Detection of Object Throwing Behavior in Surveillance Videos

异常行为检测是计算机视觉领域中具有挑战性的研究领域。在这个领域的进展可以实现使用监控摄像头的视频流自动检测危险行为。在其他研究中常常被忽视的一个危险行为是交通流中的投掷动作，这是我们的智慧城市项目增强公共安全的独特要求之一。本文提出了一种使用深度学习进行监控视频中投掷动作检测的解决方案。目前，投掷动作的数据集并没有公开。为了解决我们智慧城市项目的使用情况，我们首先生成了新的公共“投掷动作”数据集，包括271个由交通参与者（如行人、骑自行车者和汽车司机）执行的投掷动作视频和130个没有投掷动作的正常视频。其次，我们比较了不同特征提取器在UCF-Crime和Throwing-Action数据集上的异常检测方法的性能。所探索的特征提取器是卷积3D（C3D）网络、膨胀3D ConvNet（I3D）网络和多纤维网络（MFNet）。最后，通过应用Adam优化器而不是Adadelta，并提出一个涵盖交通中众多正常情况的平均正常损失函数，改善了异常检测算法的性能。这两个方面都提高了异常检测性能。此外，所提出的平均正常损失函数降低了组合数据集的误报率。实验结果在Throwing-Action数据集上达到了86.10的ROC曲线下面积，在组合数据集上达到了80.13。

本文旨在解决在交通流中被忽视的危险行为——投掷行为的自动检测问题，并提出了一种基于深度学习的解决方案。

本文首先生成了一个新的公共数据集'Throwing Action'，其中包括271个投掷行为视频和130个正常视频。其次，本文比较了不同特征提取器在UCF-Crime和Throwing-Action数据集上的性能，并提出了一种平均正常损失函数，以提高异常检测算法的性能。最后，本文使用Adam优化器代替Adadelta，并使用提出的平均正常损失函数降低了组合数据集的误报率。

本文生成了一个新的公共数据集'Throwing Action'，并使用了三种不同的特征提取器进行实验比较。本文提出了一种平均正常损失函数，可以提高异常检测算法的性能。实验结果表明，本文提出的方法在Throwing-Action数据集上的ROC曲线下面积为86.10，组合数据集为80.13。

在该领域的相关研究包括：'Anomaly Detection in Crowded Scenes: A Bottom-Up Approach'、'Anomaly Detection in Surveillance Videos using Generative Adversarial Networks'和'Anomaly Detection in Videos with Appearance-Motion Correspondence'等。