图像和视频中的不规则检测.docVIP

图像和视频中的不规则检测 摘要：我们从事于研究可视化数据中的不规则检测，例如检测视频中的可疑行为或者是识别图像中的跳跃性模式。“不规则”这个术语依靠于被定义的“规则的”或是“合法的”的上下文。然而，期待可以在一个给出的上下文显定义所有合法的结构是不现实的。我们把决定可视化数据合法性的问题当作构造迷题的过程：我们努力去用大块的数据（“一块块的迷题”）组成一个新的已经观察到的图像区域或是一个新的视频片断（“查询请求”），这些大块的数据是从先前的可视化样本（“数据库”）中抽取出来的。这些在被用数据库中的大块接近的数据组成的被观察的数据中的区域被认为是非常相像的，但是这些不可以从数据库（或者仅仅是可以用小片断数据组成）组成的被观察的数据中的区域是被认为是很不相像或是可疑的。这个问题被作为一个处理盖然论图像模型中的推论提出来。我们展示一些利用这些方法的应用程序来识别图像和视频中的显著，目的是用它来探测可疑行为和高质量保证的自动化图像检测。 关键字：探测可疑行为，显著，不规则探测，新奇事物探测，自动探测，动作识别，自动图像检查 介绍 图像和视频中不规则图像模型的探测在各种各样的任务中都是很有用的。对于监视和监测来说探测可疑行为或是异常目标是重要的。对于质量控制和自动检查来说，在图像中识别空间显著是有用的。在视频中的行为显著对于吸引观看者的注意力是有用的。 先前识别可疑行为或活动的方法可以广泛的被分成两类：基于规则的方法（例如，Ivanov and Bobick (1999)）Stauffer and Grimson (2000)和Zhong et al. (2004)）。统计更加吸引由于trajectories of moving objects (Stauffer and Grimson, 2000)）a single small descriptor vector for an entire frame (Zhong等人, 2004)）Bart and Ullman (2004), Felzenszwalb和 Huttenlocher (2005) and Fergus等例如， Itti等 (1998)）Honda和Nayar (2001).的方法。然而，(Honda Nayar, 2001)在重复结构图像模型局限ICCV 2005(Boiman and Irani, 2005)提供。—Fig. 1(a)），(见 Figs. 1(b) 和 (c))。尽管没有Fig. 1(c)里的三个数据库图像里推断出这个动作的合法性。 这样，能用数据库里巨大的数据块来解释的新观察到数据/查询（一个图像或是视频）里的区域被认为是很相像的，相反，不能用数据库里的足够大的数据块来解释的查询里的区域被认为是不相像或是可疑的。当一个视觉的查询是一个图像，那么这些数据块仅有空间的范围。当一个 视频查询是一个视频，那么这些数据块就既有空间又有时间范围了。 Detecting Irregularities in Images and in Video 19 Figure 1. The basic concept—Inference by Composition. A region in the query image is considered likely if it has a large enough contiguous region of support in the database. New valid image configurations can thus be inferred from the database, even though they have never been Seen before. Figure 2. Detecting a matching ensemble of patches. 碎片的组合 人类的行为或自然的空间结构从来都没有相同的重复着。例如，没有两个人是走路是相同的。一个人比另一个人的手臂抬高一点，或是仅仅走得快一点。我们因此想允许它在我们的“迷题的块”（数据块）里有一个小小的非严格变形（在空间和时间上）。这对于巨大的数据块来说尤其的正确。为了计算本地的非严格变形，巨大的块利用它们相对的几何位置在多维度上被分解成很多小块的组合。这在Fig. 1(d)中有说明。在推论处理过程，我们寻找具有相似属性（行为或是外表）的块的相似的几何结构，同时允许在相对几何排列上有微小的本地未对准。这个概念在Fig. 2中说明。当视觉查询是一个图像，碎片的组合被组成空间碎片（见Fig. 3(a)）。当视觉的查询是一个视频，那么碎片的组合被组成时空碎片（见Fig. 3(b)），这允许我们捕捉动态的行为信息。在我们当前的实现来说