng)主要分為兩個部分，首先對于運(yùn)動物體的軌跡信息進(jìn)行有效的異常處理，如果檢測出來有異常的行為應(yīng)該及時報警，其次，采取密集視頻分析算法來檢測異常事件是否與人有關(guān)。

3.2 深度行為特征表示

通過手動設(shè)計開提取人工設(shè)計特征的方法有眾多的理論基礎(chǔ)，但是受人為因素的影響比較嚴(yán)重，沒有辦法客觀的描述運(yùn)動目標(biāo)的行為。還有這種方法提取特征的方法對于數(shù)據(jù)庫的依賴程度比較好，但是并不是所有的數(shù)據(jù)都能夠被收集到數(shù)據(jù)庫中，對于數(shù)據(jù)庫中沒有儲存到的視頻就沒有辦法進(jìn)行比對。隨著深度學(xué)習(xí)理論和卷積神經(jīng)理論的飛速發(fā)展，為計算機(jī)視覺領(lǐng)域的研究提供了一個全新的方向，Simonyan Karen等人提出并行雙流網(wǎng)絡(luò)對于RGB圖片的空間信息和光流圖進(jìn)行特征學(xué)習(xí)和行為判斷，將兩個網(wǎng)絡(luò)的判別結(jié)果進(jìn)行有效的分類，據(jù)大量的實驗研究結(jié)果表明，雙流網(wǎng)絡(luò)對于特征學(xué)習(xí)和行為判斷有著良好的效果。國內(nèi)外許多研究學(xué)者也從各個角度出發(fā)去改良雙流網(wǎng)絡(luò)算法，比如convolutional two-stream network、temproal segment networks等，在雙流網(wǎng)絡(luò)的基礎(chǔ)上，對于監(jiān)控視頻單幀進(jìn)行二維特征學(xué)習(xí)，再采用光流表達(dá)幀與幀之間的關(guān)系，以此來彌補(bǔ)時空信息的不足。Tran Du等人提出了深度三維卷積神經(jīng)網(wǎng)絡(luò)將視頻的連續(xù)幀作為輸入對象，從而能夠更好的獲得視頻幀的時域信息，有利于解決監(jiān)控視頻運(yùn)動對象分類的問題。Zhou Shifu等人利用三維卷積神經(jīng)網(wǎng)絡(luò)有效解決異常行為檢測和定位的們提，將監(jiān)控視頻中存在的時空興趣塊直接作為C3D的輸入來進(jìn)行學(xué)習(xí)。與此同時，Sabokrou Mohammad等人采取級聯(lián)三維神經(jīng)網(wǎng)絡(luò)的方法，再通過三維自動編碼器檢測監(jiān)控視頻中的C3D完成對異常目標(biāo)檢測和定沒的目標(biāo)。除此之外，異常目標(biāo)檢測領(lǐng)域的深度學(xué)習(xí)方法有很多，常見有:SSD、YOLO等，為視頻監(jiān)控異常目標(biāo)檢測提供了一個全新的思路。還有Xu Hujuan等人將Fater-RCNN的思路應(yīng)用與視頻監(jiān)控網(wǎng)絡(luò)異常目標(biāo)的定位，再結(jié)合C3D網(wǎng)絡(luò)得到R-C3D網(wǎng)絡(luò)，從而能夠更好的對監(jiān)控視頻異常目標(biāo)進(jìn)行檢測與定位。還有對于C3D網(wǎng)絡(luò)進(jìn)行檢測的還有CDC網(wǎng)絡(luò)，將卷積、反卷積技術(shù)應(yīng)用到視頻監(jiān)控異常目標(biāo)檢測領(lǐng)域，在端與端學(xué)習(xí)的時候，能夠準(zhǔn)確預(yù)測監(jiān)控視頻每一幀的信息，取得了良好的異常目標(biāo)檢測與定位效果。

4 異常行為識別分類方法

根據(jù)上文我們可以知道異常行為主要包括全局異常和局部異常，根據(jù)學(xué)習(xí)過程中需要用到的樣本類型，將異常行為識別分類的方法主要分為監(jiān)督、半監(jiān)督、無監(jiān)督。

