一些用于拥挤场景的异常检测的视频数据集

---

UCSD Anomaly Detection Dataset

http://www.svcl.ucsd.edu/projects/anomaly/dataset.htm
UCSD（加州圣地亚哥大学分校）异常检测数据集
UCSD异常检测数据集是通过安装在高处的固定摄像机获取的，该摄像机可以俯瞰人行道。人行道上的人群密度是可变的，从稀疏到非常拥挤。在正常设置下，视频只包含行人。异常事件是由以下两个原因引起的:

1.非行人实体在人行道上的流通
2.异常的行人运动模式

通常发生的异常包括骑自行车的人，滑冰的人，小型推车，和人们走在人行道或周围的草地上。另外还记录了一些坐轮椅的人的情况。所有的异常都是自然发生的，也就是说，它们不是为了组装数据集而进行分级的（摆拍）。数据被分成两个子集，每个子集对应一个不同的场景。从每个场景录制的视频片段被分成大约200帧的不同片段。

Peds1:一群人在镜头前走动的片段，还有一定程度的透视失真。包含34个训练视频样本和36个测试视频样本。
Peds2:行人运动平行于摄像平面的场景。包含16个训练视频样本和12个测试视频样本。

对于每个剪辑，ground truth注释每帧都包括一个二进制标记，指示该帧是否存在异常。此外，Peds1的10个剪辑子集和Peds2的12个剪辑子集都提供了手动生成的像素级二进制掩码，用于识别包含异常的区域。这样做的目的是为了评估算法定位异常的能力。

University of Minnesota crowd activity datasets

http://mha.cs.umn.edu/Movies/
文件的格式比较杂。

但是后来找到了一个相关的网页 ：http://mha.cs.umn.edu/ 感觉应用场景还是挺广泛的。

Anomalous Behavior Data Set

http://vision.eecs.yorku.ca/research/anomalous-behaviour-data/
本网站提供视频异常行为检测的数据集。该数据集包含8个图像序列，描绘了广泛的具有挑战性的场景，包括:照明效果，场景杂波，可变目标外观，快速运动和相机抖动。所有的序列都是可用的手动构造地面真相，识别异常行为相对于视频的训练部分。还提供了groundtruth构建和后续评估的软件。

有关异常行为检测技术方法的详细信息，请参阅他们的项目页面。项目页面

Virat video dataset

https://viratdata.org/

VIRAT视频数据集在以下特征中很有特色。

真实和自然场景:在自然场景中收集数据，显示人们在标准的上下文中执行正常的动作，背景不受控制，混乱不堪。经常会有意外的移动和背景。直接由演员表演的动作的数量尽可能地小;大多数是由普通大众执行的行动。

多样性:数据在分布在美国各地的多个地点收集。包括各种摄像机视点和分辨率，动作由许多不同的人执行。

数量:包括各种类型的人类动作和人与车辆的交互，每个动作类有大量的例子(>30)。

广泛的分辨率和帧率范围:许多应用，如视频监视操作跨越广泛的空间和时间分辨率。数据集被设计用来捕捉这些范围，2-30Hz的帧率和10-200像素的人高。数据集在空间和时间上都提供了高清质量和低采样版本的原始视频。

地面和空中视频:地面摄像机视频和空中视频都收集发布作为VIRAT视频数据集的一部分。

VIRAT视频数据集包含两大类活动(单对象和双对象)，涉及人和车辆。每个版本包含的活动的细节和注释格式可能不同。可以从每个发布信息中找到相关信息。

McGill University Dominant and Rare Event Detection Data

http://www.cim.mcgill.ca/~javan/index_files/Dominant_behavior.html
貌似不能成功地打开这个网站