密集場(chǎng)景下基于輪廓運(yùn)動(dòng)的人群行為分析

唐志鴻 石 浩 胡小鵬

1.中國(guó)移動(dòng)通信集團(tuán)江蘇有限公司；2.大連理工大學(xué)

0 引言

人群行為分析針對(duì)不同場(chǎng)景中的人群動(dòng)向、密集程度、發(fā)生的人群行為事件等進(jìn)行分析理解，從而檢測(cè)或預(yù)測(cè)人群的異常行為，在人群監(jiān)測(cè)分析、公共場(chǎng)所的規(guī)劃和設(shè)計(jì)等領(lǐng)域都有巨大的應(yīng)用價(jià)值。

當(dāng)場(chǎng)景中人群密度越來越高時(shí)，人群由于行人個(gè)體空間位置受限和個(gè)體間的行為交互不能自由移動(dòng)，就容易出現(xiàn)集群行為，進(jìn)而形成多個(gè)具有不同運(yùn)動(dòng)特征的小規(guī)模集合，稱為群組（Group）。人群群組行為分析方法提供了不一樣的分析角度，群組級(jí)別的特征反映了人群更深層次、更豐富的語(yǔ)義信息，可以更好地應(yīng)用于人群行為識(shí)別檢測(cè)、人群場(chǎng)景理解等語(yǔ)義相關(guān)的任務(wù)。因此如何準(zhǔn)確有效地進(jìn)行人群群組檢測(cè)以及利用群組特征來檢測(cè)識(shí)別人群行為成為近年來人群行為分析算法的研究重點(diǎn)。

在密集場(chǎng)所條件下，群組中的個(gè)體相互影響，人體及人體各部分相互重疊，產(chǎn)生了不準(zhǔn)確或不完備的人體表達(dá)，造成行為分析的困難。現(xiàn)有的基于監(jiān)控視頻的人群行為分析算法一般都是從整體或個(gè)體的角度來分析人群場(chǎng)景，將人群視為一個(gè)整體進(jìn)行分析，或通過分析個(gè)體運(yùn)動(dòng)特征來找出人群運(yùn)動(dòng)的規(guī)律。在密集場(chǎng)所條件下，上述兩種方法都存在一定缺陷：從個(gè)體角度分析需要對(duì)人群中個(gè)體或個(gè)體部分（如頭部）進(jìn)行準(zhǔn)確地檢測(cè)分離。在個(gè)體復(fù)雜行為交互的密集人群場(chǎng)景條件下,個(gè)體分離較難實(shí)現(xiàn)；基于人群整體分析的方法通常只關(guān)注人群的集體一致性行為，忽略了許多其他有用的信息（如群組行為輪廓、小群體交互的局部一致性、軌跡時(shí)間滯后特征、行人位置關(guān)系等等）。

為避免密集條件下個(gè)體分離困難，本文提取可靠的行人輪廓運(yùn)動(dòng)信息，通過聚類算法對(duì)運(yùn)動(dòng)特征分析，實(shí)現(xiàn)人群群組行為分析，給出了一種基于輪廓運(yùn)動(dòng)的人群群組行為分析算法。

本文方法主要通過前景邊緣檢測(cè)提取可靠前景輪廓，跟蹤輪廓特征點(diǎn)提取運(yùn)動(dòng)特征，利用運(yùn)動(dòng)特征與群組中心的拓?fù)潢P(guān)系進(jìn)行聚類，通過群組中心運(yùn)動(dòng)向量的交點(diǎn)、群組間距離變化和運(yùn)動(dòng)速度來對(duì)人群行為進(jìn)行分析，采用Graham掃描法降低誤報(bào)。本文算法主要分為三個(gè)部分：提取輪廓特征、群組檢測(cè)和行為分析。

