人群密集度下GAN的視頻異常行為檢測進展

申栩林，李超波，李洪均，2

1.南通大學 信息科學技術學院，江蘇 南通 226019

2.南京大學 計算機軟件新技術國家重點實驗室，南京 210093

近年來，社會公共安全和治安穩定問題逐漸成為社會公眾的關注焦點。監控視頻因其具有可記錄性、可分析性等特點，在維護社會治安方面發揮了巨大作用，為相關安保部門提供了眾多有價值的破案線索，并大幅度推進了智慧城市、平安城市的建設進程[1]。因此，智能視頻監控技術應運而生，并迅速成為學術界和工業界的研究熱點。

隨著以深度學習[2]為代表的人工智能技術的快速發展，基于人工智能技術的智能視頻監控系統已經在行人、車輛檢測以及人臉識別等領域取得較大突破。但受限于跨場景監控視頻的拍攝質量以及高層視覺算法智能程度較低等問題，監控系統的智能化程度遠未達到實際應用的需求。有效的視頻異常行為檢測技術，可以準確地檢測出被監控區域發生的異常行為，還能及時地發出相應的警報，最大可能地降低突發異常事件帶來的生命財產損失。該技術徹底改變了以往需要大量的人員對監控畫面進行觀看和分析的方式，它通過機器學習和深度學習等算法，自動學習視頻行為特征，建立異常行為檢測模型從而檢測異常，有效降低了誤檢和漏檢現象，節省出大量的人力物力財力。

基于深度學習的異常行為檢測分為有監督、弱監督以及無監督三類。有監督學習通常需要大量的標簽樣本對模型進行訓練，弱監督方法可利用視頻級標注進行學習，而無監督方法則完全無需任何標簽數據。由于數據標注代價昂貴，需要大量人工參與，甚至需要專業知識的支撐，現實中往往較難收集到大量有標注的樣本。相對來說，無標注的樣本更容易獲得，因此，基于無監督的異常行為檢測逐漸成為研究熱點[3-6]。無監督方法通常使用一定的度量來研究樣本之間的關系，從而對未標記的樣本進行分類和歸屬。生成對抗網絡（generative adversarial network，GAN）[7]作為近年來無監督網絡結構的代表，因其強大的生成能力而受到學術界的廣泛關注。在異常行為檢測領域中，通過使用GAN來對視頻幀進行重構或預測，然后根據重構誤差檢測異常，有效緩解了因標簽數據不足而導致模型欠擬合、檢測精度低的問題。

值得一提的是，視頻異常行為的檢測主要取決于環境復雜度和異常類型，而環境復雜度與場景中運動目標的密度息息相關。根據場景中人口的密度，具體可分為稀疏密度場景、中等密度場景和擁擠密度場景[8]。在稀疏密度場景中常常是基于個體進行異常行為檢測，如游蕩、跌倒等，或是兩個人不尋常的交互，如打架。而暴力、暴亂等行為通常發生在中等密度環境中，在擁擠密度的場景中通常發生踩踏、人群恐慌、人群四散等異常行為。中等密集和擁擠密集場景下發生的異常也被稱為群體異常[9]。

本文從人群密集度研究GAN的視頻異常行為檢測技術，首先簡要介紹了生成對抗網絡框架結構，然后，根據場景密度以及行為發生對象，從個體行為異常、群體異常兩個方面論述了GAN在視頻異常檢測領域的研究現狀。其次，對異常行為檢測常用數據集進行了簡要介紹。最后，對基于GAN的視頻異常行為檢測的未來研究方向作了展望。

1 生成對抗網絡

GAN是一種通過對抗訓練來評估生成模型的新框架，它由兩個網絡組成，分別是生成器G和判別器D，G和D都可以是非線性的映射函數，比如多層感知機。它的主要思想是先將一組隨機噪聲向量輸入生成器中，生成一張圖像，然后把生成的圖片與數據集中的圖片同時輸入判別器中，由判別器來判斷輸入的是真實圖片還是生成圖片，最后輸出一個概率值。當輸入的圖片為真時，輸出為1，當輸入圖片為假時，輸出為0。同時輸出的結果反饋回兩個模型，經過不斷對抗、競爭，兩個模型的性能越來越完善，理想狀態下可達到納什平衡。GAN模型結構如圖1所示。

