基于深度学习的视频异常检测研究综述.docVIP

基于深度学习的视频异常检测研究综述

视频异常检测是计算机视觉领域的核心研究方向之一，旨在从连续视频序列中自动识别偏离正常模式的目标、行为或事件，广泛应用于智能安防、工业生产监控、自动驾驶环境感知、医疗异常行为监测等场景。传统视频异常检测方法多依赖人工设计的特征提取算子，如HOG、HOF、3D-SIFT等，结合支持向量机、孤立森林等统计学习模型构建正常模式边界，在场景单一、干扰因素少的封闭环境中能够取得一定效果，但面对复杂动态背景、光照剧烈变化、目标尺度多样性以及异常类别的长尾分布问题时，特征表达能力不足、泛化性能差的缺陷逐渐凸显。近年来深度学习技术的快速发展为视频异常检测提供了全新的技术路径，基于卷积神经网络、循环神经网络、Transformer以及生成式模型的检测框架不断涌现，在特征学习能力、时空信息建模精度、复杂场景适应性等方面实现了显著突破，推动该领域从实验室研究向大规模产业化应用逐步迈进。

基于重构误差的视频异常检测方法

基于重构误差的检测方法是深度学习时代最早规模化应用的视频异常检测技术路线，核心假设是模型仅在正常样本上训练，能够精准重构正常视频内容，而异常样本因不符合正常模式会产生较高的重构误差，据此可区分正常与异常事件。早期研究多采用自编码器（AutoEncoder,AE）作为基础架构，通过编码器将视频帧或光流图映射为低维特征向量，再由解码器恢复输入内容，利用像素级