JP2012523025A - データからアノマリーを検出するシステムおよび方法 - Google Patents
データからアノマリーを検出するシステムおよび方法 Download PDFInfo
- Publication number
- JP2012523025A JP2012523025A JP2012502395A JP2012502395A JP2012523025A JP 2012523025 A JP2012523025 A JP 2012523025A JP 2012502395 A JP2012502395 A JP 2012502395A JP 2012502395 A JP2012502395 A JP 2012502395A JP 2012523025 A JP2012523025 A JP 2012523025A
- Authority
- JP
- Japan
- Prior art keywords
- data
- time series
- compressed
- vectors
- subspace
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
Abstract
Description
本願は、2009年4月1日に出願された「Detecting Anomalous Behaviour」という名称のオーストラリア仮特許出願第2009901406号および2009年12月4日に出願された「Detecting Anomalies from Data」という名称のオーストラリア仮特許出願第2009905937号の優先権を主張するものである。これらの各出願の内容全体はここに参照によって組み込まれる。さらに、非特許文献1〜4の内容全体が参照によって組み込まれる。
本開示はデータからの異常〔アノマリー〕または低頻度のイベントの検出に関する。ある種の実施形態では、この検出は自動的または実質的に自動的な仕方で、望むなら大規模データに対して実行されてもよい。ある種の応用は、群衆中で少数の個人の間の異常な行動を識別するためにビデオ監視記録を解析することに向けられる。ある種の応用は、大規模センサー・ネットワークおよび/または大きなオンライン・データベースからのデータ・ストリームを解析することに向けられる。ある種の実施形態では、本開示は、大規模データを含むデータから異常を検出する方法および/またはシステムに関する。ある種の用途は、リアルタイムまたは実質的にリアルタイムで実行されてもよい。
ある種の実施形態はカメラのビュー内のオブジェクトを区別することを必要としない;
ある種の実施形態は非常に限られた手動のインストールまたはセットアップを必要とする;
ある種の実施形態は、最初に何が異常かを定義するのではなく、何が正常かを定義することによってトレーニングする;
ある種の実施形態は、ひとたび正常のパラメータを確立するためのサンプル・データを与えられたら、ビデオ・ストリーム上の(システムまたはユーザー定義されたレベルまで)おかしなまたは例外的な動きがあればそれを自動的に識別する;
ある種の実施形態は、事前プログラムされたイベントが検出のために決定または定義されることは要求しない;
ある種の実施形態は、アプリケーション・ソフトウェアの顧客によって予見されなかったまたは事前定義されていなくてもよい異常を検出する;
ある種の実施形態は、イベントのリアルタイム報告について現行のシステムよりもよりプロセッサ効率がよい(主として追跡、セグメンテーションおよびオブジェクト識別が必要とされなくてもよいため);
ある種の実施形態は、処理に対する費用を節約するおよび/またはより高い処理効率を提供する;および/または
ある種の実施形態は高度にスケーラブルであり、圧縮センシング(compressive sensing)アプローチを使って多数のカメラ/データを処理できる。これらおよびその他の利点および改良が考えられている。
ビデオ解析スペース内で、複数の既存のビデオ解析製品の代わりとなる;
顧客にとって費用を節約する;
既存のシステムのパフォーマンスを改善する;
効率を改善する;
リアルタイムまたは実質的にリアルタイムのパフォーマンスを提供することによりシステムの動作を改善する;
システムは難しい規則定義なしに履歴データから自己学習できるので、複雑なセットアップ・コストがない;および/または
高価で、適時でなく、および/または誤りが生じやすい従業員モニタリングおよび監視作業の代わりとなる。
ビデオ監視データ;
ソナー・データ;
道路交通データ;
ローカル・エリア・ネットワークまたは広域ネットワークのトラフィック・データ;
農業用センサー・ネットワーク;
医療撮像データ;
遠隔通信トラフィック・データ;または
天文学上のデータ。
データ・サブセットの時系列を含むデータを受領する手段と;
データ・サブセットの時系列中の一つまた複数の特徴を解析する手段と;
前記一つまたは複数の特徴をベクトルの諸セットとして表現する手段と;
前記ベクトルの諸セットを分解して残差部分空間を抽出する手段と;
前記残差部分空間中に投影されたデータを閾値処理して潜在的な異常を識別する手段と有するシステムに向けられる。
解析のためのデータ・サブセットの時系列を含むデータを受領する少なくとも一つのセンサーと;
前記データを記憶するコンピュータ・メモリと;
コンピュータ・プロセッサとを有するシステムであって、前記コンピュータ・プロセッサは:
前記時系列データまたは前記時系列データの一つまたは複数の特徴をベクトル、行列および/またはテンソルの諸セットとして表現し;
前記少なくとも一つのベクトル、行列および/またはテンソルのセットに対して圧縮センシングを実行し;
圧縮センシングされたベクトル、行列および/またはテンソルの選択されたセットを分解して残差部分空間を抽出し;
残差部分空間に投影された圧縮センシングされたデータを解析することによって、潜在的な低頻度イベントを識別する、
システムに関する。
解析のためのデータ・サブセットの時系列を含むデータを受領する少なくとも一つのセンサーと;
前記データを記憶するコンピュータ・メモリと;
コンピュータ・プロセッサとを有するシステムであって、前記コンピュータ・プロセッサは:
前記時系列データまたは前記時系列データの一つまたは複数の特徴をベクトル、行列および/またはテンソルの諸セットとして表現する手段と;
前記少なくとも一つのベクトル、行列および/またはテンソルのセットに対して圧縮センシングを実行する手段と;
圧縮センシングされたベクトル、行列および/またはテンソルの選択されたセットを分解して残差部分空間を抽出する手段と;
残差部分空間に投影された圧縮センシングされたデータを解析することによって、潜在的な低頻度イベントを識別する手段とを有する、
システムに関する。
前記ネットワーク中の少なくとも一つのセンサーから実質的にリアルタイムで時系列データを受領する手段と;
前記データまたは前記時系列データの一つまたは複数の特徴をベクトル、行列および/またはテンソルの諸セットとして表現する手段と;
