【用AI打击犯罪】高质量实际监控视频异常检测（免费下载：抢劫，行窃，偷窃，射击，袭击，打架，纵火，爆炸，逮捕，车祸等）

描述

我们构建了一个新的大规模数据集，称为UCF-Crime，以评估我们的方法。它由长时间未修剪的监控视频组成，涵盖了13个现实世界的异常情况，包括虐待，逮捕，纵火，殴打，道路事故，入室盗窃，爆炸，战斗，抢劫，射击，偷窃，入店行窃和故意破坏。选择这些异常是因为它们对公共安全有重大影响。下面是每个异常事件的简短描述。

• 滥用：此事件包含的视频显示了对儿童，老人，动物和妇女的不良，残酷或暴力行为。
• 入室行窃：此事件包含的视频向人们展示了盗窃意图进入建筑物或房屋的人员（盗贼）。它不包括对人民使用武力。
• 抢劫：此事件包含录像，显示盗贼以武力或武力威胁非法获取金钱。这些视频不包括拍摄。
• 偷窃：此事件包含一些视频，这些视频显示了未经许可而盗用财产或金钱的人。它们不包括入店行窃。
• 射击：此事件包含一些视频，展示了用枪射击某人的行为。
• 入店行窃：此事件包含一些视频，这些视频显示了人们冒充购物者时从商店盗窃商品。
• 袭击：此事件包含的视频显示突然或暴力对某人进行物理攻击。请注意，在这些视频中，遭到殴打的人不会反击。
• 格斗：此事件包含的视频显示，有两个人在互相攻击。
• 纵火：此事件包含的视频向人们展示了有人故意纵火烧毁财产。
• 爆炸：此事件包含一些视频，显示爆炸性破坏性事件。此事件不包括有人故意放火或引爆的视频。
• 逮捕：此事件包含录像，显示警察逮捕个人。
• 道路交通事故：此事件包含的视频显示了涉及车辆，行人或骑自行车的人的交通事故。
• 故意破坏：此事件包含的视频显示了涉及故意破坏或破坏公共或私人财产的行为。该术语包括财产损失，例如未经所有者许可直接针对任何财产的涂鸦和污损。
• 正常事件：此事件包含未发生犯罪的视频。这些视频包括室内（例如购物中心）和室外场景以及白天和晚上的场景。

监控视频中的真实异常检测

监视视频能够捕获各种现实异常。在本文中，我们建议通过利用正常视频和异常视频来学习异常。为了避免注释训练视频中的异常片段或片段，这非常耗时，我们建议通过使用标记较弱的训练视频，通过深度多实例排序框架来学习异常，即训练标签（异常或正常）位于视频-级别而不是剪辑级别。在我们的方法中，我们将正常和异常视频视为包，将视频片段视为多实例学习（MIL）中的实例，并自动学习深度异常排名模型，该模型可以预测异常视频片段的较高异常得分。此外，

问题与动机

视频监视的一项关键任务是检测异常事件，例如交通事故，犯罪或非法活动。通常，与正常活动相比，异常事件很少发生。因此，为了减轻劳动和时间的浪费，迫切需要开发用于自动视频异常检测的智能计算机视觉算法。实际异常检测系统的目标是及时发信号通知偏离正常模式的活动并识别发生异常的时间窗口。因此，异常检测可以被视为粗略的视频理解，可以从正常模式中滤除异常。一旦检测到异常，就可以使用分类技术将其进一步分类为特定活动之一。
在这项工作中，我们提出了一种使用弱标签训练视频的异常检测算法。也就是说，我们只知道视频级别的标签，即视频正常或某处包含异常，但我们不知道在哪里。这很有趣，因为我们只需分配视频级别标签即可轻松注释大量视频。为了制定弱监督学习方法，我们诉诸于多实例学习。具体而言，我们建议通过将正常和异常的监视视频视为包，将每个视频的短片段/片段视为包中的实例，通过深入的MIL框架来学习异常。基于培训视频，我们会自动学习一个异常排名模型，该模型可以预测视频中异常段的较高异常得分。在测试期间，
我们提出的方法（在图1中进行了总结）首先是在训练过程中将监视视频分为固定数量的片段。这些段将实例放在袋子中。使用正（异常）袋和负（正常）袋，我们使用建议的深度MIL等级损失训练异常检测模型。

UCF犯罪数据集

我们构建了一个新的大规模数据集，称为UCF-Crime，以评估我们的方法。它由长时间未修剪的监视视频组成，涵盖了13个现实世界中的异常情况，包括虐待，逮捕，纵火，殴打，道路事故，入室盗窃，爆炸，战斗，抢劫，射击，偷窃，入店行窃和故意破坏。选择这些异常是因为它们会对公共安全产生重大影响。我们将我们的数据集与表1中的先前异常检测数据集进行比较。有关UCF-Crime数据集的更多详细信息，请参阅我们的论文。下面是每个异常事件的简短描述。

UCF-Crime数据集中每个异常事件的视频示例
虐待

| 逮捕
纵火
袭击

入室盗窃

爆炸
斗争
车祸
射击
入店行窃

• UCF_Crimes文件夹包含以下3个子文件夹：

  1. 异常检测分离

  2. 1. 此文件夹包含用于异常检测实验的训练和测试分区，即Anomaly_Test.txt和Anomaly_Train.txt

  3. Action_Recognition _splits

  4. 1. 此文件夹包含用于动作识别实验的四个训练和测试分区。
     2. 本文报道的实验结果是使用四重交叉验证完成的。为了报告结果，请使用所有四个分区。

  5. 视频
     此文件夹包含完整的数据集。它具有16个子文件夹。文件夹的名称是不言自明的。

  6. 1. 每个异常对应13个文件夹。
     2. Normal_Videos_event对应于用于动作检测实验的普通视频。
     3. Testing_Normal_Videos_Anomaly包含用于异常检测实验的常规测试视频
     4. Training_Normal_Videos_Anomaly包含用于训练网络以进行异常检测实验的常规培训视频。

怎么训练？

如果你想训练视频数据集，而非图像数据集，应使用视频序列分类算法，比如3d卷积等操作，同时，你也可以通过我以前写过的文章来训练，附带手把手教学哦~
快快看起来吧~

训练步骤 ：

https://mp.weixin.qq.com/s/ghyOd4clbnaj8vh_fB6S_w

这里有详细的训练步骤哦~另外这份数据，在链接里面私聊中回复：ucf 获取数据哦

相关刊物

Waqas Sultani，Chen Chen，Mubarak Shah，监视视频中的真实异常检测[arXiv：1801.04264 cs.CV]