学位论文 > 优秀研究生学位论文题录展示

基于脉线的群体分割与人群异常行为检测

作　者: 宋开勇
导　师: 王传旭
学　校: 青岛科技大学
专　业: 计算机应用技术
关键词: 异常行为识别脉线群体分割倾向流势函数流函数速度势
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 5次
引　用: 0次
阅　读: 论文下载

内容摘要

随着计算机处理分析图像能力的日益提高,利用计算机跟踪和分析群体的行为已经成为计算机视觉研究领域的一个热点。群体运动的分割和人群的异常行为检测是群体运动分析的首要步骤和基本前提。本文将流体力学中的脉线的概念引入到计算机视觉中,利用脉线的流体属性提取群体的运动特征,实现流动群体的分割和人群异常行为识别。在计算机视觉中计算群体的运动特征必须克服的第一个障碍就是在不对个体进行跟踪的前提下找到一种好的方法标识流体的模式,因为在密集的人群中跟踪个体是不实际的也是没必要的。另一个要克服的障碍就是当场景内容和群体动态在一个长的范围内变化时,需要找到一种新的方法理解行为的改变。因为光流是二维图像中像素点的帧间瞬时变化率,它不能捕捉长时间范围内的运动特征。所以在流体力学的拉格朗日框架下,将粒子流的概念引入到了计算机视觉中。但是粒子流的应用中忽略了空间变化,并且带有明显的时间延迟,为了解决这些问题本文引入脉线。即在光流场的基础上计算得到速度场,从而获得某时间段内运动粒子的集合,本文结合延伸粒子的概念描述粒子运动的时间关联性,由延伸粒子构建脉线；其梯度则为流体的倾向流,这样根据得到的脉线和倾向流计算它们时空邻域内的相似性,从而将相似的脉线聚类到同一个区域,由分水岭分割算法将不同的区域进行分割。由于光流速度场直接计算出的势函数是对光照等外加干扰敏感的,而脉线反映了人群流体的帧间宏观运动趋势,由脉线计算出的势函数可以克服噪声干扰。在简易流体力学模型下将势函数按照亥姆霍兹分解理论得到流函数和速度势,而人群流异常行为识别则是对每帧人群流速度势和流函数进行奇异值提取,实现每个视频帧的运动特征描述；由于视频中的群体运动是一个连续的时间过程,对一个视频段本文采用PCA降维,得到描述本段视频人群流运动特性的描述符；最后采用支持向量机对样本库中的正负样本进行分类训练,实现对人群流异常行为进行判别。试验中采用DMN和UCF数据集进行测试,结果表明在DMN数据集下测试识别率优于当前的识别方法；在UCF数据下的识别率略低于DMN测试结果；证明本方法可以克服背景遮挡、光照变化、人群着装变化等外界因素的干扰,有效地识别了群体运动中的异常行为。

全文目录

摘要  3-4
ABSTRACT  4-5
目录  5-7
第一章绪论  7-11
  1.1 研究背景与意义  7-8
  1.2 国内外群体研究方法综述  8-9
  1.3 论文的主要内容章节安排  9-11
第二章基于分割和行为检测的底层特征提取  11-19
  2.1 引言  11-12
  2.2 底层特征提取方法  12-17
    2.2.1 基于时空特征点的检测方法  12
    2.2.2 基于光流的动态特征提取  12-17
    2.2.3 群体分割和异常行为检测的描述  17
    2.2.4 特征提取方法对比分析  17
  2.3 本章小结  17-19
第三章基于脉线的群体分割算法  19-32
  3.1 引言  19
  3.2 群体运动的描述方法  19-22
    3.2.1 拉格朗日法  20-21
    3.2.2 欧拉法  21-22
  3.3 流场的基本概念  22-26
    3.3.1 脉线的计算  24-25
    3.3.2 倾向流(streak flow)  25-26
  3.4 分水岭分割  26-28
    3.4.1 分水岭算法  26-28
  3.5 群体分割算法  28-30
    3.5.1 相似性计算  28-29
    3.5.2 群体分割算法步骤  29-30
  3.6 本章小结  30-32
第四章基于势能的群体异常行为检测  32-50
  4.1 引言  32
  4.2 势函数  32-36
    4.2.1 平面向量场  33-34
    4.2.2 群体运动的势场分解  34-36
  4.3 奇异值分解算法  36-39
    4.3.1 奇异值的定义与分解  36
    4.3.2 奇异值分解原理  36-39
  4.4 PCA主成份分析  39-41
    4.4.1 PCA的定义  40-41
    4.4.2 PCA计算原理  41
  4.5 支持向量机(SVM)  41-46
    4.5.1 支持向量机的原理  41-45
    4.5.2 SVM的核函数  45-46
  4.6 群体异常行为检测  46-49
    4.6.1 群体异常行为检测框图  46-48
    4.6.2 群体异常行为检测步骤  48-49
  4.7 本章小结  49-50
第五章实验结果与分析  50-61
  5.1 数据集简介  50-52
    5.1.1 群体分割数据集  50
    5.1.2 异常行为检测数据集  50-52
  5.2 实验数据结果  52-60
    5.2.1 群体运动分割结果  53-54
    5.2.2 群体运动分割结果分析  54
    5.2.3 群体异常行为检测结果  54-59
    5.2.4 群体异常行为检测结果分析  59-60
  5.3 本章小结  60-61
第六章总结与展望  61-63
  6.1 总结  61-62
  6.2 展望  62-63
参考文献  63-66
致谢  66-67
作者在攻读硕士期间发表的论文  67-68

基于脉线的群体分割与人群异常行为检测

内容摘要

全文目录

相似论文