前記少なくとも一つのベクトル、行列および/またはテンソルのセットに対して圧縮センシングを実行する手段と、そして圧縮センシングされたベクトル、行列および/またはテンソルの選択されたセットを分解して少なくとも一つの部分空間を抽出する手段と;
前記少なくとも一つの部分空間に投影された圧縮センシングされたデータを解析することによって、潜在的な低頻度イベントを識別する手段とを提供する、
システムに関する。
前記ネットワーク中の少なくとも一つのセンサーから実質的にリアルタイムで時系列データを受領し;
前記データまたは前記時系列データの一つまたは複数の特徴をベクトル、行列および/またはテンソルの諸セットとして表現し;
前記少なくとも一つのベクトル、行列および/またはテンソルのセットに対して圧縮センシングを実行し、そして圧縮センシングされたベクトル、行列および/またはテンソルの選択されたセットを分解して少なくとも一つの部分空間を抽出し;
前記少なくとも一つの部分空間に投影された圧縮センシングされたデータを解析することによって、潜在的な低頻度イベントを識別する、
システムに関する。
解析のためのデータ・サブセットの系列を含むデータを受領する入力ポートおよび手段と;
前記データを記憶するコンピュータ・メモリおよび手段と;
コンピュータ・プロセッサとを有しており、前記コンピュータ・プロセッサは:
i.データ・サブセットの前記時系列中の一つまた複数の特徴を解析する手段と;
ii.前記特徴をベクトルの諸セットとして表現する手段と;
iii.前記ベクトルの諸セットを分解して残差部分空間を抽出する手段と;
iv.前記残差部分空間中に投影されたデータを閾値処理して潜在的な異常を識別する手段とを有する、
システムに向けられる。
解析のためのデータ・サブセットの系列を含むデータを受領する入力ポートと;
前記データを記憶するコンピュータ・メモリと;
コンピュータ・プロセッサとを有しており、前記コンピュータ・プロセッサは:
v.データ・サブセットの前記時系列中の一つまた複数の特徴を解析するステップと;
vi.前記特徴をベクトルの諸セットとして表現するステップと;
vii.前記ベクトルの諸セットを分解して残差部分空間を抽出するステップと;
viii.前記残差部分空間中に投影されたデータを閾値処理して潜在的な異常を識別するステップとを実行する、
システムに向けられる。
以下の実験例は、開示される実施形態のある種の側面を例解する。これらの例は制限する性質のものであることは意図されておらず、ある種の開示される方法およびシステムがどのように機能しうるかを例解するものである。以下の実験例は、限定しない例解として与えられる。
最初の組の例示的な実験は、複数カメラ監視システムから得られたビデオ映像からなるPETS2007データ・セットを使用した。PETSデータ・セット処理については、動き計数を総合する時間の粒度は100フレームに設定された。
第二の組の例示的な実験は公共輸送機関局(PTA: Public Transport Authority)によって提供されたデータを使い、中央列車駅から取り込まれたビデオ・シーケンスに関わるものであった。ビデオ・データは二台のカメラ――カメラ1(10フレーム毎秒でビデオを取り込み)およびカメラ2(6フレーム毎秒でビデオを取り込み)――から得られた。この例は両方のカメラからのビデオ・データを異常イベント検出およびスケーラビリティー解析のために使う。ビデオ・データは、ある週の七日間にわたって午前7時から午前11までの間の朝の時間帯における駅のトンネルにおける人の動きを取り込んだ。各フレームの解像度は576×720であった。この例は各フレームをグリッドに分割し、各セルにおける動き流れを量子化して、セル観察行列を生成する。朝の時間帯における種々の時刻における群衆の密度の変動の例が図8の(a)、(b)、(c)に示されている。シーケンスは専門家が閲覧して、基礎的な事実情報を提供した。
今の例では、異常イベント検出のために、連続する二日間からの全8時間のビデオについてのトレーニング・セットXTrainが構築された。試験データセット(XTest1およびXTest2)が他の二つのウイークデーからの観察から構築された。XTrainには90,000フレームがあり、XTest1およびXTest2には115,000フレームがあり、動きは300フレームにわたって総合された(L=300)ので、相変わらずPCAが使われた。6個の最大の固有値(K=6)に対応する6個の固有ベクトルが主部分空間のために選ばれ、残りは残差部分空間を張るために使われた。今の例は次いで、図9の(a)、(b)に示されるように、XTrainおよびXTest1の列を残差部分空間において投影した。β=0.005を用いて閾値Qβは先の例示的な実験と同様の仕方で計算された。
小さな子供が壁により掛かり、動く、図10の(a)参照。および徘徊、図10の(b)参照。
実証されたように、圧縮されたデータを使う開示される方法およびシステムはネットワーク異常検出およびビデオ映像からの前述した異常な振る舞いの検出の両方においてスケーラブルである。ネットワーク・データについては、現実世界のベンチマーク・データセット(Abilene)および我々のフレームワークの異常検出能力を試験するために特に設計されたシミュレートされたデータ・セットの両方が使われた。ビデオ・データについては、PTAデータのサブセットが使用された。
この例示的な実験の目的は、現実世界のデータ・セットを使って圧縮された領域においてボリューム異常検出を決定することであった。ネットワークにおけるトラフィック・フローは、ネットワーク中の入来および出行ノードの各対間で流れ込むトラフィックの量である。それは起点‐目的地(OD: origin-destination)フローとしても知られる。これは、起点アクセス点(PoP: point of presence)においてバックボーンにはいり、目的地PoPにおいて出るトラフィックである。フローは二つの主要な特性をもつ。すなわち、(i)Abileneデータ・セットに示されるような普通のトラフィック・パターン(たとえば日々の需要変動)に起因する通常の振る舞い。
この組の例示的な実験では、大きなネットワーク・トラフィック・シミュレーションにおける異常検出が使われた。非特許文献2参照。ここで、ローカル・モニタNの数は500ないし2000の範囲であり、時刻インスタンスの数はL=2000である。人工的データ・セットは次のようにして生成された:ネットワーク信号がxと表される。ここで、x∈RNとして、x=s+nであり、二つの部分からなる:sはデータ中の長期構造を特徴付け、nはローカルな時間的変動を表す。
この例示的な実験について、PTA貯蔵所からのデータ・ストリーミングの量を有効に減らすために、時間的なサブサンプリングが実行された。
Claims (20)
- 少なくとも一つの大規模データ・セットからの少なくとも一つの低頻度イベントの存在について処理、検出および/または通知する方法であって:
