數據集：人羣行爲識別數據庫總結

參考論文：人羣異常識別技術研究進展_魏永超

    數據是人羣行爲識別研究的基礎, 爲了更加方便開展相關研究工做, 陸續有研究機構採集人羣異常行
爲數據, 構建了相關數據庫並進行公開, 從而必定程度推進了人羣行爲研究. 這些數據庫爲行爲識別的研
究提供了重要參考依據. 下面將對錶明性的人羣行爲數據庫的進行歸納。

（1）USCD(University of California, San Diego)異常檢測數據庫[32]. 數據由加州大學聖地亞哥分校建立,
數據是經過安裝在必定高度、俯視人行道的攝像機,採集天然狀態下發生的異常行爲. 異常行爲包含兩類:
非人實體闖入和人行爲異常. 異常種類包括騎自行車、滑冰、小推車、行人橫穿人行道、侵入草地等, 同
時也記錄人在輪椅上的幾個實例. 數據由 98 個視頻組成, 被分紅 2 不一樣的場景的子集, 每一個場景錄製的視
頻錄像被分紅約 200 幀的各個片斷. 該數據庫主要針對是人羣中個體行爲的識別研究.
(2) UMN(University of Minnesota)數據庫[33]. 明尼蘇達州大學建立的一個數據庫, 由 11 個視頻組成, 包
含了正常和異常視頻. 每一個視頻起始部分是正常行爲,隨後爲異常行爲視頻序列. 人羣異常行爲主要包括:人羣單方向跑動、人羣四散等. 該視頻數據庫採集的視頻人爲安排的異常行爲. 該數據庫針對的總體人羣行爲識別.
(3) UCF(University of Central Florida)數據庫[34].該數據庫由中佛羅里達大學建立, 包含了 99 個視頻片斷 . 該 數 據 庫 主 要 是 收 集 BBC Motion Gallery 、Youtube、Thought Equity 和 Getty-Images 等網站視頻數據, 用於公開的科學研究. 特色是在照明和視野的變化, 能夠用於擁擠場面開發的算法的性能評價. 該數據集包含的人羣和其餘高密度移動物體的視頻. 能夠用於人羣行爲識別研究以及擁擠人羣行爲研究.
(4) VIF(violent flow)數據庫[35]. 由以色列開放大學建立的人羣數據庫, 主要關注的是人羣暴力行爲.由 246 個視頻組成, 全部的視頻從 YouTube 下載的, 視頻來源是真實的現實暴力錄影. 數據庫旨在爲檢驗暴力/非暴力分類和暴力標準提供測試依據. 視頻中, 最短剪輯的持續時間爲 1.04 秒, 最長剪輯 6.52 秒, 視頻片斷的平均長度爲 3.60 秒.

(5) CUHK(Chinese University of Hong Kong) 數據庫[36]. 該數據集用於擁擠場景下活動或行爲研究. 它包括兩個子數據集: 交通數據集(麻省理工學院的交通錄像)和行人數據集. 交通數據集包括 90 分鐘長的交通視頻序列, 一些抽樣幀的行人基礎事實是手動標記的. 行人數據集記錄了紐約的大中央車站, 包含一個長 30 分鐘的視頻, 無任何標記或事實的數據.
(6) MALL 數據庫[37]. 該數據集有兩個子集: 第一是三個不一樣的密集的十字路口近 60 分鐘的交通流視頻; 第二個是從一個可公開訪問的購物中心的網絡相機上獲取的視頻. 對 2000 幀視頻中的 60000 行人進行了標記, 每個行人的頭部位置也進行了標記. 所以,這個數據集方便於人羣計數和輪廓分析的研究.
(7) PETS 2009(Performance Evaluation of Trackingand Surveillance) 數據庫[38]. 此數據集包含了多傳感器的不一樣人羣的活動序列, 共有 9 個視頻. 它由五個組成部分: 校準數據、訓練數據、計數和密度估計數據、跟蹤數據以及流量分析和事件識別數據. 每一個子集包含多個視頻序列, 每一個序列由 4 到 8 個不一樣視角拍攝.
(8) RWC(Rodriguezs Web-Collected)收集網絡數據庫[39]. 羅德里格斯的網絡收集的數據集, 由 520 個視頻組成. 抓取和下載搜索引擎和素材網站的視頻源,例如, Gettyimages 和 YouTube 等, 構建其數據庫. 除了大量人羣視頻外, 數據集還隨機從集合中選擇全部運動的人中, 記錄了 100 我的的地面真實軌跡. 該數據集是不向公衆開放的.
(9) UH(University of Haifa)數據庫[40]. 視頻來自五個採集點的八個攝像機, 分別是食堂 1 個, 地鐵入口 1個, 地鐵出口 1 個, 車庫出口 1 個, 公交車站 1 個, 商場 3 個, 食堂和公交車站採用人爲架設攝像機採集,其它地點來自監控. 全部視頻中事件都進行了人爲標記, 方便算法的測試. 數據庫從食堂採集 11 分鐘視頻,地鐵入口 1 小時 36 分視頻, 地鐵出口 43 分鐘視頻, 車庫出口 5 小時 20 分視頻, 公交車站 2 分 20 秒視頻, 商場共 155 分鐘視頻. 異常行爲有天然發生, 也有人爲設計的
    人羣異常數據庫已經有必定的規模, 且基本都是公開的, 能夠用於人羣異常行爲的研究. 可是, 目前的人羣數據庫尚未造成體系, 更多的都是研究團隊本身採集的視頻, 沒有相關標準, 視頻種類繁多, 這樣必定程度限制了人羣行爲識別的研究. 所以, 標準的人羣數據庫的創建是須要進一步開展的相關工做.

 

參考文獻：

[32] UCSD Anomaly Detection Dataset, http://www.svcl.ucsd.edu/projects/anomaly/dataset.htm.

[33] UMN Crowd Dataset, http://mha.cs.umn.edu/projevents.shtml#crowd.
[34] Ali S, Shah M. A lagrangian particle dynamics approach forcrowd flow segmentation and stability analysis. IEEEConference on Computer Vision and Pattern Recognition.Minneapolis. CurranAssociates, Inc. 2007. 1–6.
[35] Violence-flows Dataset, http:. www.openu.ac.il/ home/hassner/data/violentflows/index.html.
[36] Wang X, Ma X, Grimson WEL. Unsupervised activityperception in crowded and complicated scenes usinghierarchical bayesian models. IEEE Trans. on PatternAnalysis and Machine Intelligence, 2009, 31(3): 539–555.
[37] Loy CC, Chen K, Gong S, Xiang T. Crowd counting andprofiling: Methodology and evaluation. Modeling,Simulation and Visual Analysis of Crowds, Springer. 2013,
11: 347–382.

[38] PETS2009 Dataset, http://www.cvg.rdg.ac.uk/PETS2009.
[39] Rodriguez M, Sivic J, Laptev I, Audibert JY. Data-drivencrowd analysis in videos. IEEE International Conference onComputer Vision. Barcelona. Curran Associates, Inc. 2011.1235–1242.
[40] Adam A, Rivlin E, Shimshoni I, Reinitz D. Robust real-timeunusual event detection using multiple fixed-locationmonitors. IEEE Trans. on Pattern Analysis and MachineIntelligence, 2008, 30(3): 555–560.