1 基于輪廓運(yùn)動(dòng)分析的行為分析

1.1 輪廓提取與跟蹤篩選

本節(jié)將邊緣檢測(cè)與混合高斯背景建模相結(jié)合，直接對(duì)邊緣梯度進(jìn)行背景建模，實(shí)現(xiàn)快速有效的前景邊緣提取。為了提高前景邊緣的完整性和準(zhǔn)確性，本節(jié)結(jié)合邊緣檢測(cè)算法增強(qiáng)邊緣連續(xù)性的思想，對(duì)前景邊緣進(jìn)行擴(kuò)展，得到更加準(zhǔn)確的前景邊緣。

具體做法是將Canny算法檢測(cè)到的前景邊緣作為“強(qiáng)邊緣”，剩下的其他前景邊緣作為“弱邊緣”，進(jìn)行“強(qiáng)”“弱”連接。當(dāng)檢測(cè)到的非前景邊緣點(diǎn)即“弱邊緣點(diǎn)”周圍8鄰域有前景邊緣點(diǎn)即“強(qiáng)邊緣點(diǎn)”存在時(shí)，就將該邊緣點(diǎn)與前景邊緣點(diǎn)連接，該邊緣點(diǎn)則成為前景邊緣點(diǎn)，直至最后所有前景邊緣連接完成。

本文采用Senst和Geistert等人提出RLOF （Robust Local Optical Flow）光流算法進(jìn)行跟蹤。采用Shi-Tomasi方法提取前景輪廓上的特征點(diǎn)。

人群前景輪廓大部分是垂直走向，因此可以根據(jù)這個(gè)特征對(duì)前景邊緣做初步篩選,凸顯行人兩側(cè)的輪廓邊緣。通過對(duì)垂直方向上兩次遍歷的方式，來求得前景輪廓的垂直高度,根據(jù)高度大小大致確定人群前景的垂直方向上的輪廓。如圖1所示，樹狀圖表示前景邊緣點(diǎn)分布情況，垂直高度最大的邊緣G0G1G2G3是前景輪廓的可能性最大。

圖1 前景輪廓的垂直走向樹狀圖

本文通過從上下兩次遍歷的方式來找到滿足一定垂直高度的邊緣作為前景輪廓。具體過程如下：

（1）第一次遍歷（從上到下）：邊緣像素根節(jié)點(diǎn)G0開始向下遍歷，尋找子節(jié)點(diǎn)的同時(shí)，記錄父節(jié)點(diǎn)的值為遍歷層數(shù)，直至沒有找到子節(jié)點(diǎn)。

（2）第二次遍歷（從下到上）：第一次遍歷，高層節(jié)點(diǎn)無法獲取邊緣高度，故從葉子節(jié)點(diǎn)G6開始向上遍歷,將邊緣高度傳遞給父節(jié)點(diǎn)，直至傳到根節(jié)點(diǎn)G0。

為篩除異常特征點(diǎn)得到更加可靠的人群軌跡，需要解決跟蹤漂移問題。本文采用光流反向檢測(cè)方法來判別特征點(diǎn)是否發(fā)生跟蹤漂移。具體判別方法如下：

當(dāng)EPFB≤threshold時(shí)，P點(diǎn)為可跟蹤點(diǎn)，否則為跟蹤漂移點(diǎn)。

公式中EPFB為光流反向檢測(cè)誤差，具體計(jì)算方式公式如下：

其中，dI0.T1為某一特征點(diǎn)正常計(jì)算的光流矢量，dI1,I0視前一幀為當(dāng)前幀，當(dāng)前幀為后一幀反向計(jì)算的光流矢量，計(jì)算兩者的相對(duì)差值即為光流反向檢測(cè)誤差EPFB。

在光流跟蹤反向檢測(cè)的人群特征點(diǎn)的基礎(chǔ)上，為了剔除非人群前景邊緣的雜點(diǎn)，本節(jié)先通過特征點(diǎn)的運(yùn)動(dòng)速度初步篩出靜止或微小運(yùn)動(dòng)的點(diǎn)，具體判斷過程公式如下：