時系列データを受領する段階と;
前記時系列データまたは前記時系列データの一つまたは複数の特徴をベクトル、行列および/またはテンソルの諸セットとして表現する段階と;
前記少なくとも一つのベクトル、行列および/またはテンソルのセットに対して圧縮センシングを実行する段階と;
圧縮センシングされたベクトル、行列および/またはテンソルの選択されたセットを分解して残差部分空間を抽出する段階と;
残差部分空間に投影された圧縮センシングされたデータを解析することによって、潜在的な低頻度イベントを識別する段階とを含む、
方法。 - 前記時系列データの前記一つまたは複数の特徴は、前記時系列データのサブセットに関連付けられた一つまたは複数の変数である、請求項1記載の方法。
- 前記時系列データの前記一つまたは複数の特徴は、前記時系列データのデータの任意の二つのサブセットの間での、任意の変数の差である、請求項1記載の方法。
- 前記時系列データは、ビデオおよびオーディオ監視データのうち少なくとも一つのストリームであり、各サブセットはフレームであり、前記特徴は相続くフレームの各対の間の動きまたは周波数情報である、請求項3記載の方法。
- (オプティカル・フローの)解析は、ビデオの各フレームをグリッドによってセルに分割し、次いで各セルにおけるオプティカル・フロー・ベクトルの数を数えることを含む、請求項4記載の方法。
- 前記オプティカル・フローが視覚単語の集合を使って表現される、請求項5記載の方法。
- 前記視覚単語の集合から、シーケンス中の全部のフレームについての特徴ベクトルを混合することによって、特徴‐フレーム行列が構築される、請求項6記載の方法。
- 前記特徴‐フレーム行列が次いで構造的に観察に主成分および残差成分に分解される、請求項7記載の方法。
- Q統計量を使って残差部分空間において異常イベントを検出する段階をさらに含む、請求項8記載の方法。
- データを取り扱い可能なサイズに縮小するためにデータを圧縮領域に変換するために前駆ステップが用いられる、請求項1記載の方法。
- 前記変換は圧縮領域において特徴の次元を減らすために展開され、確率2/3で0、あるいは確率1/6で±1の値をもつ要素をもつセンシング行列を用いる、請求項10記載の方法。
- ランダム・ゴシップ・アルゴリズムが適用される、請求項11記載の方法。
- 前記変換は、圧縮領域における時刻インスタンスを減らすために展開され、フレーム・サブサンプリングを用いる、請求項10記載の方法。
- 前記特徴は、圧縮領域に変換される前に、ベクトルの諸セットとして表現される、請求項10記載の方法。
- 潜在的な低頻度イベントを識別することは、残差部分空間中に投影されたデータを閾値処理することを含む、請求項1ないし13または14記載のうちいずれか一項記載の方法。
- 解析のためにデータ・サブセットの時系列を含むデータを受領する少なくとも一つのセンサーと;
前記データを記憶するコンピュータ・メモリと;
コンピュータ・プロセッサとを有するシステムであって、前記コンピュータ・プロセッサは:
前記時系列データまたは前記時系列データの一つまたは複数の特徴をベクトル、行列および/またはテンソルの諸セットとして表現し;
前記少なくとも一つのベクトル、行列および/またはテンソルのセットに対して圧縮センシングを実行し;
圧縮センシングされたベクトル、行列および/またはテンソルの選択されたセットを分解して残差部分空間を抽出し;
残差部分空間に投影された圧縮センシングされたデータを解析することによって、潜在的な低頻度イベントを識別する、
システム。 - 前記コンピュータ・プロセッサは前記少なくとも一つのセンサーと同じ位置にある、請求項16記載のシステム。
- 前記コンピュータ・プロセッサは前記少なくとも一つのセンサーからリモートな位置にある、請求項16記載のシステム。
- 前記コンピュータ・プロセッサの一部は前記少なくとも一つのセンサーからリモートな位置にあり、残差部分空間に投影された圧縮センシングされたデータを解析することによって、潜在的な低頻度イベントを識別するステップを実行する、請求項16記載のシステム。
- 前記コンピュータ・プロセッサの機能は、前記少なくとも一つのセンサーと同じ位置にあるサブプロセッサと前記少なくとも一つのセンサーからリモートな位置にあるサブプロセッサの間で分割されることができる、請求項16記載のシステム。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2009901406 | 2009-04-01 | ||
AU2009901406A AU2009901406A0 (en) | 2009-04-01 | Detecting Anomalous Behaviour | |
AU2009905937A AU2009905937A0 (en) | 2009-12-04 | Detecting Anomalies from Data | |
AU2009905937 | 2009-12-04 | ||
PCT/AU2010/000379 WO2010111748A1 (en) | 2009-04-01 | 2010-04-01 | Systems and methods for detecting anomalies from data |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2012523025A true JP2012523025A (ja) | 2012-09-27 |
JP5625039B2 JP5625039B2 (ja) | 2014-11-12 |
Family
ID=42827423
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012502395A Expired - Fee Related JP5625039B2 (ja) | 2009-04-01 | 2010-04-01 | データからアノマリーを検出するシステムおよび方法 |
Country Status (8)
Country | Link |
---|---|
US (1) | US8744124B2 (ja) |
EP (1) | EP2415022A4 (ja) |
JP (1) | JP5625039B2 (ja) |
CN (1) | CN102449660B (ja) |
AU (1) | AU2010230857B2 (ja) |
IL (1) | IL215345A0 (ja) |
SG (1) | SG174519A1 (ja) |
WO (1) | WO2010111748A1 (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015004854A1 (ja) * | 2013-07-10 | 2015-01-15 | 日本電気株式会社 | イベント処理装置、イベント処理方法、およびイベント処理プログラム |
