基于公共場景監(jiān)控數(shù)據(jù)的人群行為分析和異常檢測.pdf

1、人群行為分析和異常檢測是計算機視覺、模式識別和智能交通等的交叉研究領域，近幾年已成為人工智能和視頻監(jiān)控技術等方面的研究熱點。本文針對簡單無結構場景和復雜結構化場景中的人群監(jiān)控軌跡數(shù)據(jù)集進行了運動行為分析及異常軌跡檢測方面的研究分析。
　　本文的主要研究工作包括:
　　1.基于FCM(Fuzzy C-Means)算法和Hausdorff距離的簡單無結構場景人群行為分析和場景隱結構信息學習。本文首先提取人群軌跡的場景出入點，并利

2、用FCM算法和Hausdorff距離對其聚類。通過學習軌跡關鍵點簇，進一步獲得粗略的人群軌跡聚類以及場景的隱結構信息。
　　2.基于軌跡類的特征統(tǒng)計直方圖及局部動態(tài)一致性原則進行異常軌跡檢測。無結構場景內(nèi)，同一類人群軌跡通常具有相似的運動趨勢。通過統(tǒng)計軌跡類內(nèi)軌跡樣本點位置、速度和運動方向等特征，建立軌跡類特征統(tǒng)計直方圖，并與局部動態(tài)一致性原則相結合進行異常軌跡檢測。
　　3.基于最大最小距離聚類算法的復雜結構化場景內(nèi)運動軌

3、跡模式學習和人群行為分析。首先將運動軌跡進行分段處理，以降低后續(xù)分析難度;然后使用最大最小距離聚類算法對分段軌跡集進行聚類，并學習各分段軌跡類數(shù)據(jù)的感興趣區(qū)域，得到潛在人群行為信息。
　　4.基于軌跡樣本點局部密度的分段軌跡異常檢測。軌跡上樣本點的局部密度來可以體現(xiàn)軌跡的異常性。本文選取一種基于局部密度的異常檢測算法——LOF(Local Outlier Factor)，通過計算測試軌跡集內(nèi)軌跡樣本點的局部密度和局部異常因子，對軌