摘要

智能视频监控中最关键且最具挑战性的问题，是在包含异常行为或事件的视频中识别出异常。由于“异常”本身定义模糊，使得其检测任务尤为困难。受生成对抗网络（GANs）广泛应用的启发，我们提出了一种基于潜在判别器增强的生成对抗网络（VALD-GAN）的视频异常检测方法。该方法结合了GAN强大的表征能力与一种新颖的潜在空间判别器框架，使潜在空间能够遵循预设的分布。实验结果表明，所提出的方法显著提升了模型对异常事件的判别能力。在UCSD Peds1数据集上，VALD-GAN取得了97.98的AUC值和6.0%的EER（等错误率）；在UCSD Peds2数据集上，分别达到97.74和7.01%；在CUHK Avenue数据集上，AUC为91.03，EER为9.04%。此外，在地铁出入口视频数据集中，该方法成功检测出66个异常事件中的62个，仅产生4个误报；在另一组地铁出入口数据中，19个异常事件全部被检测到，仅产生1个误报。