2 基于推断的异常事件检测模型

在监控视频中，因为视频的连续性，所以事件的发生可以认为具有持续性。有些学者认为随着时间的流逝，那么表示基本事件的数据便跟着变化。一个完整的事件便是这些数据的集合。同时，他们认为数据的变化是有规律可循的。所以，异常事件的建模关键便是研究数据变化的规律，根据它们判断测试视频数据是正常事件还是异常事件。

如今，判断视频数据是否正常有不少方法，其中比较熟悉有马尔可夫随机场( Markov random field，MRF )、隐马尔科夫模型( hidden Markov model，HMM )、条件随机场模型( conditional random field，CRF )以及动态贝叶斯网络( dynamic Bayesian network，DBN )等。这类用于判断的算法都是以概率为基础，因此我们在使用这类算法的时候，需要概率化处理提取到的特征数据。具体的处理方法有无参数估计、有参数估计、k-means聚类、混合概率主成分分析( mixtures of probabilistic principal component analysis，MPPCA )[8]等。上面说到，视频块是通过将视频进行时间和空间分割。为了更好的对事件进行建模，不少学者提出的判断模型都涉及到时间上与空间上的联系。

3 基于能量的异常事件检测模型

该种模型的建立是把监控视频画面范围当作一个整体，提出该模型的学者们觉得目标的移动蕴藏着某些能量，在提取这些能量的基础上，由阈值的方式断定事件是否为异常事件。文献[30]在取得粒子运动轨迹的基础上，提取其中的混沌不变量作为人群运动能量，然后对提取到的能量进行混合高斯建模，高概率的能量值认为是正常事件，反之认为是异常事件。文献[24]提出一种行人损失模型，以判断事件是不是正常事件。文献[22]觉得行人移动的速度和区域内行人移动方向相同性能够进行异常事件的检测，获取行人移动密度能量进行检测。ZHONG等人提取稠密能量，配合其它的运动特征，对异常事件检测进行建模[31]。该类模型对于产生突变的全局异常事件有特别好的识别能力，不过对于一些局部的异常事件不怎么有效。

4 基于重建的异常事件检测模型

这种模型觉得正常的事件在相互之间存在很多的相似信息，因此，正常事件具有很多的冗余信息，每一个正常事件特征与其他正常事件之间具有相关性，也就是说一个正常事件的表示可以通过其它的正常事件线性表示。一般步骤是开始先利用代表正常事件的视频数据训练获得字典，获取字典后，正常事件能够能在小误差范围内重建，然而对异常事件的重建与正常事件不一样，它具有比较大的重建误差。现今最普遍运用的方法是稀疏表示。利用稀疏表示来进行异常事件检测的一般方法是首先获取正常事件特征字典，判断事件的方法是以重构误差与求解系数稀疏约束的加权和为目标函数的最小值是否大于阈值。文献[8]在判断准则的目标函数的系数稀疏项中加入权重，他们认为字典的选取对异常事件的贡献有强有弱，所以字典的选取尤为重要。文献[32]提出动态稀疏表示的异常事件检测模型。它开始先把事件表示为若干个视频块的组合，目标函数包括重构误差、系数稀疏约束和相邻视频块间的平滑约束。在获取到字典后，判断测试事件是不是异常事件的标准是其目标函数值是不是大于所设阈值。倘若大于阈值则为异常事件，反之则为正常事件。