基于脈線的群體分割與異常行為檢測.pdf

1、隨著計算機處理分析圖像能力的日益提高，利用計算機跟蹤和分析群體的行為已經(jīng)成為計算機視覺研究領(lǐng)域的一個熱點。群體運動的分割和人群的異常行為檢測是群體運動分析的首要步驟和基本前提。本文將流體力學(xué)中的脈線的概念引入到計算機視覺中，利用脈線的流體屬性提取群體的運動特征，實現(xiàn)流動群體的分割和人群異常行為識別。
　　在計算機視覺中計算群體的運動特征必須克服的第一個障礙就是在不對個體進行跟蹤的前提下找到一種好的方法標識流體的模式，因為在密集的人

2、群中跟蹤個體是不實際的也是沒必要的。另一個要克服的障礙就是當場景內(nèi)容和群體動態(tài)在一個長的范圍內(nèi)變化時，需要找到一種新的方法理解行為的改變。因為光流是二維圖像中像素點的幀間瞬時變化率，它不能捕捉長時間范圍內(nèi)的運動特征。所以在流體力學(xué)的拉格朗日框架下，將粒子流的概念引入到了計算機視覺中。但是粒子流的應(yīng)用中忽略了空間變化，并且?guī)в忻黠@的時間延遲，為了解決這些問題本文引入脈線。即在光流場的基礎(chǔ)上計算得到速度場，從而獲得某時間段內(nèi)運動粒子的集合，

3、本文結(jié)合延伸粒子的概念描述粒子運動的時間關(guān)聯(lián)性，由延伸粒子構(gòu)建脈線;其梯度則為流體的傾向流，這樣根據(jù)得到的脈線和傾向流計算它們時空鄰域內(nèi)的相似性，從而將相似的脈線聚類到同一個區(qū)域，由分水嶺分割算法將不同的區(qū)域進行分割。
　　由于光流速度場直接計算出的勢函數(shù)是對光照等外加干擾敏感的，而脈線反映了人群流體的幀間宏觀運動趨勢，由脈線計算出的勢函數(shù)可以克服噪聲干擾。在簡易流體力學(xué)模型下將勢函數(shù)按照亥姆霍茲分解理論得到流函數(shù)和速度勢，而人群

4、流異常行為識別則是對每幀人群流速度勢和流函數(shù)進行奇異值提取，實現(xiàn)每個視頻幀的運動特征描述;由于視頻中的群體運動是一個連續(xù)的時間過程，對一個視頻段本文采用PCA降維，得到描述本段視頻人群流運動特性的描述符;最后采用支持向量機對樣本庫中的正負樣本進行分類訓(xùn)練，實現(xiàn)對人群流異常行為進行判別。
　　試驗中采用DMN和UCF數(shù)據(jù)集進行測試，結(jié)果表明在DMN數(shù)據(jù)集下測試識別率優(yōu)于當前的識別方法;在UCF數(shù)據(jù)下的識別率略低于DMN測試結(jié)果;證明