WO2019003562A1 (ja) * | 2017-06-29 | 2019-01-03 | ソニーセミコンダクタソリューションズ株式会社 | 画像送受信システム、サーバおよび撮像装置 |
WO2019130416A1 (ja) * | 2017-12-26 | 2019-07-04 | 日本電気株式会社 | 分析装置、分析方法およびプログラム記録媒体 |
WO2019130419A1 (ja) * | 2017-12-26 | 2019-07-04 | 日本電気株式会社 | 分析装置、分析方法およびプログラム記録媒体 |
WO2019187685A1 (ja) * | 2018-03-28 | 2019-10-03 | ソニーセミコンダクタソリューションズ株式会社 | 固体撮像素子、撮像装置、および、固体撮像素子の制御方法 |
WO2020183936A1 (ja) * | 2019-03-12 | 2020-09-17 | 日本電気株式会社 | 検査装置、検査方法及び記憶媒体 |
Families Citing this family (63)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983835B2 (en) | 2004-11-03 | 2011-07-19 | Lagassey Paul J | Modular intelligent transportation system |
CN101996327B (zh) * | 2010-09-02 | 2012-08-08 | 西安电子科技大学 | 基于加权张量子空间背景建模的视频异常检测方法 |
US9344736B2 (en) * | 2010-09-30 | 2016-05-17 | Alcatel Lucent | Systems and methods for compressive sense imaging |
US9634690B2 (en) | 2010-09-30 | 2017-04-25 | Alcatel Lucent | Method and apparatus for arbitrary resolution video coding using compressive sampling measurements |
CN103502949B (zh) * | 2011-05-13 | 2016-01-20 | 国际商业机器公司 | 用于在多个控制系统中检测异常的异常检测系统、装置和方法 |
US9158976B2 (en) | 2011-05-18 | 2015-10-13 | International Business Machines Corporation | Efficient retrieval of anomalous events with priority learning |
US9398310B2 (en) | 2011-07-14 | 2016-07-19 | Alcatel Lucent | Method and apparatus for super-resolution video coding using compressive sampling measurements |
GB2507217A (en) * | 2011-07-25 | 2014-04-23 | Ibm | Information identification method, program and system |
US8510644B2 (en) * | 2011-10-20 | 2013-08-13 | Google Inc. | Optimization of web page content including video |
US8516340B2 (en) * | 2011-12-08 | 2013-08-20 | Harris Corporation | Data system for interfacing with a remote data storage facility using compressive sensing and associated methods |
CN104254873A (zh) | 2012-03-15 | 2014-12-31 | 行为识别系统公司 | 视频监控系统中的警报量归一化 |
JP5785903B2 (ja) * | 2012-05-14 | 2015-09-30 | 日本電信電話株式会社 | 圧縮信号復元装置、方法、プログラム |
CN102760182B (zh) * | 2012-05-31 | 2014-09-17 | 中国科学院自动化研究所 | 基于压缩感知技术的人口出行需求计算方法 |
EP2867860A4 (en) | 2012-06-29 | 2016-07-27 | Behavioral Recognition Sys Inc | UNWINDED LEARNING OF FUNCTIONAL ANALYSIS FOR A VIDEO SURVEILLANCE SYSTEM |
WO2014026220A1 (en) * | 2012-08-13 | 2014-02-20 | Mts Consulting Pty Limited | Analysis of time series data |
CN103002472B (zh) * | 2012-10-26 | 2015-08-19 | 无锡清华信息科学与技术国家实验室物联网技术中心 | 一种非均质传感器网络中的事件边界检测的方法、装置及智能通讯设备 |
US9589190B2 (en) | 2012-12-21 | 2017-03-07 | Robert Bosch Gmbh | System and method for detection of high-interest events in video data |
US9098749B2 (en) | 2013-03-14 | 2015-08-04 | Xerox Corporation | Dictionary design for computationally efficient video anomaly detection via sparse reconstruction techniques |
US10552511B2 (en) | 2013-06-24 | 2020-02-04 | Infosys Limited | Systems and methods for data-driven anomaly detection |
CN103310208B (zh) * | 2013-07-10 | 2016-05-11 | 西安电子科技大学 | 基于局部几何视觉短语描述的鉴别性人脸姿态识别方法 |
US9600899B2 (en) * | 2013-12-20 | 2017-03-21 | Alcatel Lucent | Methods and apparatuses for detecting anomalies in the compressed sensing domain |
