江苏大学学报(自然科学版)

作者：谭奕鑫,詹永照,刘洪麟

单位：江苏大学 计算机科学与通信工程学院， 江苏 镇江 212013

关键词：视频异常检测, 异常事件分类, 特征相似图, 显著特征序列, 异常事件特征学习, 类别不平衡损失函数

基金：国家自然科学基金资助项目（61672268）

针对目前基于片段的视频异常事件检测模型仅考虑片段的正常或异常会产生异常碎片化和异常起止位置蔓延以及异常事件分类难的问题，提出一种基于显著特征和时空图网络的视频异常事件检测与分类方法.首先，提出基于时空融合图网络的视频异常时序片段整合与精化方法，整合出连续的异常区域，同时考虑时空融合图网络的特征传递性，精化异常区域，以有效解决异常判别存在不确定性和异常片段碎片化问题.其次，针对弱监督异常事件内在特征难以有效表达而引起分类难的问题，提出异常事件特征学习和分类方法，在异常区域中建立特征相似图和异常相似图，并利用图卷积网络融合学习异常事件的特征，设计类别不平衡损失函数，从而提高异常事件的分类性能.在UCF-Crime数据集中进行试验，结果表明：文中方法的曲线下面积AUC达到了85.37%，比基准线SULTANI方法高9.83%，比最好的同类方法THAKARE方法高0.89%；在异常事件分类上，该方法获得了74.06%的平均准确率，比现有ZHOU方法提高4.39%.该方法能更有效检测定位视频异常事件，且异常事件分类性能更优.

来源：2025年第2期

《江苏大学学报(自然科学版)》期刊编辑部

查看江苏大学学报(自然科学版)杂志2025年第2期