首先通過計(jì)算當(dāng)前幀的所有特征點(diǎn)運(yùn)動(dòng)速度的平均值Vaverage設(shè)置一個(gè)合適的閾值T，當(dāng)某一特征點(diǎn)B速度V與平均速度相差過大超過閾值T時(shí)，剔除這個(gè)特征點(diǎn)；然后根據(jù)當(dāng)前幀的某一特征點(diǎn)A的軌跡長(zhǎng)度為d，設(shè)置閾值DT，按照公式（1.4）判斷特征點(diǎn)是否為有效跟蹤。

在對(duì)視頻圖像進(jìn)行跟蹤同時(shí)，記錄所有有效特征點(diǎn)的被跟蹤次數(shù)，可以根據(jù)有效特征點(diǎn)的連續(xù)跟蹤次數(shù)來進(jìn)一步判別行人輪廓上的特征點(diǎn)。判斷過程公式如（1.5）所示。

公式中，k為有效特征點(diǎn)的跟蹤次數(shù)，Th1、Th2、Th3為相關(guān)閾值,滿足Th1

其中可靠的跟蹤特征點(diǎn)為紅色，可能的跟蹤特征點(diǎn)為綠色，不可能的跟蹤點(diǎn)特征點(diǎn)為藍(lán)色，初步篩選后剔除這些點(diǎn)。

本文結(jié)合Canny邊緣檢測(cè)算法的邊緣拓展的思想，進(jìn)一步提高人群輪廓的可靠性，將可靠特征點(diǎn)定義為“強(qiáng)”輪廓上的點(diǎn)，可能特征點(diǎn)定義為“弱”輪廓上的點(diǎn)，通過8連通法對(duì)兩類點(diǎn)分別進(jìn)行拓展。利用“強(qiáng)”輪廓，可以增強(qiáng)垂直方向“弱”輪廓。

進(jìn)一步篩選人體輪廓需要分析輪廓的形狀特征,即輪廓的沿垂直和水平方向的長(zhǎng)寬比以及輪廓長(zhǎng)度。長(zhǎng)寬比表征的是輪廓的邊緣垂直走向程度，具體計(jì)算方法如下：

公式中，（x1,y1）和（x2,y2）分別為某一輪廓邊緣的起點(diǎn)坐標(biāo)和終點(diǎn)坐標(biāo)。

長(zhǎng)寬比σ越大，說明輪廓邊緣越接近垂直走向，而人群輪廓邊緣大部分都是垂直走向。少部分水平走向的邊緣長(zhǎng)度大都較短，因此可以進(jìn)一步剔除非人群輪廓邊緣。邊緣長(zhǎng)度計(jì)算方法如下：

對(duì)于某一輪廓邊緣Edge，基于形狀特征的輪廓邊緣篩選方法如下：

根據(jù)公式（1.9）對(duì)前景輪廓進(jìn)一步篩選之后，可以得到更為可靠“強(qiáng)”“弱”輪廓。對(duì)“強(qiáng)”“弱”輪廓進(jìn)行一定的形態(tài)學(xué)處理得到完整可靠的人群前景。對(duì)“強(qiáng)”輪廓膨脹處理來填充輪廓間的區(qū)域，得到初步的前景區(qū)域。膨脹腐蝕“弱”輪廓，去除動(dòng)態(tài)背景引起的微小輪廓。通過相與運(yùn)算提取兩個(gè)區(qū)域的公共部分，即為最終可靠的人群前景區(qū)域。

1.2 群組檢測(cè)

