基于视频监控数据的人群行为分析和异常轨迹检测

摘要

基于视频监控数据的人群行为分析和异常轨迹检测及轨迹预测作为模式识别、数据挖掘以及智能交通等学科的交叉研究方向，一直是研究者重点关注的研究领域。近年来，人群行为分析和异常轨迹检测以及轨迹预测在人群管理、公共空间设计、虚拟环境、异常检测和智能环境等领域成为一个具有挑战性的研究方向，值得深入研究。本文针对复杂结构化场景中的视频监控数据，重点从人群行为分析、异常轨迹检测和轨迹预测三个方面进行了深入的研究，提出了一套完整的处理框架。本文的研究工作包括:
　　基于主题模型的人群行为分析。本文使用主题模型Fast LDA聚类算法对结构化场景的轨迹进行聚类，由于使用Fast LDA算法对轨迹进行聚类首先要将轨迹进行编码，因此提出了一种结构保持编码方法(Structure Preserving Encoding，SPE)对轨迹进行编码，然后使用Fast LDA聚类算法对编码后的轨迹进行聚类。在轨迹聚类结果的基础上，使用统计学习的方法对人群轨迹的运动模式进行学习，分别提出了局部和全局的运动特征统计作为轨迹的运动模式，局部运动特征统计包括最佳路径，全局运动特征统计包括场景的密集区域。
　　基于局部离群点的异常轨迹检测。针对局部离群点检测(Local Outlier Factor,LOF)算法执行效率低以及不能处理高维数据等问题，提出了一种新的异常点检测算法K-LOF(KNN-Local Outlier Factor)，并使用该算法对轨迹进行异常检测。K-LOF算法首先使用KNN(k-Nearest Neighbor)算法对轨迹进行分类，并使用kd树对轨迹搜索进行优化，然后使用LOF算法计算轨迹的局部异常因子，在计算局部异常因子时也使用kd树对轨迹点的搜索进行优化，最后根据局部异常因子判断轨迹是否异常。K-LOF算法能够对轨迹进行异常检测，并且能够克服LOF算法不能处理大数据和高维数据的缺陷。
　　基于长短型记忆神经网络的轨迹预测。本文选取一种深度神经网络算法—LSTM(Long Short-Term Memory)对人群轨迹进行预测，这也是首次将LSTM神经网络算法引入到对人群轨迹预测中。本文构建的LSTM轨迹预测框架包括以下四个功能模块:输入层、隐藏层、输出层以及网络训练模块。输入层负责处理原始的轨迹数据，使得轨迹数据能够满足网络的输入要求;隐藏层LSTM单元结构来构建单层的循环神经网络，负责对轨迹数据进行预测;输出层负责提供轨迹预测的结果;网络训练模块负责对网络进行训练过程并优化;从而实现基于LSTM神经网络的轨迹预测。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．3 论文主要工作内容

1．4 论文章节结构

2 人群行为分析和轨迹异常检测及预测研究综述

2．1 视频监控场景分类

2．2 人群行为分析

2．2．1 轨迹特征提取

2．2．2 轨迹相似性度量

2．2．3 轨迹聚类分析

2．2．4 运动模式学习

2．3 异常轨迹检测

2．4 轨迹预测

2．5 本章小结

3 基于主题模型的人群行为分析

3．1 基于SPE算法的轨迹特征提取

3．1．1 轨迹分段处理

3．1．2 运动参数计算

3．1．3 轨迹编码

3．1．4 轨迹降维处理

3．1．5 结构保持编码SPE算法

3．2 LDA主题模型介绍

3．2．1 Dirichlet分布

3．2．2 Fast LDA主题模型

3．2．3 Gibbs采样方法

3．3 基于Fast LDA算法的轨迹聚类分析

3．4 运动模式学习

3．5 实验结果及分析

3．5．1 轨迹特征提取

3．5．2 基于Fast LDA算法的轨迹聚类分析

3．5．3 运动模式学习

3．6 本章小结

4 基于局部离群点的异常轨迹检测

4．1 测试轨迹预处理

4．2．1 测试轨迹分类

4．2．2 异常轨迹检测

4．3 实验结果及分析

4．3．1 轨迹预处理

4．3．2 基于K-LOF算法的异常轨迹检测

4．4 本章小结

5 基于长短型记忆神经网络的轨迹预测

5．1 LSTM产生的背景

5．2 基于LSTM神经网络的轨迹预测

5．2．1 LSTM神经网络模型

5．2．2 LSTM神经网络的训练

5．2．3 误差项沿时间反向传播

5．2．4 误差项传递到上一层

5．2．5 梯度下降法进行权值更新

5．3 实验结果及分析

5．3．1 基于LSTM的轨迹预测

5．4 本章小结

6．1 工作总结

6．2 工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集