US9563806B2 (en) | 2013-12-20 | 2017-02-07 | Alcatel Lucent | Methods and apparatuses for detecting anomalies using transform based compressed sensing matrices |
IN2014MU00068A (ja) * | 2014-01-08 | 2015-08-21 | Tata Consultancy Services Ltd | |
CN104834933B (zh) * | 2014-02-10 | 2019-02-12 | 华为技术有限公司 | 一种图像显著性区域的检测方法和装置 |
US9942262B1 (en) * | 2014-03-19 | 2018-04-10 | University Of Virginia Patent Foundation | Cyber-physical system defense |
CN104036243B (zh) * | 2014-06-06 | 2017-04-05 | 电子科技大学 | 一种基于光流信息的行为识别方法 |
US9894324B2 (en) * | 2014-07-15 | 2018-02-13 | Alcatel-Lucent Usa Inc. | Method and system for modifying compressive sensing block sizes for video monitoring using distance information |
US9854221B2 (en) | 2014-09-26 | 2017-12-26 | Xerox Corporation | Hyperspectral imaging devices using hybrid vector and tensor processing |
EP3201759A4 (en) * | 2014-09-30 | 2018-03-07 | Paul A. Westmeyer | Detecting unauthorized device access by comparing multiple independent spatial-time data sets |
CN104461761B (zh) * | 2014-12-08 | 2017-11-21 | 北京奇虎科技有限公司 | 数据校验方法、装置和服务器 |
US10825310B2 (en) * | 2015-01-15 | 2020-11-03 | vClick3d, Inc. | 3D monitoring of sensors physical location in a reduced bandwidth platform |
US10121080B2 (en) * | 2015-01-15 | 2018-11-06 | vClick3d, Inc. | Systems and methods for controlling the recording, storing and transmitting of video surveillance content |
WO2016147044A1 (en) * | 2015-03-16 | 2016-09-22 | Greenstar Research And Development India Private Limited | Infrastructure functions enabled mobile network |
US20170060652A1 (en) * | 2015-03-31 | 2017-03-02 | International Business Machines Corporation | Unsupervised multisource temporal anomaly detection |
US10255554B2 (en) * | 2015-07-28 | 2019-04-09 | Futurewei Technologies, Inc. | Anomaly detection apparatus, method, and computer program using a probabilistic latent semantic analysis |
CN105072324B (zh) * | 2015-08-14 | 2016-07-06 | 深圳警翼数码科技有限公司 | 一种跌落检测执法记录仪及跌落检测方法 |
US9600896B1 (en) * | 2015-11-04 | 2017-03-21 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for segmenting pedestrian flows in videos |
CN105447458B (zh) * | 2015-11-17 | 2018-02-27 | 深圳市商汤科技有限公司 | 一种大规模人群视频分析系统和方法 |
SG10201510337RA (en) | 2015-12-16 | 2017-07-28 | Vi Dimensions Pte Ltd | Video analysis methods and apparatus |
CN106022251B (zh) * | 2016-05-17 | 2019-03-26 | 沈阳航空航天大学 | 基于视觉共生矩阵序列的异常双人交互行为识别方法 |
US10149131B2 (en) * | 2017-01-24 | 2018-12-04 | Intel Corporation | Compressive sensing for power efficient data aggregation in a wireless sensor network |
US10157319B2 (en) | 2017-02-22 | 2018-12-18 | Sas Institute Inc. | Monitoring, detection, and surveillance system using principal component analysis with machine and sensor data |
TW201904265A (zh) | 2017-03-31 | 2019-01-16 | 加拿大商艾維吉隆股份有限公司 | 異常運動偵測方法及系統 |
GB201713977D0 (en) * | 2017-08-31 | 2017-10-18 | Calipsa Ltd | Anomaly detection |
US20190334759A1 (en) * | 2018-04-26 | 2019-10-31 | Microsoft Technology Licensing, Llc | Unsupervised anomaly detection for identifying anomalies in data |