人群群組行為分析方法先決步驟是群組檢測(cè)，群組檢測(cè)難點(diǎn)在于人群運(yùn)動(dòng)的結(jié)構(gòu)復(fù)雜性。在前一節(jié)提取的可靠人群軌跡的基礎(chǔ)上實(shí)現(xiàn)群組檢測(cè)，采用基于群組中心的群組聚類算法來檢測(cè)群組。本節(jié)算法利用群組中心特征點(diǎn)的空間特性，通過拓?fù)潢P(guān)系聚類，利用相似性以及群組間距離變化進(jìn)行群組檢測(cè)。為了降低誤報(bào),本文采用Graham掃描法來計(jì)算群組的凸包面積,根據(jù)面積大小排除行人個(gè)體行為的干擾。群組檢測(cè)主要分成三個(gè)部分：群組中心檢測(cè)、拓?fù)潢P(guān)系的局部一致性群組檢測(cè)和相似性的全局一致性檢測(cè)。

1.2.1 群組中心檢測(cè)

對(duì)于密集場(chǎng)景下的人群群組，通常假定每個(gè)群組都存在一個(gè)群組中心。這個(gè)群組中心可以表征群組整體的運(yùn)動(dòng)特征，其他特征點(diǎn)圍繞其形成一個(gè)群組。本節(jié)算法通過分析當(dāng)前幀人群軌跡特征點(diǎn)間的相似性和空間位置分布來找到群組中心。

對(duì)于兩個(gè)特征點(diǎn)Pi和Pj，如果它們運(yùn)動(dòng)方向一致且距離越相近，則這兩個(gè)點(diǎn)越相似。因此兩個(gè)人群軌跡特征點(diǎn)的相似性通過公式（1.9）來描述：

公式中，vi和vj為兩個(gè)特征點(diǎn)的光流向量，d（i,j）為兩個(gè)特征點(diǎn)間的距離，d（i,j）的具體計(jì)算方法如下：

假設(shè)要在N個(gè)特征點(diǎn)來找出群組中心，計(jì)算N×（N-1）/2對(duì)特征點(diǎn)間距離并從小到大排列，閾值r通常取值為排在第位的距離值。

根據(jù)公式（1.9），本文算法對(duì)人群軌跡特征點(diǎn)建立圖搜索模型，采用深度優(yōu)先原則來估計(jì)群組中心的個(gè)數(shù)，記為c。群組中心其臨近的多個(gè)特征點(diǎn)有相似性，可以通過公式（1.11）來描述特征點(diǎn)與其臨近點(diǎn)的聯(lián)系，這里稱之為密度屬性ρi。

群組中心到其他密度屬性比它大的點(diǎn)的距離都比較遠(yuǎn)，因此本節(jié)算法通過公式（1.13）來描述特征點(diǎn)與密度屬性值高的點(diǎn)之間的距離關(guān)系，稱之為距離屬性δi。

1.2.2 拓?fù)涞木植恳恢滦匀航M檢測(cè)

根據(jù)上一小節(jié)得到的c個(gè)群組中心，基于局部一致性將人群分為c個(gè)群組,此時(shí)群組檢測(cè)問題可以看成是一個(gè)半監(jiān)督分類問題。

首先用一個(gè)N×c矩陣Y來對(duì)特征點(diǎn)進(jìn)行初始標(biāo)記，如果特征點(diǎn)i為第j個(gè)群組中心，那么Yij=1，反之Yij=0。然后定義一個(gè)N×c關(guān)系矩陣F來描述特征點(diǎn)i與群組中心j拓?fù)潢P(guān)系。結(jié)合上一小節(jié)的特征點(diǎn)相似關(guān)系圖G，可以根據(jù)公式（1.13）求解關(guān)系矩陣F。

公式中，D為相似圖矩陣G的次數(shù)矩陣，F(xiàn)i和Yi分別表示矩陣F和Y的第i行。求解公式（1.14）時(shí),光滑性約束保證了聚類結(jié)果在鄰域之間變化不大，擬合約束避免關(guān)系矩陣F的所有元素都相等。通過參數(shù)α來平滑這兩項(xiàng)的作用，α通常取0.1。再對(duì)（1.13）進(jìn)行求導(dǎo)，然后取導(dǎo)數(shù)等于0，可求得最優(yōu)解：

