视频中的大规模人群密度与异常行为分析

摘要

近几年来，随着恐怖暴力事件和人群踩踏事件的增多，大规模人群行为分析成为视频监控领域的研究热点。由于在大规模人群中存在行人严重遮挡的问题，所以基于个体的方法无法有效地对大规模人群进行密度估计与异常事件检测。因此，基于全局特征角度的研究是人群密度与行为分析的有效方法。课题组在前期对基于光流方向特征的人群异常检测算法进行了研究，取得了较好的成果，但是为了更进一步提高视频中的人群密度估计和异常事件检测的准确率，本文在大量实验分析的基础上提出一种新的基于分块的人群密度估计算法，并且对社会力模型进行了研究，实现了基于光流和社会力模型的人群异常事件检测。本文主要工作如下:
　　(1)人群密度特征与回归模型的实验对比。在人群密度估计中，前景分割特征、边缘特征、灰度共生矩阵纹理特征、LBP特征是比较有效的特征，本文设计实验分别在人群稀疏和密集场景下对四种特征进行了比较，并且探索多特征融合的有效性。另外，针对线性回归、PLSA回归、高斯过程回归、随机森林回归模型也在人群稀疏和密集场景下进行了实验比较与分析。实验表明了人群密度估计的准确性与人群密度等级、特征、回归模型都有很大的关系，因此，在不同密度条件下，应该选择不同的特征与回归模型来达到最好的准确率。
　　(2)基于分块的人群密度估计。本文提出一种新的人群密度估计算法，通过对视频帧进行分块，基于不同区域采用不同的特征与回归模型，深入地挖掘不同密度条件下的最好的特征与回归模型，从而更好地进行人群密度估计，克服了单一回归模型带来的局限性。实验表明了基于分块的人群密度估计比单一回归模型的准确率平均提升了5.8％。
　　(3)基于光流法和社会力模型的人群异常事件检测。本文利用光流法进行运动估计，并且采用社会力模型来计算粒子之间的相互作用力从而进行人群的异常事件检测。此方法不依赖于基于个体的行人跟踪，通过全局特征的提取来检测事件，同时适用于行人稀疏场景和密集场景。
　　本文实现的人群密度估计与异常事件检测算法是“事件发现之视觉理解云的计算技术及实用产品”系统的重要组成模块。

目录

声明

摘要

第一章 绪论

1．1 研究背景及意义

1．1．1 研究背景

1．1．2 研究意义及应用

1．2 研究现状

1．2．1 国内外研究现状

1．2．2 课题组研究现状

1．3 本文主要内容及章节安排

第二章 视频中的人群分析研究

2．1 引言

2．2 前景检测算法研究

2．2．1 混合高斯背景建模

2．2．2 无参背景建模算法

2．2．3 基于PBAS的前景检测

2．2．4 前景检测的实验E匕较

2．3 人群密度估计研究

2．3．1 基于检测或聚类的人群密度估计

2．3．2 基于回归模型的人群密度统计

2．3．3 回归模型

2．4 人群运动信息的特征

2．4．1 基于时空兴趣点的异常事件检测

2．4．2 基于光流法的异常事件检测

2．5 本章小结

第三章 一种分块的人群密度估计算法

3．1 引言

3．2 透视归一化

3．3 回归模型的选择

3．3．1 实验环境

3．3．2 不同回归模型的实验对比

3．3．3 实验分析

3．4 特征的选择

3．4．1 不同特征的实验对比

3．4．2 实验分析

3．5 基于分块的人群密度估计算法

3．5．1 视频帧的分块处理

3．5．2 密度程度的判定

3．5．3 回归模型

3．5．4 整体算法流程

3．5．5 实验结果

3．6 本章小结

第四章 基于光流和社会力模型的人群异常事件检测

4．1 引言

4．2 光流运动估计

4．3 基于社会力模型的人群异常事件检测算法

4．3．1 社会交互作用力的计算

4．3．2 算法流程

4．3．3 实验结果与分析

4．4 本章小结

第五章 总结与展望

5．1 本文研究工作总结

5．2 进一步的研究与展望

参考文献

攻读硕士学位期间发表论文及科研情况

致谢