圖1 生成對抗網絡Fig.1 Generative adversarial network

為了學習真實數據x的分布p g，生成器首先會構建從先驗噪聲分布p z(z)到數據空間的映射函數G(z;θg)，其中G是由參數為的多層感知機D(x;θd)表示的可微函數。此外，判別器D同樣由另一個多層感知機表示，它的輸出為單個標量，D(x)表示x來自數據的概率。在訓練過程中，G和D是同時訓練的，D的作用是最大化將標簽正確分配給訓練樣本和來自G的樣本概率，同時G也要將生成數據和真實數據的相似度最大化。因此，GAN的目標函數定義為：給定隨機噪聲向量z和真實圖像x，在公式（1）中，G的優化目標是最小化lb(1-D(G(z)))，而D的優化目標是最大化lb(D(x))。本質上，當鑒別器D達到最優時，生成器G的損失函數將生成數據分布p g(x)和真實數據分布p r(x)之間的JS散度最小化。與其他生成模型相比，GAN只利用反向傳播來獲得梯度，無需利用馬爾科夫鏈反復采樣，無需設計遵循任何種類的因式分解的模型，可以隨意選擇生成器網絡和鑒別器網絡，在學習過程中無需進行推斷，避免了計算概率的問題。

2 基于GAN的異常行為檢測

根據行為發生的對象，可將異常行為分為個體異常行為和群體異常行為[10]。個體異常行為是指某些個體的行為異于其他個體的行為，例如散步的人群中突然出現的奔跑者、跌倒等，或是人行道中出現的自行車、汽車等。而群體異常行為是由很多個體組成的群體集體性發生的異常，如人群恐慌和四處逃逸等。一些具體的實例如圖2所示。針對這兩類異常，基于重構和預測的方法對近幾年的研究技術進行總結。

圖2 異常行為示例Fig.2 Examples of abnormal behaviors

2.1 個體異常行為檢測

在個體異常行為檢測中，通常是先對輸入視頻幀的感興趣區域進行檢測，然后進行特征的提取，根據行為特征進行異常行為的檢測及分類。

2.1.1 基于重構的個體異常行為檢測

重構方法的思想是重構網絡僅在正常樣本上工作，無法重構異常樣本，因此對異常樣本的重構誤差較大，以此用來區分正異常樣本。文獻[11]的生成器能對視頻幀進行重構同時隱式地修補異常區域，判別器判斷視頻幀中的不同區域塊為異常的可能性，兩個網絡輸出的交集則是最終的異常檢測結果，該網絡能夠對異常行為進行定位。然而，由于GAN強大的生成能力以及異常事件僅占幀中圖像像素的很小部分，在對異常幀重構時不能保證對異常幀有很大的重構誤差。為此，引入高斯噪聲，增強網絡的重構能力，降低了對異常樣本的錯誤重構[12]。GAN中鑒別器通常用來識別真實數據和生成數據，為了生成更高質量的幀，文獻[13]通過將鑒別器的基本作用從區分真假數據轉換為識別重構數據的質量，來訓練對抗性網絡進行異常檢測，整個網絡以對抗反饋循環[14]的方式不斷優化，最終生成穩定且高質量的數據。為了挖掘行為魯棒性特征，引入多級特征檢測方法，檢測視頻中不同語義特征級的異常對象，但其網絡結構復雜且冗余，計算量大，難以實現實時檢測[15]。為了提高重構網絡的泛化能力，提出噪聲調制對抗學習的思想，將服從正常樣本分布的噪聲圖作為負樣本輸入鑒別器網絡，以便調節對重構網絡的訓練[16]。

由于異常行為具有多義性，引入遷移學習，使網絡具備有效的時空特征，提高了算法自適應性[17]。此外，還可通過遷移學習解決標記數據短缺的問題，文獻[18]以GAN的鑒別器為基礎模型，將遷移學習應用于異常分類器，由于GAN可以生成數據集中不存在的數據，因此基礎模型可以對與真實數據相似的數據進行學習，解決了標記數據不足的問題。然而，GAN的鑒別器不能有效地提取數據特征，導致提取的特征不適用于分類器。3D卷積神經網絡具有較好的提取時空特征的能力，因此將3D卷積神經網絡作為目標模型可以提取適合分類器的特征，提高模型性能[19]。

