人类异常行为识别数据集汇总【转载】（附链接）

 

参考论文：人群异常识别技术研究进展_魏永超

数据是人群行为识别研究的基础, 为了更加方便开展相关研究工作, 陆续有研究机构采集人群异常行
为数据, 构建了相关数据库并进行公开, 从而一定程度推动了人群行为研究. 这些数据库为行为识别的研
究提供了重要参考依据. 下面将对代表性的人群行为数据库的进行概括。

（1）USCD(University of California, San Diego)异常检测数据库[32]. 数据由加州大学圣地亚哥分校创建,
数据是通过安装在一定高度、俯视人行道的摄像机,采集自然状态下发生的异常行为. 异常行为包含两类:
非人实体闯入和人行为异常. 异常种类包括骑自行车、滑冰、小推车、行人横穿人行道、侵入草地等, 同
时也记录人在轮椅上的几个实例. 数据由98 个视频组成, 被分成2 不同的场景的子集, 每个场景录制的视
频录像被分成约200 帧的各个片段. 该数据库主要针对是人群中个体行为的识别研究.

(2) UMN(University of Minnesota)数据库[33]. 明尼苏达州大学创建的一个数据库, 由11 个视频组成, 包
含了正常和异常视频. 每个视频起始部分是正常行为,随后为异常行为视频序列. 人群异常行为主要包括:人群单方向跑动、人群四散等. 该视频数据库采集的视频人为安排的异常行为. 该数据库针对的整体人群行为识别.

(3) UCF(University of Central Florida)数据库[34].该数据库由中佛罗里达大学创建, 包含了99 个视频片段. 该 数 据 库 主 要 是 收 集BBC Motion Gallery 、Youtube、Thought Equity 和Getty-Images 等网站视频数据, 用于公开的科学研究. 特点是在照明和视野的变化, 可以用于拥挤场面开发的算法的性能评价. 该数据集包含的人群和其他高密度移动物体的视频. 可以用于人群行为识别研究以及拥挤人群行为研究.

(4) VIF(violent flow)数据库[35]. 由以色列开放大学创建的人群数据库, 主要关注的是人群暴力行为.由246个视频组成, 所有的视频从YouTube 下载的, 视频来源是真实的现实暴力录影. 数据库旨在为检验暴力/非暴力分类和暴力标准提供测试依据. 视频中, 最短剪辑的持续时间为1.04 秒,最长剪辑6.52 秒, 视频片段的平均长度为3.60 秒.

下载链接：https://www.openu.ac.il/home/hassner/data/violentflows/

(5) CUHK(Chinese University of Hong Kong) 数据库[36]. 该数据集用于拥挤场景下活动或行为研究. 它包括两个子数据集: 交通数据集(麻省理工学院的交通录像)和行人数据集. 交通数据集包括90 分钟长的交通视频序列, 一些抽样帧的行人基础事实是手动标记的. 行人数据集记录了纽约的大中央车站, 包含一个长30 分钟的视频, 无任何标记或事实的数据.

(6) MALL 数据库[37]. 该数据集有两个子集: 第一是三个不同的密集的十字路口近60 分钟的交通流视频; 第二个是从一个可公开访问的购物中心的网络相机上获取的视频. 对2000 帧视频中的60000行人进行了标记, 每一个行人的头部位置也进行了标记. 因此,这个数据集方便于人群计数和轮廓分析的研究.

下载地址：https://amandajshao.github.io/projects/WWWCrowdDataset.html（WWW dataset)

相关链接：http://personal.ie.cuhk.edu.hk/~ccloy/datasets.html

(7) PETS 2009(Performance Evaluation of Trackingand Surveillance) 数据库[38]. 此数据集包含了多传感器的不同人群的活动序列, 共有9 个视频. 它由五个组成部分: 校准数据、训练数据、计数和密度估计数据、跟踪数据以及流量分析和事件识别数据. 每个子集包含多个视频序列, 每个序列由4 到8 个不同视角拍摄.

下载链接：http://www.cvg.reading.ac.uk/PETS2009/data.html

(8) RWC(Rodriguezs Web-Collected)收集网络数据库[39]. 罗德里格斯的网络收集的数据集, 由520 个视频组成. 抓取和下载搜索引擎和素材网站的视频源,例如, Gettyimages 和YouTube 等, 构建其数据库. 除了大量人群视频外, 数据集还随机从集合中选择所有运动的人中, 记录了100 个人的地面真实轨迹. 该数据集是不向公众开放的.

下载链接：https://www.di.ens.fr/willow/research/datadriven/

下载链接：http://www.mikelrodriguez.com/datasets-and-source-code/#datadriven

(9) UH(University of Haifa)数据库[40]. 视频来自五个采集点的八个摄像机, 分别是食堂1 个, 地铁入口1个, 地铁出口1 个, 车库出口1 个, 公交车站1 个, 商场3 个, 食堂和公交车站采用人为架设摄像机采集,其它地点来自监控. 所有视频中事件都进行了人为标记, 方便算法的测试. 数据库从食堂采集11 分钟视频,地铁入口1 小时36 分视频, 地铁出口43 分钟视频, 车库出口5 小时20 分视频, 公交车站2 分20 秒视频, 商场共155 分钟视频. 异常行为有自然发生, 也有人为设计的.

下载地址：datasets are available for public use upon request

 

(10) UCF-Crime

下载链接：https://webpages.uncc.edu/cchen62/dataset.html

 

(11) BEHAVE

下载链接：http://groups.inf.ed.ac.uk/vision/BEHAVEDATA/INTERACTIONS/

    人群异常数据库已经有一定的规模, 且基本都是公开的, 可以用于人群异常行为的研究. 但是, 目前的人群数据库还没有形成体系, 更多的都是研究团队自己采集的视频, 没有相关标准, 视频种类繁多, 这样一定程度限制了人群行为识别的研究. 因此, 标准的人群数据库的建立是需要进一步开展的相关工作.

 

参考文献：

[32] UCSD Anomaly Detection Dataset, http://www.svcl.ucsd.edu/projects/anomaly/dataset.htm.

[33] UMN Crowd Dataset, http://mha.cs.umn.edu/projevents.shtml#crowd.
[34] Ali S, Shah M. A lagrangian particle dynamics approach forcrowd flow segmentation and stability analysis. IEEEConference on Computer Vision and Pattern Recognition.Minneapolis. CurranAssociates, Inc. 2007. 1–6.
[35] Violence-flows Dataset, http:. www.openu.ac.il/ home/hassner/data/violentflows/index.html.
[36] Wang X, Ma X, Grimson WEL. Unsupervised activityperception in crowded and complicated scenes usinghierarchical bayesian models. IEEE Trans. on PatternAnalysis and Machine Intelligence, 2009, 31(3): 539–555.
[37] Loy CC, Chen K, Gong S, Xiang T. Crowd counting andprofiling: Methodology and evaluation. Modeling,Simulation and Visual Analysis of Crowds, Springer. 2013,
11: 347–382.

[38] PETS2009 Dataset, http://www.cvg.rdg.ac.uk/PETS2009.
[39] Rodriguez M, Sivic J, Laptev I, Audibert JY. Data-drivencrowd analysis in videos. IEEE International Conference onComputer Vision. Barcelona. Curran Associates, Inc. 2011.1235–1242.
[40] Adam A, Rivlin E, Shimshoni I, Reinitz D. Robust real-timeunusual event detection using multiple fixed-locationmonitors. IEEE Trans. on Pattern Analysis and MachineIntelligence, 2008, 30(3): 555–560.