CN108830930B (zh) * | 2018-06-21 | 2021-08-31 | 福州大学 | 一种基于张量填充的自适应群智感知系统数据收集方法 |
US11360928B2 (en) * | 2018-08-24 | 2022-06-14 | Arizona Board Of Regents On Behalf Of Arizona State University | Systems and methods for improved anomaly detection in attributed networks |
EP3878187A4 (en) | 2018-11-07 | 2022-08-10 | Genetec Inc. | METHODS AND SYSTEMS FOR DETECTING ABNORMAL MOTION IN A VIDEO STREAM AND PRODUCING A VIDEO SUMMARY |
GB2580025A (en) * | 2018-12-19 | 2020-07-15 | Continental Automotive Gmbh | Anomaly detection system for in-vehicle network |
US11321581B2 (en) | 2019-06-07 | 2022-05-03 | Sas Institute Inc. | Detecting and mitigating anomalies and degradation associated with devices and their operations |
JP7068246B2 (ja) * | 2019-08-26 | 2022-05-16 | 株式会社東芝 | 異常判定装置、および、異常判定方法 |
CN110852331B (zh) * | 2019-10-25 | 2023-09-08 | 中电科大数据研究院有限公司 | 一种结合bert模型的图像描述生成方法 |
CN111459797B (zh) * | 2020-02-27 | 2023-04-28 | 上海交通大学 | 开源社区中开发者行为的异常检测方法、系统及介质 |
US11574461B2 (en) * | 2020-04-07 | 2023-02-07 | Nec Corporation | Time-series based analytics using video streams |
US11210775B1 (en) | 2020-09-18 | 2021-12-28 | International Business Machines Corporation | Gradient-embedded video anomaly detection |
US11416269B2 (en) | 2020-11-20 | 2022-08-16 | Motorola Solutions, Inc. | Method, system and computer program product for serving user settings interface components |
US11322976B1 (en) * | 2021-02-17 | 2022-05-03 | Sas Institute Inc. | Diagnostic techniques for monitoring physical devices and resolving operational events |
CN113191615B (zh) * | 2021-04-18 | 2022-05-31 | 宁波大学科学技术学院 | 一种基于多块相关成分分析的聚丙烯生产过程异常检测方法 |
CN113189968B (zh) * | 2021-05-08 | 2022-08-26 | 哈尔滨工业大学 | 互联工业过程的分布式故障诊断方法 |
US20230186670A1 (en) * | 2021-09-28 | 2023-06-15 | Amizen Labs, LLC | Using Artificial Intelligence to Analyze Sensor Data to Detect Potential Change(s) for Risk and Threat Assessment and Identification |
CN114189368B (zh) * | 2021-11-30 | 2023-02-14 | 华中科技大学 | 一种多推理引擎兼容的实时流量检测系统和方法 |
CN115240142B (zh) * | 2022-07-28 | 2023-07-28 | 杭州海宴科技有限公司 | 基于跨媒体的室外重点场所人群异常行为预警系统和方法 |
CN117688505B (zh) * | 2024-02-04 | 2024-04-19 | 河海大学 | 一种植被大范围区域化负异常的预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006079272A (ja) * | 2004-09-08 | 2006-03-23 | National Institute Of Advanced Industrial & Technology | 異常動作検出装置および異常動作検出方法 |
JP2007293559A (ja) * | 2006-04-25 | 2007-11-08 | Nippon Telegr & Teleph Corp <Ntt> | 非定常映像検出装置,非定常映像検出方法及びその方法を実装したプログラム |
JP2008269063A (ja) * | 2007-04-17 | 2008-11-06 | Softopia Japan Foundation | 多重分割画像を用いた異常動作検出装置、異常動作検出方法及び異常動作検出用プログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7646924B2 (en) | 2004-08-09 | 2010-01-12 | David Leigh Donoho | Method and apparatus for compressed sensing |
WO2007050593A2 (en) * | 2005-10-25 | 2007-05-03 | William Marsh Rice University | Method and apparatus for signal detection, classification, and estimation from compressive measurements |
EP1811457A1 (en) * | 2006-01-20 | 2007-07-25 | BRITISH TELECOMMUNICATIONS public limited company | Video signal analysis |
