《表1 不同的社会力对异常行为检测的影响》

  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

《基于社会力模型和注意力机制的异常行为检测》

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

首先，消融研究不同的社会力对异常检测性能产生的影响，如表1所示。研究发现:C3D网络仅仅通过RGB和光流所学习到的特征去检测视频中异常行为是远远不够的，通过定义三种社会力去描述监控视频中的复杂行为，显著提升了异常行为检测的正确率。当从运动和外观无法区分异常行为时，考虑速度异常，由于受到障碍物的影响，运动目标的移动速度将会发生变化。阻碍力相比较于RGB和光流特征，AUC值提升了2.87%。在拥挤场景中，挤压力就表现出明显的优势。相比较于阻碍力，其AUC值也从71.16%提升到了74.92%。侵犯力适用于大多数的暴乱场景中，随着侵犯力的加入，异常行为检测性能大大提升，AUC提升了4.31%，由此说明，本文所提出的社会力能够有效的实现监控视频下的异常行为检测。