当学者们开始探讨监控画面中的异常事件的识别时，就困扰着如何表示基本事件以及怎样建立异常事件的检测模型。可遗憾的是到目前为止，学者们依旧没能为这两个基本的问题给出一个成熟的答案。下面我们就目前基本事件表示和异常事件的检测模型建立这两个模块的研究成果进行探讨。82584

1  基本事件表示

因为视频画面中具有大量的不确定因素，可以认为是视频所具有两个特性，一个是复杂性，另一个是连续性。视频的这两个特性导致了至今为止仍旧没有形成一个对基本事件的统一表示。由于没有一个统一的定义以致于在处理视频数据时，不能精确的从语义上确定基本事件表示。所以，在对视频数据的研究中，基本事件的定义众说纷纭，所以不是所有的定义都具备物理上的意义。现今，基本事件的表示一般由两类组成。一是基于低层视觉特征的基本事件表示，二是基于高层语义特征的基本事件表示。接下来我们详细阐述这两类基本事件表示。

1。1 基于低层视觉特征的事件表示

 所谓底层视觉特征，就是一些可简单提取特征，例如目标轮廓、灰度梯度、光流等。正因为其过程简单，也许这些特征并不具备浓厚的物理意义。由于这些特征的获取非常方便，可以通过手工提取这些特征来作为基本事件的表示。也正是由于特征获取的方便性，长期以来，大多学者对基本事件表示的研究方向都是基于低层视觉特征的事件表示这类算法。文献[5]提出以块表示基本事件。块的获取则是从时间和空间上进行处理，将视频分割，形成视频块。从视频块中进行特征提取。然来这也带来了维数过高这一诟病。为了解决这一问题，文献[6]将形成的视频块用七维向量来表示。此外，据我们所知，异常事件的发生一般都有目标的运动，最显而易见的特征莫过于运动速度的变化。对于运动的目标而言，光流一直被普遍的应用。众所周知，光流是一种目标运动描述子[7]。用光流能比较有效的描述目标运动，但光流也有缺点，就是噪声比较大。不过，学者们并没有因此而放弃应用光流的形式来表示基本事件。经过不断的改进，已有所收获如光流方向直方图[8]、多尺度光流直方图[8]等。为了降低噪声，让事件的表示更加鲁棒。文献[9]和文献[10]利用上下文相关信息，用时空块表示基本事件。除此之外，文献[11]和文献[12]所用得光流提取前景的视频中，同样能减轻噪声。假定目标在相邻帧中光照不变，那么从某些方面说灰度梯度也能进行检测目标的运动。与上面所提到的光流方向直方图一样，许多学者通过计算时空块的梯度方向直方图表示基本事件。三维空间信息的价值是非常可观的，为了能够有效使用，不少文献通过计算三维梯度来表示事件[13]。尽管时空块能够很好发挥局部上下文信息的价值，不过倘若是间隔较远的邻域关系便不好有效使用。因此，文献[14]和文献[15]把多个时空块并在一起，形成一个集合，用该集合表示事件。通过以往的探究发现相比于单特征，多种特征组合具有更好的表示能力。所以，Reddy等人把前面说的低层特征混合其它特征共同利用[16]。这些特征包括目标的大小、方位、轮廓、速率等。基于低层视觉特征的事件表示可以细腻地记录目标部分运动，此外，相应计算也相对简洁。不过高噪声问题始终解决不了，这无疑是低层视觉特征一直存在的诟病。并且低层视觉特征不能直接地表示更高层次的语义信息。不同的是，基于高层语义特征的事件表示能够解决上述缺陷。论文网

1。2 基于高层语义特征的事件表示