Oct, 2023

相机篡改检测中的特征类型及其贡献综述

PDF
TL;DR摄像头篡改检测是通过分析视频来检测监控摄像头的未经授权和非故意修改的能力。我们将篡改检测建模为一个变化检测问题，并回顾了现有文献，重点关注特征类型。我们将篡改检测形式化为时间序列分析问题，并设计实验来研究各种特征类型的鲁棒性和能力。我们在真实世界的监控视频上计算了十种特征，并应用时间序列分析方法来确定它们的可预测性和检测篡改的能力。最后，我们量化了使用每种特征类型检测篡改的各种时间序列模型的性能。
camera tamper detectionsurveillance cameraschange detectionfeature typestime series analysis
发现论文，激发创造
  • 交通视频中时间戳感知异常检测的挑战

    本文提出了一种三阶段管道模型，通过学习视频中的运动模式来检测视觉异常，并使用时间戳感知的异常检测算法将目标物体分类为异常，实验结果表明该方法能够有效检测交通路况视频中的时间戳感知异常。

    Jun, 2019

  • 交通视频异常检测的高效方法

    本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

    Apr, 2021

  • 用于改进视频异常检测的动态感知特征

    通过提出一种时间性增强的网络模型，学习一种能感知运动的特征，并通过多示例学习进行分类，从而在 UCF Crime 数据集上显著超越以往方法，在视频反常检测和异常行为识别任务上取得了较好的表现。

    Jul, 2019

  • 利用开放获取的旅游摄像头进行群体异常检测的多模态视频分析

    提出了一种多模态方法，通过从视频中提取时间序列的信息来检测人群异常。使用模式识别算法和分割技术，在固定时间间隔内提取人数和图像占用的信息，然后通过时间分解和残差分析确定异常行为的间隔或特定情况，可用于相关领域如旅游或安全中的决策和改进。在西班牙 Valenciana 地区 Morella 镇的 Turisme Comunitat Valenciana 摄像头上应用了该方法，并取得了很好的结果，能够正确检测特定的异常情况和在 2023 年 10 月节日期间的异常总增加，同时保护个人隐私。

    May, 2024

  • 对实时视频分类系统的对抗性扰动

    本研究探讨了实时视频分类系统中对抗性干扰的可能性与必要条件，发现在考虑时序结构的情况下，利用生成对抗网络可以产生能够导致高达 80% 有针对性活动误分类的对抗样本，对其他活动几乎没有影响，并且同一扰动可以适用于视频剪辑中的每一帧。

    Jul, 2018

  • 视频异常检测系统的对抗机器学习攻击

    本研究针对视频异常检测系统，利用 Wi-Fi 攻击产生对抗数据进行对抗机器学习攻击，进而导致检测假警报并隐瞒物理异常。

    Apr, 2022

  • 监控视频中的任意时序异常检测

    本研究提出了一种基于转移学习和任意示例学习的在线异常检测算法，可以使用少量标记的正常示例检测异常，具有训练复杂度低的优点，适用于监控视频中的在线决策。

    Apr, 2020

  • 恶意行为的时间性评估：运用于投票场地数据监测

    基于轨道交通道岔行为的时间演化预测，比对采集数据以侦测异常，解决数据安全及维护行为问题。

    May, 2024

  • 使用 GAN 进行视频异常检测

    通过使用生成对抗网络（GAN）等技术，本研究在监控场景中解决了自动异常事件检测的问题，从而避免了人力资源需要对监控系统记录中的异常活动进行监视。在四个基准数据集上进行的实证研究结果表明，与现有技术相比，我们的模型在所有数据集上表现良好。

    Nov, 2023

  • 监控视频异常检测的持续学习

    本研究提出了一种基于转移学习和连续学习的在线异常检测方法，利用神经网络模型的特征提取能力和统计检测方法的连续学习能力，显著减少了训练复杂度，并提供了一种从最近数据中持续学习而不受灾难性遗忘影响的机制，可应用于监控视频领域。

    Apr, 2020