Cette tournure – plutôt littéraire – peut surprendre mais elle est parfaitement correcte, ce qui n’exclut pas d’autres formulations plus intuitives comme celle que vous mentionnez ou « la victime, plusieurs voyageurs l’ont vue agressée sans esquisser un geste ». Comme les deux verbes sont identiques à l’oreille, c’est assez trompeur.
Je vous joins comme explication un billet détaillé du très érudit blogue Parler français. L’exemple est avec se voir mais le mécanisme est identique.

La victime, plusieurs voyageurs l’ont vu (se faire) agresser sans esquisser un geste.
Justement, c’est le non-accord de vu avec le COD l’ placé avant qui montre que la victime n’agresse pas.
J’ai mis « se faire » entre parenthèses pour rejoindre votre propos : c’est ainsi que l’on dirait plus volontiers.
mais la formulation de l’exemple est juste ;
observez la différence entre :
La chanson, je l’ai entendu chanter.
et
La chanteuse, je l’ai entendue chanter.
C’est le même principe.

Merci beaucoup à tous les deux.

Bonjour,
On peut l’écrire ainsi… mais il ne faut pas le répéter. En effet, ce type de construction est fréquent quand l’objet est une œuvre de création : cette chanson que j’ai entendu chanter, cette histoire que j’ai ouï dire, cette pièce que j’ai vu jouer, mais l’étendre à des personnes relève de l’exercice de style totalement artificiel.