基于視頻數據挖掘的民航旅客群體行為分析
發(fā)布時間：2020-12-21 10:01
民航運輸受到較多因素的制約而易出現不正常航班,而不正常航班與航空公司或機場處置機制、旅客滿意度之間的矛盾,導致近年來航站樓群體性事件頻發(fā),造成了極大的負面影響,因此亟需針對航站樓旅客群體行為特性的研究與分析,以實現群體性事件預警。本文從視頻監(jiān)控的視角研究航站樓旅客群體行為。監(jiān)控視頻序列圖像目標檢測是所有后續(xù)研究的基礎,首先針對航站樓光照等計算機視覺環(huán)境特點,本文基于常用混合高斯背景模型前景檢測方法,提出一種基于YCbCr顏色空間和拓撲切割的陰影去除算法,實現目標前景空洞填補以及邊緣優(yōu)化。其次由于航站樓監(jiān)控視頻畫面的差異性,針對目標相對稀疏的畫面基于人頭特征獲取旅客位置信息;針對目標相對密集的畫面基于灰度共生矩陣算法求得圖像紋理特征值,據此估算圖像目標數,并結合前景像素統(tǒng)計分布獲取旅客位置信息。再次在位置信息基礎上借助聚類算法思想聚類得到群體聚集簇;進而計算受群體性事件影響顯著的四類關鍵群體行為特征,即聚集密度,聚集輪廓,聚集速度、聚集體移動速度等特征。最后針對某機場航站樓三類群體性事件敏感區(qū)域內某時段視頻監(jiān)控畫面所得四類特征數據,構建BP神經網絡分類器,分別對三類區(qū)域內正負圖像特征數據...
【文章來源】：南京航空航天大學江蘇省 211工程院校
【文章頁數】：76 頁
【學位級別】：碩士
【部分圖文】：
某航站樓通道與Bootstrap序列圖像實驗結果
基于視頻數據挖掘的民航旅客群體行為分析表 2. 2 五類重要功能區(qū)運動前景檢測率區(qū)域 值機大廳 候機大廳 安檢口 登機口 通道區(qū)域平均檢測率 84.7% 85.3% 92.5% 87.3% 91.8%（二）分時段實驗由于航站樓樓頂建筑多采用透明鋼化玻璃，航站樓內監(jiān)控視頻圖像易受光照影響，因此需要求前景檢測算法具有良好的光照適應性，本文針對受光照影響顯著的值機廳和候機廳分別選擇一天中三個時段的視頻序列圖像進行實驗，即 7:00-8:00，12:00-13:00，17:00-18:00，可得到如圖 2.5 的檢測結果。三類區(qū)域各時段隨機選取 50 幀圖像，分別統(tǒng)計每幀圖像檢測率，然后分別計算三個時段平均檢測率，得如表 2.3 的結果。
（b）圖 3. 4 人頭檢測正負樣本集（（a）正樣本（b）負樣本）值機大廳、候機大廳、安檢區(qū)、登機口和通道區(qū)域五類主入該分類器中，可分別得到如圖 3.5 所示人頭檢測結果。較大差異，因此本文在五個區(qū)域內分別選取 50 圖像共 25目標數與檢測人頭數，所得結果如表 3.1 所示。
【參考文獻】：
期刊論文
[1]基于計算機視覺的運動目標分析[J]. 孔德磊. 電腦迷. 2017(12)
[2]基于HSV顏色特征的多目標視頻檢測與跟蹤算法[J]. 周海鵬,王芳,田建艷. 科學技術與工程. 2017(20)
[3]基于改進高斯模型的目標檢測與陰影去除方法[J]. 王紅茹,童偉. 江蘇科技大學學報(自然科學版). 2017(02)
[4]傾斜影像整體變分模型陰影檢測算法改進[J]. 閆利,莫楠,費亮,朱睿希. 遙感信息. 2017(02)
[5]民用機場航站樓群體性事件預警研究[J]. 汪虹宇,曾小舟,蔣中華,王筱麗. 航空計算技術. 2016(04)
[6]RGB和HSI顏色空間的一種改進的陰影消除算法[J]. 韓延彬,郭曉鵬,魏延文,李恒建. 智能系統(tǒng)學報. 2015(05)
[7]改進的HSV陰影去除算法研究[J]. 譚家政,劉勇,邱芹軍. 物聯網技術. 2014(01)
[8]多特征融合匹配的多目標跟蹤[J]. 閆輝,許廷發(fā),吳青青,徐磊,吳威. 中國光學. 2013(02)
[9]大型體育賽事中群體性事件的預警機制[J]. 王智慧,張柳霞. 上海體育學院學報. 2013(02)
[10]航站樓旅客群體性事件預警監(jiān)控系統(tǒng)架構及關鍵技術[J]. 邵荃,吳抗抗,周航,唐志星. 中國安全生產科學技術. 2012(11)
博士論文
[1]航站樓集群安全識別與預警關鍵技術研究[D]. 常慶龍.南京航空航天大學 2014
[2]智能視頻監(jiān)控下的多目標跟蹤技術研究[D]. 李彤.中國科學技術大學 2013
