基于局部-全局特征增强的视频异常检测方法结题报告.docVIP

基于局部-全局特征增强的视频异常检测方法结题报告

一、研究背景与问题提出

在公共安全、智能交通、工业监控等领域，视频监控系统已成为保障生产生活安全的重要基础设施。据《2025年全球视频监控市场报告》显示，全球视频监控摄像头安装量已突破40亿台，且仍以每年15%的速度增长。然而，海量视频数据的人工监控不仅效率低下，还易因监控人员疲劳、注意力分散等因素导致异常事件漏检。视频异常检测技术旨在通过人工智能算法自动识别视频中的异常行为与事件，如交通事故、暴力冲突、火灾隐患等，从而实现监控系统的智能化升级。

当前主流的视频异常检测方法主要分为基于传统机器学习和基于深度学习两类。传统机器学习方法依赖人工设计的特征，如光流、纹理等，在复杂场景下特征表达能力有限，泛化性能较差。深度学习方法，尤其是基于卷积神经网络（CNN）和循环神经网络（RNN）的模型，通过端到端的训练方式自动提取视频特征，显著提升了检测性能。但现有深度学习方法仍存在以下关键问题：

（一）局部特征与全局特征融合不足

多数模型在提取视频特征时，要么过度关注局部细节（如目标的纹理、边缘），要么侧重于全局语义信息（如场景的整体布局），未能有效融合两者。例如，在监控场景中，一个行人突然倒地的异常事件，既需要捕捉行人肢体动作的局部变化，也需要结合周围环境的全局上下文（如是否有障碍物、是否有人靠近）来判断事件性质。单一的局部或全局特征都可能导致