CN101169623B (zh) | 2007-11-22 | 2010-07-07 | 东北大学 | 基于核主元分析贡献图的非线性过程故障辨识方法 |
CN100568266C (zh) | 2008-02-25 | 2009-12-09 | 北京理工大学 | 一种基于运动场局部统计特征分析的异常行为检测方法 |
US9060714B2 (en) * | 2008-12-04 | 2015-06-23 | The Regents Of The University Of California | System for detection of body motion |
CN104220979B (zh) * | 2009-05-27 | 2017-08-25 | 章寅 | 时空压缩感知方法及装置 |
-
2010
- 2010-04-01 US US13/262,232 patent/US8744124B2/en not_active Expired - Fee Related
- 2010-04-01 EP EP10757948.4A patent/EP2415022A4/en not_active Ceased
- 2010-04-01 CN CN201080028373.XA patent/CN102449660B/zh not_active Expired - Fee Related
- 2010-04-01 AU AU2010230857A patent/AU2010230857B2/en not_active Ceased
- 2010-04-01 JP JP2012502395A patent/JP5625039B2/ja not_active Expired - Fee Related
- 2010-04-01 SG SG2011068624A patent/SG174519A1/en unknown
- 2010-04-01 WO PCT/AU2010/000379 patent/WO2010111748A1/en active Application Filing
-
2011
- 2011-09-25 IL IL215345A patent/IL215345A0/en not_active IP Right Cessation
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006079272A (ja) * | 2004-09-08 | 2006-03-23 | National Institute Of Advanced Industrial & Technology | 異常動作検出装置および異常動作検出方法 |
JP2007293559A (ja) * | 2006-04-25 | 2007-11-08 | Nippon Telegr & Teleph Corp <Ntt> | 非定常映像検出装置,非定常映像検出方法及びその方法を実装したプログラム |
JP2008269063A (ja) * | 2007-04-17 | 2008-11-06 | Softopia Japan Foundation | 多重分割画像を用いた異常動作検出装置、異常動作検出方法及び異常動作検出用プログラム |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015004854A1 (ja) * | 2013-07-10 | 2015-01-15 | 日本電気株式会社 | イベント処理装置、イベント処理方法、およびイベント処理プログラム |
US9786147B2 (en) | 2013-07-10 | 2017-10-10 | Nec Corporation | Event processing device, event processing method, and event processing program |
WO2019003562A1 (ja) * | 2017-06-29 | 2019-01-03 | ソニーセミコンダクタソリューションズ株式会社 | 画像送受信システム、サーバおよび撮像装置 |
WO2019130416A1 (ja) * | 2017-12-26 | 2019-07-04 | 日本電気株式会社 | 分析装置、分析方法およびプログラム記録媒体 |
WO2019130419A1 (ja) * | 2017-12-26 | 2019-07-04 | 日本電気株式会社 | 分析装置、分析方法およびプログラム記録媒体 |
WO2019187685A1 (ja) * | 2018-03-28 | 2019-10-03 | ソニーセミコンダクタソリューションズ株式会社 | 固体撮像素子、撮像装置、および、固体撮像素子の制御方法 |
US11153519B2 (en) | 2018-03-28 | 2021-10-19 | Sony Semiconductor Solutions Corporation | Solid-state imaging element, imaging device, and control method for solid-state imaging element |
WO2020183936A1 (ja) * | 2019-03-12 | 2020-09-17 | 日本電気株式会社 | 検査装置、検査方法及び記憶媒体 |
JPWO2020183936A1 (ja) * | 2019-03-12 | 2021-12-09 | 日本電気株式会社 | 検査装置、検査方法及び記憶媒体 |
JP7248098B2 (ja) | 2019-03-12 | 2023-03-29 | 日本電気株式会社 | 検査装置、検査方法及び記憶媒体 |
Also Published As
Publication number | Publication date |
---|---|
EP2415022A4 (en) | 2016-12-14 |
WO2010111748A1 (en) | 2010-10-07 |
IL215345A0 (en) | 2011-12-29 |
JP5625039B2 (ja) | 2014-11-12 |
EP2415022A1 (en) | 2012-02-08 |
CN102449660A (zh) | 2012-05-09 |
US8744124B2 (en) | 2014-06-03 |
SG174519A1 (en) | 2011-10-28 |
US20120063641A1 (en) | 2012-03-15 |
CN102449660B (zh) | 2015-05-06 |
AU2010230857B2 (en) | 2015-05-14 |
AU2010230857A1 (en) | 2011-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5625039B2 (ja) | データからアノマリーを検出するシステムおよび方法 | |