對(duì)于特征點(diǎn)I，其關(guān)系矩陣F上的相應(yīng)值Fij越大,就說明其它屬于第j個(gè)群組的可能性就越大。當(dāng)關(guān)系矩陣F上第i行的最大值maxFi小于閾值（（（通常取0.2）時(shí)，表明特征點(diǎn)i不屬于任何群組，為孤立的外點(diǎn)，外點(diǎn)的類別標(biāo)簽記為0。而對(duì)于非外點(diǎn)特征點(diǎn)i，其類別標(biāo)簽clusteri可表示為：

根據(jù)公式（1.16）對(duì)每個(gè)特征點(diǎn)進(jìn)行分類標(biāo)記，最終獲得局部一致性的群組。

1.2.3 相似性的全局一致性群組檢測(cè)

為了檢測(cè)到具有全局一致性的群組，本小節(jié)通過分析群組的相鄰群組不變性進(jìn)行群組融合。因?yàn)槿航M中心反映了群組的整體運(yùn)動(dòng)特征，群組間的全局一致性可以用群組中心運(yùn)動(dòng)量的相似性來描述。兩個(gè)特征點(diǎn)i和j分別為群組Ci和Cj的群組中心，兩個(gè)群組的全局一致性可以用公式（1.16）表示：

公式中vi和vj為兩個(gè)群組中心的光流向量。

此外，還應(yīng)考慮群組的空間距離。如果兩個(gè)群組彼此接近,很可能屬于同一個(gè)全局組。本文算法通過兩個(gè)群組最近點(diǎn)的距離來表示群組距離，具體計(jì)算方法如下：

如果Coh（Ci,Cj）且Dist（Ci,Cj）

本文算法通過循環(huán)迭代的方式對(duì)群組進(jìn)行全局一致性合并，直到?jīng)]有可以合并的群組，每次迭代只合并一致性最高的群組，這樣可以有效降低合并順序的影響。

本節(jié)算法檢測(cè)運(yùn)行結(jié)果如圖2所示。

圖2 多種群組檢測(cè)結(jié)果

1.3 基于群組的人群行為分析

通過上一節(jié)的人群群組檢測(cè)算法可以獲得兼具全局一致性和局部一致性的人群群組以及反映群組整體運(yùn)動(dòng)特征的群組中心，根據(jù)群組中心的運(yùn)動(dòng)特征、群組間距離變化和面積大小關(guān)系，本節(jié)算法通過檢測(cè)識(shí)別突發(fā)性的聚集、疏散和跑動(dòng)行為來做出預(yù)警。

1.3.1 群組中心運(yùn)動(dòng)向量交點(diǎn)分析

根據(jù)相關(guān)文獻(xiàn)，本篇論文的算法通過分析兩兩群組中心之間的相互關(guān)系，對(duì)人群的三種行為進(jìn)行初步識(shí)別。具體做法是找到兩個(gè)群組中心運(yùn)動(dòng)向量的交點(diǎn)，分析交點(diǎn)與這兩個(gè)群組運(yùn)動(dòng)向量的位置關(guān)系。如圖3所示。

圖3 移動(dòng)智慧門戶效果圖

圖3 群組運(yùn)動(dòng)的位置關(guān)系

對(duì)群組中心運(yùn)動(dòng)向量?jī)蓛汕蠼稽c(diǎn)之后，為了有效區(qū)分人群聚集、疏散行為以及同向運(yùn)動(dòng)正常行為，本文算法首先統(tǒng)計(jì)交點(diǎn)個(gè)數(shù)，人群在同向運(yùn)動(dòng)時(shí)交點(diǎn)個(gè)數(shù)記為Numw，人群在聚集時(shí)交點(diǎn)個(gè)數(shù)記為Numf，人群在疏散時(shí)交點(diǎn)個(gè)數(shù)為Nume。然后計(jì)算各種事件在所有交點(diǎn)數(shù)中所占的比例，公式如下：

公式中,Ei表示交點(diǎn)類型，Total為交點(diǎn)總數(shù)，對(duì)于檢測(cè)到c個(gè)群組的人群場(chǎng)景，其交點(diǎn)數(shù)可以表示為：

聚集、疏散人群行為是少見的異常行為，因此不能簡(jiǎn)單地根據(jù)相關(guān)比例進(jìn)行判別。為了提高判別的準(zhǔn)確性，本節(jié)給每類交點(diǎn)加了個(gè)權(quán)重系數(shù)ωi（聚集和疏散交點(diǎn)權(quán)重系數(shù)通常設(shè)置為0.2，同向運(yùn)動(dòng)權(quán)重設(shè)置為0.6）。

故而公式（1.19）變成了：

人群的聚集和疏散是常有的正常行為，為了降低誤報(bào)率，采用了Graham掃描法求解群組點(diǎn)集凸包（即把群組包圍成最小多邊形）。

1.3.2 人群行為檢測(cè)識(shí)別

本文算法只針對(duì)人群大規(guī)模突發(fā)性的聚集、疏散和同向跑動(dòng)行為進(jìn)行檢測(cè)告警。針對(duì)突發(fā)性，本文算法分析檢測(cè)到的各個(gè)群組中心光流向量的大小變化，若有80%的群組速度發(fā)生突變，則需要準(zhǔn)備發(fā)出告警信號(hào)。根據(jù)公式（1.22），當(dāng)同向運(yùn)動(dòng)的交點(diǎn)比例大于85%或者交點(diǎn)數(shù)量小于一定閾值（這里取總數(shù)的20%）時(shí)，發(fā)出人群跑動(dòng)告警信號(hào)；根據(jù)公式（1.17）群組間的距離，當(dāng)有70%的距離滿足Dist（Ci,Cj）r且疏散交點(diǎn)比例大于85%時(shí)，發(fā)出人群疏散告警信號(hào)。

2 實(shí)驗(yàn)驗(yàn)證

實(shí)驗(yàn)驗(yàn)證在PC機(jī)上實(shí)現(xiàn)，CPU為i7-87059H、2.20GHZ,16G內(nèi)存，windows10操作系統(tǒng)。實(shí)驗(yàn)環(huán)境和語(yǔ)言是OpenCV和C++。

實(shí)驗(yàn)數(shù)據(jù)在“千里眼”項(xiàng)目平臺(tái)收集。場(chǎng)景包括地鐵、火車站、夫子廟晚晴樓、博愛坊、淮安府衙等密集人群場(chǎng)景。收集時(shí)間從2018年5月開始，到2018年9月截止。

在輪廓特征提取實(shí)驗(yàn)中，本文用如下指標(biāo)來評(píng)價(jià)算法質(zhì)量和效率。

（1）人群跟蹤成功率

通過人工的方式統(tǒng)計(jì)每幀算法檢測(cè)到的軌跡屬于真實(shí)人群數(shù)量N，其與算法檢測(cè)到的軌跡總數(shù)M的比值N/M即為跟蹤成功率。

（2）算法每幀平均耗時(shí)

實(shí)驗(yàn)結(jié)果如表1所示，本文算法跟蹤成功率可以達(dá)到94.56%，每幀平均耗時(shí)最高只有157.3ms。針對(duì)不同人群場(chǎng)景，本文算法提高了跟蹤成功率，有效降低了復(fù)雜背景的干擾；平均每幀耗時(shí)沒有明顯增加，可以滿足實(shí)時(shí)性要求。

