《表4 主题数对建模时间以及异常行为检测性能的影响》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《概率主题模型在复杂视频监控场景中的应用》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本节实验采用QMUL和MIT十字路口场景视频序列，实验样本设置见表3所示。由该表也可以看出，在实际的视频序列中异常行为样本只占很小的比例，QMUL数据库为3.3%，MIT数据库为6.2%。从表4中可以看出，建模时间随着主题数目的增加而线性增长；但是对于异常行为检测，性能并没有随着主题数目的增加而显著改善。相反，对于QMUL十字路口场景而言，当主题数目为5时，性能最优；对于MIT交通场景，主题数目为40时，性能最优；但是总体上性能差别不大。分析其原因，这两类监控场景都属于大规模的复杂场景，而其中所包含的异常行为具有时空稀疏性，不仅发生的频率小，在空间上也很容易被其它同时发生的行为所淹没。因此，针对具有时空稀疏特点的异常行为，采用无监督的方法性能不佳。