Обнаружение аномальной активности является сложной проблемой в видеонаблюдении в целях безопасности и защиты системы. Мы представляем новый подход к обнаружению аномальной активности при видеонаблюдении с переполненными сценами, который важен для многих повседневных целей. Наш подход основан на трех типах функций для обнаружения аномальных событий. Первый тип - это особенности движения, основанные на расчете оптического потока, второй тип - это размер движущихся людей вдоль кадров, а третий тип - это величина движения. Мы будем использовать много подходов к обучению в обучении под наблюдением и обучением под наблюдением и без него, чтобы выбрать лучший метод. Мы будем использовать набор данных UCSD Anomaly Detection. Нашей целью является выявление аномалий в видеопотоках с использованием методов машинного обучения и многих типов алгоритмов обучения для построения эффективного классификатора, оценки и сравнения между этими алгоритмами с использованием множества наборов данных. В этом отчете мы имеем для основных глав, в первой главе описывается наша проблема, и для чего мы решаем эту проблему, объясняем проблемы и подходы, использованные в предыдущих работах в той же области. Во второй главе мы поговорим о машинном обучении и о том, что мы используем для построения аномальных классификаторов активности. В третьем мы описываем наш вклад и то, как мы решаем эту проблему. В последней главе мы представляем результаты и сравниваем их, чтобы выбрать лучший классификатор.

Abnormal activity detection is a challenging problem in video surveillance for security purposes and protection system. We presents a new approach for abnormal activity detection in videos surveillance with crowded scenes which is important for many daily purposes. Our approach based on three types of features for detecting anomaly events. First type is motion features based on optical flow calculation, second type is the size of moving individuals along frames, and third type is motion magnitude. We will use many training approaches in supervised and semi-supervised and unsupervised learning to choose the best method. We will use UCSD Anomaly Detection dataset. Our aim is to identify anomalies in video feeds using Machine Learning techniques and many types of learning algorithms to build an effective classifier, evaluate and compare between these algorithms using many datasets. In this report we have for main chapters, first chapter introduce our problem and what for we solve this problem, explain the challenges and approaches used in previous works in the same field. In the second chapter we talk about machine learning and what we use to build abnormal activity classifiers. In the third one, we describe our contribution and how we process this problem. In the final chapter we present the results and compare between them to choose the best classifier.