由于GAN自身強大的學習能力，使得對異常樣本也能進行較好的重構，因而對正異常樣本的區分力不足，在訓練過程中加入噪聲可以有效緩解這個問題。另外，重構網絡雖然可以處理異常樣本，但也可能會將新的正常樣本識別為異常樣本。因此，需要添加額外的約束來控制網絡對新正常樣本的泛化能力。盡管對正異常樣本的區分能力較差而備受爭議，但它能為視頻幀提供具有更高空間分辨率的多尺度特征表示，并且不依賴于任何先驗知識和標簽，因此該方法在實際生活中有較好的應用價值。

2.1.2 基于預測的個體異常行為檢測

基于預測的個體異常行為檢測遵循正常事件可預測而異常事件不可預測的思想，通過將測試幀與預測幀進行比較來區分正異常行為，相比于重構，它能突破重構誤差的限制，增大正常幀與異常幀之間的差距，具體可分為單向預測和雙向預測。單向預測利用輸入幀的前幾幀對其進行預測，通過預測誤差檢測異常。Liu等人[20]利用U-Net作為GAN的生成器進行預測，然后估計相應的光流，該模型根據預測幀和原始幀之間的差異以及對抗性損失進行優化，U-Net的跨層傳輸特性能夠有效保留輸入幀的基本結構特性，使得網絡的訓練更加注意輸出幀和輸入幀之間的區別[21]。為了實現端到端的訓練，僅對單幀圖像進行光流預測，以確定外觀和運動之間的聯系[22]。為了平衡時空信息，通過級聯兩個自編碼器，分別用于學習時間特征和空間特征，將空間網絡的輸出與輸入進行疊加后作為時間網絡的輸入，此外，在時間網絡中添加了一個光流門，提高了預測幀的質量[23]。

雙向預測模型通過利用輸入幀的前后幾幀進行預測，可以有效地對正常行為的時空特征進行編碼，因此，可以檢測出具有時空異常模式的場景。Lee等人[24]結合GAN和LSTM，將給定幀的前后五幀分別輸入前向ConvLSTM和后向ConvLSTM，提取時空特征，然后根據LSTM的輸出生成中間幀，將預測幀與真實幀之間的均方誤差與鑒別器輸出的加權和作為異常得分。針對場景中尺度變化和復雜運動問題，結合特征聚合網絡，利用多尺度編碼學習不同尺度下的正常模式，提高了檢測復雜事件的魯棒性[25]。針對運動特征提取不足的問題，文獻[26]根據目標幀及雙向預測幀構造損失函數，提出基于滑動窗口的異常評估方法，將注意力集中在預測幀的前景目標上，有效地抑制了預測誤差圖中的噪聲，提高了檢測模型的準確性和魯棒性。單向預測模型結構簡單，但未能充分利用視頻幀之間的時間信息，而雙向預測模型能夠有效提取時空特征，因此與單向預測相比有較高的檢測精度，但該模型只能在異常行為發生后檢測，難以實時檢測。

與基于重構的方法相比，幀預測方法不僅考慮了外觀和位置上的異常，還考慮了運動中的異常。但預測方法高度依賴于先驗知識，因此前面幀的任意變化對檢測結果都有很大影響，從而導致魯棒性比重構方法低。近年來，文獻[27-28]將這兩種方法結合起來，其中預測可以增大樣本的差距，而重構能增強模型的預測能力。將重構與預測相結合的方法提高了檢測精度和模型的泛化性能，但由于模型結構復雜冗余，計算復雜度高，因此實時性能較低。表1總結了個體異常行為檢測的方法；表2給出了幾種代表性方法的優缺點分析。

表1 個體異常行為檢測方法總結Table 1 Summary and contribution of individual abnormal behavior detection methods

表2 個體異常行為檢測代表性算法優缺點總結Table 2 Summary of advantages and disadvantages of representative algorithms for individual abnormal behavior detection

2.2 群體異常行為檢測

隨著城市人口的大規模增長，公共區域的人口密度越來越大，過多的人口聚集為公共區域的安全帶來了隱患，當人群聚集程度超過一定閾值時，發生踩踏事故的可能性較大，此外交通事故，打架斗毆等事件時有發生，甚至還有恐襲事件發生。特別是進入21世紀后，發生了美國“9·11恐怖襲擊事件”、俄羅斯“莫斯科劇院人質事件”、中國“上海外灘踩踏事件”等一系列安全事例，這些慘痛的事例給人們敲了警鐘，人們的安全觀念受到了極大的沖擊，強烈地催生了人們對公共安全問題的關注和對提高人身安全性的各種需求。

在群體異常行為檢測中，由于人群密度大，行人之間存在嚴重遮擋，對單個目標檢測難度大，因此通常將人群看作一個整體進行處理，從視頻中提取代表群體異常行為的特定信息，如人群密度和群體運動軌跡，通過對這些特定信息的處理分析能夠檢測群體異常行為并及時發出警報[34]。

2.2.1 基于重構的群體異常行為檢測

群體的運動可以通過隨時間不斷變化的光流來捕獲，基于重構的群體行為檢測通過學習正常人群行為的外觀和運動特征，對正常行為的外觀和運動有較好的重構，而在測試時，由于無法重構異常行為，因此可以通過重構幀與原始幀之間的像素差檢測異常。文獻[35-36]提出基于兩個條件生成對抗網絡的框架學習人群的正常行為特征，一個網絡通過原始圖像重構出光流圖，另一個網絡由對應的光流圖重構出RGB圖，結合光流差和語義差異圖得到最終的異常圖。但該網絡對估計的光流圖質量敏感，對遮擋場景不具有魯棒性，在遮擋場景中很難較好地估計光流圖。同時提取視頻的外觀和運動特征可以提高網絡對遮擋問題的魯棒性，文獻[37]提取梯度圖和光流圖分別作為外觀和運動特征，與原始視頻幀進行融合，生成器對融合后的特征圖進行重構之后與原融合特征一并輸入鑒別器，通過計算重構誤差檢測異常。

擁擠場景中對異常行為的檢測和定位是一項極具挑戰性的任務，文獻[38]以變分自編碼器作為GAN的生成器，采用雙流結構分別重構原圖以及密集光流場，利用重構誤差以及對抗損失優化網絡，然而由于密集光流計算量較大，導致該網絡異常檢測和定位不夠精準且檢測結果有延時。為了減小運算復雜度，提出了基于GAN的深度時空轉換網絡[39]，利用GAN對級聯后的原始幀和背景移除幀重構密集光流，通過計算真實光流圖與重構光流圖的像素差異檢測異常。

群體異常行為往往伴隨著目標的運動速度變化，而光流作為一種有效的目標運動描述符，受到廣泛應用，然而光流里包含了很多噪聲，且光流信息作為低層的視覺特征，盡管能詳細描述目標局部的運動，計算復雜度低，但卻無法直觀表達更高層次的語義信息。基于重構的群體異常檢測方法通常使用單幀圖像訓練，未能充分利用視頻幀之間的相關信息，且人群中復雜的背景和遮擋問題較難保證對人群行為有很好的重構。此外，由于GAN只學習正常的人群行為，當測試過程中出現新的正常行為時，常常會將該種行為誤判為異常行為，這嚴重影響了模型的檢測性能。

2.2.2 基于預測的群體異常行為檢測

人群的異常事件常常伴隨著視頻幀模糊、顏色失真、光流突變等問題，因此結合前一幀進行視頻預測能充分利用視頻幀之間的聯系，從而更有效地描述人群特征。文獻[40]將人群中行人的光流信息作為運動特征，首先利用光流法提取群體行為的動態特征，然后使用U-Net和Flownet進行光流預測并區分人群的正常行為和異常行為，此外還結合遷移學習提高了檢測速率。為了實現在擁擠場景中對異常行為的實時檢測，減低模型的復雜度，通過計算真實運動幀和生成運動幀之間的像素差來檢測異常[41]。在鑒別器和生成器中使用相同的結構可以有效地避免生成對抗網絡訓練中的不穩定性，使用光流提取視頻的時間信息，同時使用潛在空間約束、梯度約束和強度約束可以提高生成的預測幀的質量[42]。然而光流對光照極其敏感，光線的變化對識別效果有較大影響，且在現實情況中，群體行為的發生常常伴隨著較大距離的運動，僅利用光流進行人群的跟蹤通常會因為速度誤差積累而影響檢測準確率[43]。人群運動軌跡作為常見的高層語義特征，可以表示人群行為的連續性，借助GAN對群體軌跡進行預測，每條軌跡表示一個目標的運動，將偏離正常行為的軌跡認定為異常行為[44]，然而在遮擋十分嚴重的場景中，該類方法檢測精度容易受到影響。

在人群密度較大的場景中，往往會因為尺度變化和嚴重遮擋的問題而導致檢測性能低下，為了提高人群異常行為檢測算法的魯棒性和準確性，出現了利用多尺度特征生成人群密度圖[45]、人群密度估計結合非負矩陣分解方法[46]與生成對抗網絡的融合模型，用于人群異常行為檢測。由于視頻幀的先驗知識通常是有限的或不可用的，且先前的工作缺乏對幀序列的局部連續性和視頻序列中的時間動態的全局相關性的考慮，文獻[47]提出了基于卷積注意力機制的雙鑒別器生成對抗網絡來進行視頻異常檢測。具體地說，首先利用卷積注意力模塊進行未來幀預測，然后通過基于雙鑒別器的對抗性訓練來增強未來幀預測，最后，利用預測誤差識別異常視頻幀。該模型利用雙鑒別器結構可以保持預測幀的局部連續性和先前幀的全局相關性，但對場景的自適應性較差。表3總結了群體異常行為檢測方法；表4給出了幾種代表性方法的優缺點分析。

表3 群體異常行為檢測方法總結Table 3 Summary of group abnormal behavior detection methods

表4 群體異常行為檢測代表性算法優缺點總結Table 4 Summary of advantages and disadvantages of representative algorithms for group abnormal behaviors detection

綜上所述，群體異常行為通常具有運動速度快、加速度突然增加、軌跡混亂等特點，速度、加速度、方向以及運動幅度等特征可以用光流表示。通過人群軌跡可感知人群的整體運動趨勢，然而人群軌跡等特征的提取較為復雜，因此可采用合成光流特征描述符獲取人群運動軌跡[51]。基于預測的方法對群體異常行為進行檢測，通過結合前一幀能充分利用視頻幀之間的關系，更好地提取人群的運動和外觀特征，此外，與遷移學習、卷積神經網絡等模型的結合在一定程度上提高了檢測精度和魯棒性。但預測方法對于先驗知識過度依賴，且對噪聲極其敏感，因此魯棒性較差。

3 常用數據集

視頻異常行為檢測是一個較新的研究領域，且由于現實中的異常行為具有偶然性和多樣性，目前用于該領域的數據集較少。為了更好地進行異常行為檢測，開發了各種數據集。根據持續時間、大小、分辨率、監視環境、覆蓋場景、數據集提供的挑戰、應用場景、涉及的異常事件和標簽的可用性等重要因素，每個數據集之間存在一定的差異，選擇合適的測試數據集是評估各算法性能的基礎。常用的數據集主要有UCSD[52]、UMN[53]、Subway[54]、CUHK Avenue[55]、UCF-Crime[56]、Shanghai-Tech[57]、LV data[58]。表5匯總了各數據集的規模、異常行為類型、視頻分辨率、應用對象以及存在的不足。

由表5可看出，目前用于群體異常行為的數據集較少，大多數公開可用的數據集用于個體異常行為檢測。與個體行為識別的數據集相比，群體數據集通常存在行為種類單一、視頻質量差、視頻數目少和數據標記困難等不足。在上述數據集中，主要包含了模擬的異常行為、真實的異常行為、使用預定義腳本錄制的視頻、來自不同攝像機拍攝的訓練和測試樣本，以及大多數在理想環境下的視頻。然而基于深度學習的視頻異常行為檢測需要大量的數據集來不斷貼近真實場景中的異常行為。近年來，一些數據集如LV data、ShanghiTech以及UCF-Crime的提出，因其更貼近現實場景中發生的行為而被廣泛使用。端到端的異常行為檢測在現實生活中有很大的應用價值，然而端到端的檢測方法需要大量樣本進行學習，這對于早期的小規模數據集，如UCSD數據集和UMN數據集來說可能是一個問題，大規模數據集的提出，如UCF-Crime和ShanghiTech，幫助解決了這個問題。

表5 常用視頻異常檢測數據集Table 5 Characteristics of video anomaly detection datasets

在選擇數據集進行模型性能評估時，往往更傾向選擇標注更精確的數據集，對樣本的標注主要分為三類：像素級標注、幀級標注和視頻級標注。上述提到的七個數據集中，基于像素級標注的數據集主要用于個體異常行為檢測，如UCSD和CUHK Avenue數據集，而對于人口密度大，人流量較多的場景視頻則采用了幀級標注和視頻級標注，如UMN和Subway數據集，該類數據集主要用于群體異常行為檢測。基于視頻級標注的數據集，如UCF-Crime標注工作量小，但不適合作為實時檢測的訓練集，相比之下，幀級標注和像素級標注的數據集更適合進行實時檢測，但這兩種標注往往需要消耗大量物力人力。偽標簽技術[59]的提出使得無需手工標注數據，只需要基于有標簽數據給出一個近似的標簽即可獲得大量標注數據，將該技術結合到GAN中，利用GAN強大的生成能力生成精度更高的偽標簽，并與有監督方法結合進行異常行為檢測是未來研究的重點。

此外，現有的數據集通常只有畫面而沒有音頻，這為基于視聽融合的異常行為檢測帶來了挑戰。大多數情況下，視覺信息可以準確地識別和定位事件，但有時視覺信息卻是無效的，而這時音頻信號可以區分視覺上判斷模糊的事件，如伴隨爆炸聲劇烈震動的視頻中，僅通過畫面很難判斷發生了什么，而在這種情況下，音頻信號是主要的判別信號。因此，視聽融合可以充分利用互補信息，提高異常事件檢測的準確率。再者，由于攝像機總是固定在一個位置拍攝，監控視野范圍小，使得拍攝到的視頻多為單視角，容易存在視野重疊的問題。隨著監控設備的不斷升級更新，獲取同一場景的多視角視頻已不是問題，利用多攝像頭之間的運動目標交接方法不僅能提高異常行為檢測的魯棒性，也能實現對行為的實時檢測，解決基于多視角協同的異常行為檢測問題，因此建立音視頻融合和多視角視頻的數據集對異常行為檢測有重大意義。

4 總結與展望

本文概述了GAN在視頻異常行為檢測中的研究進展，根據人群密集度將目前的異常行為分為個體異常和群體異常，分別從基于重構和預測的方法對這兩種異常類型的檢測方法展開研究。可以發現，由于GAN具有強大的學習能力，重構方法不能保證對異常行為有較大的重構誤差，因此很難設置合適的重構誤差閾值來判斷一幀是否包含異常事件。而預測方法可以增大正常幀和異常幀之間的差距，提高檢測精度，但將光流約束添加到框架中，導致魯棒性比重構方法更差。生成對抗網絡是這兩種方法得以發展的關鍵，通過與其他網絡框架的聯合學習，在檢測性能方面有較為顯著的提升，其中，與3D CNN的結合不僅能解決標記數據缺乏的問題，還能提取樣本的高層次特征。基于GAN的異常行為檢測算法在某種程度上對分辨率較低的樣本中異常行為的檢測能力較差，主要是由于GAN需要在重構損失與對抗損失之間尋求平衡，從而導致模糊的預測和重構。通過以上對比分析和總結，重構和預測作為基于生成對抗網絡的異常行為檢測的兩種方法，能在檢測精度和速度方面實現互補。盡管GAN在視頻異常行為領域取得了較好的成就，解決了標記數據不足、提取特征不完全等問題，但仍存在一些問題亟待解決。

（1）小尺度目標檢測問題：在復雜的現實場景中，由于拍攝設備距離較遠導致視頻中的檢測目標尺寸較小，且常常會伴隨著光照變化、目標遮擋以及目標尺度變化問題，導致對這類目標的檢測難度大、檢測精度低，而當前大多數檢測小目標方法[60]復雜度高且不具備通用性，因此運用GAN的對抗學習降低計算復雜度和提高泛化能力是未來的研究方向之一。針對此問題，可以結合有監督方法中提高小尺度目標檢測精度的方法，在檢測模型中加入多尺度特征融合網絡，低層特征編碼視覺特征，高層特征描述語義信息，融合后的特征具有更強的描述性，有利于小目標的檢測。

（2）動作幅度小的異常行為檢測：在現實場景中，除了會發生具有大幅度動作的異常行為，還存在很多動作幅度小的異常行為[61]，通常該類行為在整個監控畫面中占據的畫幅過小，導致很難被檢測到。微小異常行為檢測的關鍵在于對大量樣本的學習和運動特征的提取，然而目前用于該領域的數據集過于稀少，因此開發包含微小動作異常行為的數據集以及利用GAN強大的學習能力進行微動作異常行為特征的學習將成為一個熱門研究趨勢。

（3）正常行為誤報問題：當監控畫面中出現突然變化的正常物體，如閃爍的車燈、變化的交通燈等，或是快速闖入鏡頭的正常物體以及少見的正常行為時，會將該類事件誤報為異常事件。針對該問題，可考慮忽略存在于畫面邊緣的事件，選取畫面中央作為感興趣區域進行檢測。在算法模型中加入注意力機制模塊，能使模型集中注意感興趣區域，以此提升檢測效果。