表1 輪廓提取跟蹤實(shí)驗(yàn)結(jié)果

在人群群組行為分析實(shí)驗(yàn)中，本文通過三個(gè)指標(biāo)來評(píng)價(jià)算法質(zhì)量和效率。

（1）虛警率：事件在檢測(cè)的正樣本中的負(fù)樣本比例，計(jì)算公式如下：

（2）召回率：檢測(cè)正確的正常行為占所有正確行為的比例，計(jì)算公式如下：

（3）每幀平均耗時(shí)

fn表示把正常行為誤判為異常的數(shù)量，fp表示把異常行為判別為正常行為的數(shù)量，tn表示正確判別為異常行為的數(shù)量，tp表示正確判別正常行為的數(shù)量。

本文算法對(duì)人群聚集、疏散和同向跑動(dòng)行為檢測(cè)的結(jié)果如圖4所示。圖（4-2）中紅點(diǎn)表示群組中心，圖（4-3）中不同顏色表示不同的群組（經(jīng)過全局一致性分析），圖（4-4）中多邊形為群組凸包表示,紅色的×點(diǎn)表示相應(yīng)行為的群組中心運(yùn)動(dòng)向量交點(diǎn)。從圖（4-3）結(jié)果可以看出本文方法能夠較好的檢測(cè)出人群群組，能夠較好的分析群組的全局一致性。圖（4-4）結(jié)果表明，當(dāng)人群發(fā)生聚集時(shí),群組間的距離變小，聚集交點(diǎn)變多；當(dāng)人群處于疏散狀態(tài)時(shí)，群組與群組之間的距離就會(huì)變大，導(dǎo)致疏散的交點(diǎn)也會(huì)變多；而人群同向跑動(dòng)時(shí)，通常檢測(cè)到的群組具有全局一致性，且群組中心運(yùn)動(dòng)向量的交點(diǎn)較少。由此說明本文方法可以較好分析人群行為。

圖4 聚集、疏散和跑動(dòng)行為檢測(cè)結(jié)果

人群群組行為分析實(shí)驗(yàn)結(jié)果如表2所示，在三個(gè)不同的檢測(cè)場(chǎng)景對(duì)三類突發(fā)性人群行為的判別都有較低的虛警率（低于4%）和較高的召回率（高于84%），同時(shí)每幀判別時(shí)耗在400ms和650ms之間，有較好的判別效率。本文算法可以滿足應(yīng)用中低虛警率、高召回率和實(shí)時(shí)性的要求，可以較為準(zhǔn)確地對(duì)突發(fā)性人群聚集、疏散和跑動(dòng)行為進(jìn)行預(yù)警。

表2 人群群組行為分析實(shí)驗(yàn)結(jié)果

3 結(jié)束語(yǔ)

本文針對(duì)在密集場(chǎng)景條件下的行為，為避免個(gè)體分離檢測(cè)的困難，提取可靠群體輪廓運(yùn)動(dòng)特征，通過軌跡起止位置的聚類運(yùn)動(dòng)特征分析，實(shí)現(xiàn)人群群組行為分析。本文利用人群軌跡特征點(diǎn)間的相似性來尋找群組中心，群組中心的運(yùn)動(dòng)特征可以表征群組的整體運(yùn)動(dòng)特征；通過特征點(diǎn)與群組中心的拓?fù)潢P(guān)系分析，得到了滿足局部一致性的人群群組；通過分析群組中心的運(yùn)動(dòng)相似性和群組間的距離來將具有全局一致性的群組進(jìn)行合并。在群組檢測(cè)的基礎(chǔ)上，本文算法通過群組中心的運(yùn)動(dòng)特征分析來初步識(shí)別人群異常行為。

經(jīng)實(shí)驗(yàn)驗(yàn)證該方法可以適用于人流密集場(chǎng)景，有著較好的魯棒性和準(zhǔn)確性，能夠滿足實(shí)時(shí)性的檢測(cè)分析需求。

本文在高密度場(chǎng)景下，個(gè)體以及小群體之間的相互重疊對(duì)實(shí)驗(yàn)性能造成影響。在未來的研究中，利用小群體間的交互，軌跡時(shí)間滯后特征等都對(duì)研究行為分析有著較大的幫助，可以圍繞這一方向進(jìn)行完善。