Amrutha et al. | Deep learning approach for suspicious activity detection from surveillance video | |
Pham et al. | Anomaly detection in large-scale data stream networks | |
Mu et al. | A fast recognition algorithm for suspicious behavior in high definition videos | |
Peleshko et al. | Design and implementation of visitors queue density analysis and registration method for retail videosurveillance purposes | |
CN110598606A (zh) | 一种具有视觉隐私保护优势的室内跌倒行为检测方法 | |
Mishra et al. | An intelligent motion detection using OpenCV | |
Wang et al. | Experiential sampling for video surveillance | |
Altowairqi et al. | A Review of the Recent Progress on Crowd Anomaly Detection | |
CN116723295A (zh) | 基于gpgpu芯片的多摄像头监控管理系统 | |
Shuoyan et al. | Abnormal behavior detection based on the motion-changed rules | |
Ahmed et al. | Intruder detection in camera networks using the one-class neighbor machine | |
Lipton et al. | Objectvideo forensics: Activity-based video indexing and retrieval for physical security applications | |
Terdal et al. | YOLO-Based Video Processing for CCTV Surveillance | |
Kumar et al. | Anomalous Human Action Monitoring in Video Images Using RPCA-MFTSL AND PSO-CNN | |
Sampath et al. | Abnormal Crowd Behaviour Detection in Surveillance Videos Using Spatiotemporal Inter-Fused Autoencoder. | |
Avci et al. | Real-Time Building Management System Visual Anomaly Detection Using Heat Points Motion Analysis Machine Learning Algorithm | |
Sikandar et al. | A review on human motion detection techniques for ATM-CCTV surveillance system | |
Masood et al. | Identification of anomaly scenes in videos using graph neural networks | |
Singh et al. | A cellular logic array based data mining framework for object detection in video surveillance system | |
Solmaz | Video-based detection of abnormal activities in crowd using a combination of motion-based features | |
Chockalingam et al. | Localized anomaly detection via hierarchical integrated activity discovery | |
Albertsson | Analyzing descriptive captions for crime recognition in surveillance footage | |
Appiah et al. | Autonomous real-time surveillance system with distributed ip cameras | |
FROM | DEEP LEARNIG MODEL IMPLEMENTING PIPELINED AUTO ENCODERS AND ONE CLASS LEARNING FOR ANOMALY IDENTIFICATION AND LOCALIZATION FROM SURVEILLANCE STREAM VIDEO |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20130207 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20131121 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20131203 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20140227 |
|
A602 | Written permission of extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A602 Effective date: 20140306 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20140403 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20140902 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20140929 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5625039 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |