復(fù)雜氣象條件下動態(tài)人群場景分析方法研究.pdf

1、基于計算機(jī)視覺的動態(tài)人群場景分析在智能視頻監(jiān)控、智能人群管理、公共空間設(shè)計、智能交通和智能環(huán)境、虛擬環(huán)境等領(lǐng)域有著巨大的應(yīng)用潛力,特別是近年來大規(guī)模群體性公共安全事件頻發(fā)對以智能視頻監(jiān)控為代表的人群行為分析提出了更高的要求。分析動態(tài)人群場景是分析以人群運(yùn)動形式所表現(xiàn)出來的人群行為,即場景中所呈現(xiàn)出的人群運(yùn)動狀態(tài)。人群場景分析的內(nèi)容在檢測異常人群行為的基礎(chǔ)上還應(yīng)該包括跟蹤人群運(yùn)動狀態(tài)的演進(jìn)過程、分析運(yùn)動狀態(tài)變化規(guī)律和預(yù)報人群狀態(tài)的未來發(fā)展

2、趨勢。目前通過視頻進(jìn)行人群運(yùn)動狀態(tài)分析面臨的主要問題有兩個:一是復(fù)雜天氣造成的視頻退化影響分析結(jié)果的準(zhǔn)確性,二是缺乏利用計算機(jī)視覺理論與方法對人群運(yùn)動狀態(tài)的演變規(guī)律開展更為深入的研究。
　　本課題研究了復(fù)雜氣象條件對提取人群運(yùn)動速度和人群密度等主要特征的干擾現(xiàn)象,并從局部和整體兩個角度研究了人群運(yùn)動狀態(tài)演化規(guī)律,提出了復(fù)雜氣象視頻分類與動態(tài)天氣視頻復(fù)原算法,然后利用增強(qiáng)后的視頻數(shù)據(jù)建立人群流量方程和人群運(yùn)動狀態(tài)無向圖兩種人群運(yùn)動分

3、析模型,解決了雨雪天氣視頻退化現(xiàn)象對人群運(yùn)動狀態(tài)分析的影響和如何對未來人群運(yùn)動狀態(tài)進(jìn)行預(yù)測的問題。研究工作的主要貢獻(xiàn)體現(xiàn)在以下四個方面:
　　一、提出一種基于視頻序列短時相關(guān)性和平均相關(guān)性特征的分級天氣類型分類算法。在像素亮度值的時間序列上建立自相關(guān)函數(shù)提取場景特征,構(gòu)造線性分類器并使用CART決策樹將室外場景分類為靜態(tài)、動態(tài)和不穩(wěn)定三類天氣。分類結(jié)果為下面的視頻復(fù)原方法提供天氣視頻分類前提,即后續(xù)的去雨雪方法是基于正確的動態(tài)天氣

4、視頻分類之上。
　　二、提出一種滑動窗口序列在線PCA投影降噪和二次目標(biāo)分割的視頻去雨雪(動態(tài)天氣)方法。室外監(jiān)控視頻常常受到各種復(fù)雜氣象干擾(如雨、雪、霧、光照變化和低溫等),造成監(jiān)控視頻發(fā)生退化,影響了場景分析的準(zhǔn)確性。有必要在抑制天氣干擾算法方面展開研究,并把它納入群體系統(tǒng)模型中。針對動態(tài)天氣類型分析室外視頻的噪聲特點(diǎn)、前景目標(biāo)運(yùn)動性質(zhì)的差異,提出一種窗口序列在線 PCA投影降噪的二次分割視頻去雨雪方法。將具有不同運(yùn)動性質(zhì)的

5、移動目標(biāo)(如人、車、鏡頭前的雨滴和雪花等)精確分類,定位雨滴和雪花區(qū)域后使用對應(yīng)的背景圖像修飾來消除不利天氣對視頻的影響,為后續(xù)的人群運(yùn)動分析提供增強(qiáng)后的視頻數(shù)據(jù)。
　　三、為避免復(fù)雜的個體目標(biāo)分割和跟蹤運(yùn)算,提出一種無需前景分割的局部人群狀態(tài)分析方法。把視頻局部區(qū)域在時-空上視為一個獨(dú)立的線性動態(tài)系統(tǒng),通過混合動態(tài)紋理方法在空間上對局部人群分類得到人群密度屬性;使用主路徑跟從方法計算局部人群運(yùn)動速度,然后依據(jù)人群密度和運(yùn)動速度屬

6、性建立人群流量方程,用該方程可分析局部區(qū)域內(nèi)人群密度、速度和流量之間的變化關(guān)系。該模型定量描述了局部人群運(yùn)動狀態(tài)、克服了群體運(yùn)動的不確定性,可用于人群場景中重點(diǎn)監(jiān)視區(qū)域的異常事件檢測。
　　四、針對用于人群場景分析的參數(shù)模型缺乏對未來人群運(yùn)動狀態(tài)的預(yù)測手段和泛化能力不強(qiáng)等問題,提出一種非參數(shù)聚類的人群異常狀態(tài)檢測與預(yù)測的圖分析方法。首先,計算場景的速度場作為基本特征數(shù)據(jù),使用改進(jìn)的均值飄移(Mean Shift)聚類算法將速度特征

7、聚類,得到不同運(yùn)動類別的聚類中心。然后以聚類中心為頂點(diǎn)、各中心間距離(速度差)為邊構(gòu)成無向圖,在時間域分析圖邊權(quán)重對稱矩陣的變化,比較觀測值和預(yù)測值之間的背離程度可以檢測當(dāng)前和預(yù)測未來一段時間內(nèi)人群運(yùn)動狀態(tài)。由于采用非參數(shù)聚類,避免了更換人群場景時重新設(shè)置初值、重新挑選訓(xùn)練樣本和參數(shù)估計等繁雜工作,克服了參數(shù)估計精度問題產(chǎn)生的檢測和預(yù)報誤差。
　　前兩項內(nèi)容屬于視頻的預(yù)處理過程,完成天氣分類并針對分類結(jié)果中的動態(tài)天氣進(jìn)行視頻復(fù)原工

8、作,為后續(xù)的人群行為分析提供較高質(zhì)量的視頻數(shù)據(jù);后兩個研究內(nèi)容為動態(tài)人群場景建模過程,分別采用局部和整體方法描述了人群運(yùn)動狀態(tài)。
　　本課題在人群運(yùn)動場景分析方面的研究工作,較好地解決了受雨雪氣象條件干擾的視頻復(fù)原問題,為模型提供增強(qiáng)的輸入視頻;提出人群流量方程分析局部人群運(yùn)動狀態(tài),實(shí)現(xiàn)了重點(diǎn)區(qū)域的差別化監(jiān)控;非參數(shù)化的運(yùn)動特征分類方法和圖分析算法增強(qiáng)了人群運(yùn)動狀態(tài)分析方法的泛化能力,為基于計算機(jī)視覺的人群行為分析提供了一種在整體