4.1 監(jiān)督異常行為分類方法

在建模之前需要對所有的正常數(shù)據(jù)和非正常數(shù)據(jù)進(jìn)行標(biāo)記，屬于傳統(tǒng)的視頻分類方法，對于視頻異常檢測來說就是二分類問題，經(jīng)典監(jiān)督分類方法主要包括支持向量機(jī)，比如Support Vector提出遺傳算法特征選擇與支持向量機(jī)訓(xùn)練混合優(yōu)化模型認(rèn)知，在最短的時間內(nèi)能夠快速獲得最優(yōu)特征子集和SVM參數(shù)，這有利于提升監(jiān)控視頻異常檢測的準(zhǔn)確率，采用自適應(yīng)模擬退火遺傳算法進(jìn)行特征選擇。ASAGA通過模擬退火算法的局部搜索能力有效解決了遺傳算法慢收斂度和復(fù)雜度比較高的問題。除此之外，Kim H等人利用側(cè)地線圖和SVM對于監(jiān)控視頻異常目標(biāo)行為進(jìn)行有效研究，通過對人體關(guān)節(jié)的檢測來實現(xiàn)異常檢測的目的。近年來，隨著深度學(xué)習(xí)和云計算技術(shù)的發(fā)展，為計算機(jī)視覺領(lǐng)域提供了全新的發(fā)展思路，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)作為一種全新的監(jiān)督學(xué)習(xí)方法應(yīng)用與擁擠場景中的異常行為檢測，比如有學(xué)者采取監(jiān)督的方法對于運(yùn)動目標(biāo)的時空興趣塊進(jìn)行標(biāo)記，將所有的數(shù)據(jù)作為三維卷積神經(jīng)網(wǎng)絡(luò)的連續(xù)幀輸入進(jìn)行訓(xùn)練，再根據(jù)已有的模型中的時空興趣塊來判別異常行為，這有利于提升異常行為檢測的效率。

4.2 半監(jiān)督異常行為分類方法

工作人員需要對常規(guī)的視頻數(shù)據(jù)進(jìn)行標(biāo)記，主要分為基于規(guī)則和基于模型的方法，具體來說，基于規(guī)則的半監(jiān)督方法只對含有正常樣本訓(xùn)練集進(jìn)行相關(guān)的規(guī)則學(xué)習(xí)，如果發(fā)現(xiàn)有不符合規(guī)則的樣本就被判斷為異常行為，比如基于規(guī)則的稀疏編碼方法來檢測監(jiān)控目標(biāo)的異常行為，這種方法的在很短的時間內(nèi)就能夠完成異常檢測，但是對于閾值選擇比較敏感。Zhu Xiaobin等人將這一方法帶入正常字典來衡量測量樣本的異常。為了克服樣本缺乏的問題，能夠更好的檢測目標(biāo)的異常行為，有專家提出動態(tài)更新的雙稀疏字典表示方法，先得到正常字典，然后對于需要檢測的樣本進(jìn)行分類，如果分類檢測出來的結(jié)果是正常，就會將這條信息加入正常字典，不斷更新正常字典的內(nèi)容，如果分類檢測出來的結(jié)果是非正常，就會將這條信息加入異常字典，不斷更新異常字典的內(nèi)容。就目前的情況來看，用于解決異常分類問題在構(gòu)建字典的時候，忽視了結(jié)構(gòu)信息。Yuan Yuan等人利用正常數(shù)據(jù)信息來構(gòu)建結(jié)構(gòu)字典，在后續(xù)的測試階段提出參考事件的概念，兩者之間的相似性更強(qiáng)，沒有辦法再用結(jié)構(gòu)字典來表示異常行為。基于模糊規(guī)則Albusac等人通過自動動態(tài)地設(shè)置正態(tài)分量的權(quán)重，這有利于提升監(jiān)控異常目標(biāo)檢測的效率。還有Chen Zhengying等利用模糊聚焦方法和多個自動編碼器的框架，通過這一框架對于運(yùn)動目標(biāo)的軌跡進(jìn)行描述，以此來實現(xiàn)異常行為檢測與定位的目標(biāo)。還有在基于模型的方法中，通過正常樣本來構(gòu)成相關(guān)的模型，在檢測的過程中，將偏離正常模型的數(shù)據(jù)判斷為異常行為。目前常見的模型主要有高斯混合模型、馬爾科夫隨機(jī)場等，比如有專家學(xué)者利用人群分布信息和速度信息為基礎(chǔ)來構(gòu)建高斯混合模型，對于監(jiān)控視頻中的人群行為進(jìn)行有效的檢測。除此之外，還有專家學(xué)者從社會學(xué)的角度出發(fā)，提出了社會力模型，這為監(jiān)控視頻異常行為檢測和定位提供了一個全新的研究思路。

4.3 無監(jiān)督異常行為分類方法

無監(jiān)督異常行為分類方法屬于典型的聚類問題，不需要獲得先驗知識，僅僅單獨依靠樣本數(shù)據(jù)之間的連接來完成正常事件的聚類和建模工作，再將相似度比較低的事件判斷為異常事件，以此來實現(xiàn)異常目標(biāo)行為檢測和定位的目的。Alvar M等人利用無監(jiān)督學(xué)習(xí)框架來提升監(jiān)控目標(biāo)異常行為檢測的目的，與其它檢測方法相比，有著更好的魯棒性。除此之外，還有專家學(xué)者利用非負(fù)矩陣分解方法對于特征空間進(jìn)行學(xué)習(xí)，通過支持向量數(shù)據(jù)來檢測監(jiān)控目標(biāo)的聚類程度。通過深度學(xué)習(xí)方法來實現(xiàn)無監(jiān)督學(xué)習(xí)，Mahdyar Ravanbakhsh等人利用現(xiàn)有的技術(shù)生成對抗網(wǎng)絡(luò)對于生成模型和判別模型以此來實現(xiàn)異常目標(biāo)行為檢測和定位的目的。

4.4 異常行為分類方法的優(yōu)缺點

基于監(jiān)督的視頻異常檢測方法操作和理解起來更加容易，可以利用已有的先驗知識來選擇訓(xùn)練樣本，再通過反復(fù)的檢驗來提升監(jiān)控視頻異常目標(biāo)檢測的精確度。但是監(jiān)督異常行為分類方法受主觀因素的影響比較大，工作人員需要花費(fèi)大多的時間和精力去選擇和評估訓(xùn)練樣本，而且這種方法還沒有辦法自動調(diào)整異常數(shù)據(jù)，因此如果樣本數(shù)據(jù)更換了新的場景，就需要進(jìn)行重新的設(shè)計和檢測?；诎氡O(jiān)督異常行為分類方法比如稀疏表示法操作起來更加簡單，但是計算的過程卻非常復(fù)雜，需要占用許多內(nèi)存，對于檢測設(shè)備本身的容量有著比較高的要求。還有半監(jiān)督異常行為分類方法的計算速度比較快，很容易構(gòu)建模型，但是模型分類效果對于樣本中的數(shù)據(jù)參數(shù)比較敏感，還有這種方法很容易將沒有錄入模型的樣本數(shù)據(jù)很容易就被判斷為行為異常?；跓o監(jiān)督異常行為分類方法不需要任何先驗知識，運(yùn)算起來能夠更加便捷，但是需要大量的分析和處理才能最終獲得最可靠的結(jié)果，比如GAN網(wǎng)絡(luò)可以通過無監(jiān)督方式來表示監(jiān)控視頻的正常行為，但是最終的異常目標(biāo)檢測和定位還是需要依靠與正常視頻的數(shù)據(jù)進(jìn)行比對才能獲得最終的判斷結(jié)果。

5 視頻異常檢測數(shù)據(jù)集

就目前的情況來看，常見的數(shù)據(jù)集主要有UCSD、UMN、Hockey Fighr以及LV數(shù)據(jù)集等，本文重點介紹UCSD數(shù)據(jù)集，UCSD數(shù)據(jù)集主要包括兩個部分ped1和ped2，兩者都是通過安裝在固定高度的攝像頭來獲得的視頻，視頻中人群的密度會隨著時間的推移而發(fā)生變化，ped1包含34個正常行為視頻序列以及36個異常行為視頻序列，視頻幀長為200，分辨率大約為158×238，它主要用于描繪人群的垂直移動，看到的人群流向是走進(jìn)攝像頭和遠(yuǎn)離攝像頭，呈現(xiàn)出透視畸變的騰飛。ped2主要用于描繪人群的水平移動，包括16個正常行為視頻序列以及12個異常行為視頻序列，視頻幀長在120～170之間，分辨率大約為360×240。還有USD數(shù)據(jù)集中所有的訓(xùn)練樣本都包含了正常行為，測試集中的某一幀可能不存在或者存在1個或者2個異常行為，異常行為的主要類型有:滑冰、自行車、小汽車等。但是UCSD的ped1的物體分辨率非常低、ped2的遮擋問題又比較嚴(yán)重，所以我們說UCSD是一個挑戰(zhàn)性比較強(qiáng)的局部異常數(shù)據(jù)集。

6 結(jié)束語

綜上所述，本文主要討論了前景提取和目標(biāo)檢測、特征提取和行為表示和異常行為識別分類方法，隨著監(jiān)控視頻異常目標(biāo)行為檢測和定位技術(shù)的發(fā)展，取得了一定的成效，但是也存在一定的局限，比如在復(fù)雜的監(jiān)控視頻背景中，提取異常運(yùn)動目標(biāo)的特征比較困難，還有非正常事件的數(shù)量比較少，許多非正常事件的識別算法知識針對某一個攝像機(jī)，與實際視頻監(jiān)控的情況嚴(yán)重不符。雖然有專家學(xué)者將多個攝像頭捕捉起來的運(yùn)動視圖進(jìn)行深入分析，但是整個操作的過程非常復(fù)雜。還有某一行為是否異常主要取決去具體的場景、時間和地點等，因此，當(dāng)更換了一個場景、時間和地點后，就需要進(jìn)行重新訓(xùn)練建模。隨著網(wǎng)絡(luò)信息技術(shù)的飛速發(fā)展，對于更多的場景進(jìn)行建模，以此來增加場景的適應(yīng)力，這有利于提升監(jiān)控視頻異常行為檢測的效率和水平。