[3]交通領域中的聚類分析方法研究[D]. 李桃迎.大連海事大學 2010
碩士論文
[1]民族地區(qū)群體性事件預警機制的研究[D]. 秦川迪.云南大學 2015
[2]群體性事件預警機制研究[D]. 程國楊.西南交通大學 2015
[3]基于AdaBoost和SVM的人頭檢測[D]. 牛勝石.中南民族大學 2010
[4]基于YUV顏色空間和圖論切割的陰影去除算法[D]. 秦秀麗.武漢理工大學 2010
[5]視頻監(jiān)控中的群體運動分析研究[D]. 童俊艷.南京理工大學 2009
本文編號：2929640
【文章來源】：南京航空航天大學江蘇省 211工程院校
【文章頁數】：76 頁
【學位級別】：碩士
【部分圖文】：
某航站樓通道與Bootstrap序列圖像實驗結果
基于視頻數據挖掘的民航旅客群體行為分析表 2. 2 五類重要功能區(qū)運動前景檢測率區(qū)域 值機大廳 候機大廳 安檢口 登機口 通道區(qū)域平均檢測率 84.7% 85.3% 92.5% 87.3% 91.8%（二）分時段實驗由于航站樓樓頂建筑多采用透明鋼化玻璃，航站樓內監(jiān)控視頻圖像易受光照影響，因此需要求前景檢測算法具有良好的光照適應性，本文針對受光照影響顯著的值機廳和候機廳分別選擇一天中三個時段的視頻序列圖像進行實驗，即 7:00-8:00，12:00-13:00，17:00-18:00，可得到如圖 2.5 的檢測結果。三類區(qū)域各時段隨機選取 50 幀圖像，分別統(tǒng)計每幀圖像檢測率，然后分別計算三個時段平均檢測率，得如表 2.3 的結果。
（b）圖 3. 4 人頭檢測正負樣本集（（a）正樣本（b）負樣本）值機大廳、候機大廳、安檢區(qū)、登機口和通道區(qū)域五類主入該分類器中，可分別得到如圖 3.5 所示人頭檢測結果。較大差異，因此本文在五個區(qū)域內分別選取 50 圖像共 25目標數與檢測人頭數，所得結果如表 3.1 所示。
【參考文獻】：
期刊論文
[1]基于計算機視覺的運動目標分析[J]. 孔德磊. 電腦迷. 2017(12)
[2]基于HSV顏色特征的多目標視頻檢測與跟蹤算法[J]. 周海鵬,王芳,田建艷. 科學技術與工程. 2017(20)
[3]基于改進高斯模型的目標檢測與陰影去除方法[J]. 王紅茹,童偉. 江蘇科技大學學報(自然科學版). 2017(02)
[4]傾斜影像整體變分模型陰影檢測算法改進[J]. 閆利,莫楠,費亮,朱睿希. 遙感信息. 2017(02)
[5]民用機場航站樓群體性事件預警研究[J]. 汪虹宇,曾小舟,蔣中華,王筱麗. 航空計算技術. 2016(04)
[6]RGB和HSI顏色空間的一種改進的陰影消除算法[J]. 韓延彬,郭曉鵬,魏延文,李恒建. 智能系統(tǒng)學報. 2015(05)
[7]改進的HSV陰影去除算法研究[J]. 譚家政,劉勇,邱芹軍. 物聯網技術. 2014(01)
[8]多特征融合匹配的多目標跟蹤[J]. 閆輝,許廷發(fā),吳青青,徐磊,吳威. 中國光學. 2013(02)
[9]大型體育賽事中群體性事件的預警機制[J]. 王智慧,張柳霞. 上海體育學院學報. 2013(02)
[10]航站樓旅客群體性事件預警監(jiān)控系統(tǒng)架構及關鍵技術[J]. 邵荃,吳抗抗,周航,唐志星. 中國安全生產科學技術. 2012(11)
博士論文
[1]航站樓集群安全識別與預警關鍵技術研究[D]. 常慶龍.南京航空航天大學 2014
[2]智能視頻監(jiān)控下的多目標跟蹤技術研究[D]. 李彤.中國科學技術大學 2013
[3]交通領域中的聚類分析方法研究[D]. 李桃迎.大連海事大學 2010
碩士論文
[1]民族地區(qū)群體性事件預警機制的研究[D]. 秦川迪.云南大學 2015
[2]群體性事件預警機制研究[D]. 程國楊.西南交通大學 2015
[3]基于AdaBoost和SVM的人頭檢測[D]. 牛勝石.中南民族大學 2010
[4]基于YUV顏色空間和圖論切割的陰影去除算法[D]. 秦秀麗.武漢理工大學 2010
[5]視頻監(jiān)控中的群體運動分析研究[D]. 童俊艷.南京理工大學 2009
本文編號：2929640
本文鏈接：http://sikaile.net/kejilunwen/hangkongsky/2929640.html
