群體行為理解和識(shí)別技術(shù)研究.pdf

1、群體行為是指由兩個(gè)或者更多個(gè)相互影響、相互作用、相互依賴的個(gè)體組成的集合體的相對(duì)運(yùn)動(dòng)現(xiàn)象，廣泛的存在于鳥類、魚類等群居自然生物群落，廣場(chǎng)、車站等人類活動(dòng)場(chǎng)所，以及細(xì)胞、微生物等微觀世界。隨著我國(guó)經(jīng)濟(jì)社會(huì)的發(fā)展和科技的進(jìn)步，對(duì)群體行為的分析和理解己經(jīng)成為社會(huì)科學(xué)和自然科學(xué)領(lǐng)域的重要課題，在安防監(jiān)控、智慧城市建設(shè)、顯微生物學(xué)和藥理學(xué)等諸多領(lǐng)域都具有廣泛的應(yīng)用。相對(duì)個(gè)體行為的分析理解而言，大型群體由于目標(biāo)數(shù)量多以及目標(biāo)之間的相互遮擋，具有更為

2、復(fù)雜的相對(duì)運(yùn)動(dòng)關(guān)系以及難以預(yù)測(cè)的事態(tài)演化規(guī)律，因而具有更大的挑戰(zhàn)性。本文綜合利用了計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)當(dāng)中諸多研究成果，針對(duì)宏觀社會(huì)群體和微觀細(xì)胞群體的行為分析的問(wèn)題進(jìn)行了前瞻性研究，提出了基于多Agent協(xié)同的群體建模技術(shù)，并研究和建立了面向群體行為分析的底層特征提取，Agent分割和屬性識(shí)別，和群體行為高層語(yǔ)義理解的理論框架。本文主要的創(chuàng)新工作歸納如下：
　　首先，針對(duì)宏觀大尺度社會(huì)群體中由于目標(biāo)之間的遮擋和相對(duì)運(yùn)動(dòng)等帶來(lái)的目

3、標(biāo)檢測(cè)和跟蹤困難的問(wèn)題，本文提出基于時(shí)空變化流體場(chǎng)的群體底層特征提取算法。通過(guò)信號(hào)時(shí)空域特征分析，本文構(gòu)造了一個(gè)時(shí)空變化矩陣對(duì)信號(hào)在時(shí)間域和空間域的變化進(jìn)行度量，進(jìn)一步利用矩陣特征在分析的方法得到信號(hào)在時(shí)空域當(dāng)中的主要的波動(dòng)分量，構(gòu)成了一個(gè)時(shí)空流體場(chǎng)用以刻畫群體運(yùn)動(dòng)的模式。同傳統(tǒng)的基于目標(biāo)檢測(cè)的群體建模方法相比，本文提出的方法直接從信號(hào)的本征特性出發(fā)，更適合于大尺度、遮擋嚴(yán)重、運(yùn)動(dòng)關(guān)系復(fù)雜的群體行為建模。
　　其次，針對(duì)相稱顯微圖

4、像對(duì)比度低、乏紋理的特點(diǎn)，本文通過(guò)對(duì)顯微鏡的成像機(jī)理進(jìn)行分析，利用相稱顯微鏡的衍射特性構(gòu)造成像字典，進(jìn)而利用稀疏表示的方法提取細(xì)胞相位特征用以實(shí)現(xiàn)后續(xù)的分析。同傳統(tǒng)的灰度、紋理等特征相比，本文提取的細(xì)胞的顯微相差特征可以有效的去除顯微鏡成像中光暈、陰影等帶來(lái)的影響，將不同性質(zhì)的細(xì)胞從背景當(dāng)中區(qū)分開來(lái)。另一方面，細(xì)胞的相位特征同細(xì)胞的光學(xué)特性密切相關(guān)，能夠反映細(xì)胞本質(zhì)生化特性，為后續(xù)的細(xì)胞跟蹤、細(xì)胞分類和細(xì)胞分裂凋亡等事件檢測(cè)奠定基礎(chǔ)。<

5、br>　　接下來(lái)，針對(duì)群體建模中粒度選擇的困難，本文提出了基于時(shí)空一致性約束的多Agent群體建模方法。為了降低信號(hào)在時(shí)空域上的冗余性并提高計(jì)算效率，本文將具有相同或者相似底層視覺特征的相鄰像素聚類為一個(gè)Agent。這樣，每個(gè)Agent內(nèi)的像素特征描述在時(shí)間上連續(xù)、空間上相關(guān)，同時(shí)有具有內(nèi)在的邏輯一致性。這些Agent—方面具有獨(dú)立的行為屬性，又共同作用，構(gòu)成了群體的整體特性。從而，一個(gè)運(yùn)動(dòng)的群體可以建模成多個(gè)Agent構(gòu)成的集合。

6、r>　　進(jìn)而，為了實(shí)現(xiàn)Agent的屬性識(shí)別，本文在主動(dòng)學(xué)習(xí)和半監(jiān)督學(xué)習(xí)的框架下，提出了基于交互范式的的Agent屬性識(shí)別算法。針對(duì)傳統(tǒng)半監(jiān)督學(xué)習(xí)當(dāng)中的標(biāo)定基元選取的問(wèn)題，本文提出了基于最小預(yù)測(cè)誤差的主動(dòng)標(biāo)記算法，選取樣本集合當(dāng)中信息量最大的樣本，可以在最少的人工標(biāo)定下獲得更好的預(yù)測(cè)精度。其次，針對(duì)分類器當(dāng)中可能存在的分類錯(cuò)誤，本文豐富了傳統(tǒng)的基于圖理論的半監(jiān)督學(xué)習(xí)的理論框架，提出了基于修正傳播的誤差修正算法。同傳統(tǒng)的標(biāo)記傳播圖相比，本文

7、的方法可以綜合地根據(jù)分類的結(jié)果和人工修正逐步調(diào)整自身的結(jié)構(gòu)，改善自身的性能，具有“漸智”性，本文中將其命名為漸智圖(smarter graph)。
　　最后，本文綜合的利用了之前的研究成果，構(gòu)建了大型群體行為分析系統(tǒng)，實(shí)現(xiàn)群體行為的識(shí)別和理解。首先，針對(duì)遮擋不嚴(yán)重的宏觀社會(huì)群體或微觀細(xì)胞群體，本文采用多目標(biāo)跟蹤的方法，得到了每個(gè)Agent的運(yùn)動(dòng)軌跡，并根據(jù)軌跡統(tǒng)計(jì)特性，實(shí)現(xiàn)群體中目標(biāo)的分裂、運(yùn)動(dòng)異常等行為的檢測(cè)。繼而，針對(duì)遮擋比較

8、嚴(yán)重的群體，本文采用了主題模型(topic model)，建立了Agent運(yùn)動(dòng)屬性和高層的群體行為的語(yǔ)義映射關(guān)系，實(shí)現(xiàn)了宏觀群體奔跑、聚集、散開等復(fù)雜行為的識(shí)別和理解。
　　綜上，本文面向宏觀的社會(huì)群體和微觀的生物細(xì)胞群體行為分析中的具體問(wèn)題分別從特征提取、群體建模和行為識(shí)別理解等不同的方面進(jìn)行了全面的研究，綜合利用了計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)和流體力學(xué)當(dāng)中諸多的研究成果，提出了基于多Agent協(xié)同的群體建模技術(shù)，并研究和建立了面向大型