本文選題：群體運(yùn)動 + 全局特征提取　； 參考：《鄭州大學(xué)》2017年碩士論文

【摘要】：隨著城鎮(zhèn)人口的增多和城市規(guī)模的不斷擴(kuò)大,發(fā)生在公共區(qū)域的群體聚集情形越來越常見,伴隨而來發(fā)生在人群中的恐怖暴力和踩踏等群體性事件嚴(yán)重影響了社會的安全與穩(wěn)定,針對此類場景中的群體聚集行為分析逐漸成為智能視頻監(jiān)控領(lǐng)域新的研究熱點(diǎn)。由于公共區(qū)域內(nèi)的目標(biāo)對象類型較多、群體運(yùn)動模式復(fù)雜多變,使得針對這些區(qū)域內(nèi)的群體聚集狀態(tài)分析變得非常困難。針對該問題,本文提出了一種基于運(yùn)動目標(biāo)軌跡信息的群體聚集狀態(tài)計(jì)算方法。首先,采用了一種新的全局特征來表示公共區(qū)域內(nèi)的群體運(yùn)動,該特征可以充分描述目標(biāo)興趣點(diǎn)的時空和運(yùn)動信息;其次,提出了一種對目標(biāo)興趣點(diǎn)先聚類分組再計(jì)算聚集性的策略,使得單個群體的聚集性計(jì)算更加一致有效;最后,提出了一種更為全面的群體聚集性描述子,用于對人群聚集狀態(tài)進(jìn)行詳細(xì)描述,并以該描述子為基礎(chǔ),實(shí)現(xiàn)了群體運(yùn)動狀態(tài)演化分析與異常行為檢測。在本文提出的群體聚集狀態(tài)計(jì)算方法中,所采用的目標(biāo)運(yùn)動信息是利用KLT算法提取特征點(diǎn)的方法得到的,并基于這些特征點(diǎn)對人群密度做近似估計(jì)。這種方法能夠處理攝像頭距行人較遠(yuǎn)的場景,但當(dāng)攝像頭距行人較近時,這種方法就會存在較大誤差。為對后續(xù)人群密度以及人群狀態(tài)分析提供準(zhǔn)確的數(shù)據(jù),本文采用對行人進(jìn)行跟蹤的方法來提取這些信息。然而,由于監(jiān)控視頻中的目標(biāo)對象姿態(tài)多變、稠密場景下個體間遮擋嚴(yán)重,傳統(tǒng)的檢測跟蹤方法并不能很好的解決這些問題。因此,針對以上問題,本文提供了一種基于深度學(xué)習(xí)和卡爾曼濾波的行人目標(biāo)跟蹤算法。首先使用卷積神經(jīng)網(wǎng)絡(luò)對行人進(jìn)行檢測;然后針對檢測過程中出現(xiàn)的漏檢現(xiàn)象,采用卡爾曼濾波算法來預(yù)測行人當(dāng)前的位置,最后使用匈牙利分配算法關(guān)聯(lián)視頻相鄰幀中的行人,從而實(shí)時的抽取行人運(yùn)動信息。實(shí)驗(yàn)結(jié)果表明,本文所提出的群體運(yùn)動特征提取方法能夠很好地應(yīng)用于中高密度場景下的人群運(yùn)動特征計(jì)算;結(jié)合這些精確的人群運(yùn)動特征,本文提出的群體聚集性描述子能夠應(yīng)用于各種復(fù)雜公共區(qū)域內(nèi)的群體行為分析,可為公共安全管理提供真實(shí)可靠的參考。
[Abstract]:With the increase of urban population and the continuous expansion of urban scale, it is becoming more and more common for groups to gather in public areas. The terrorist violence and stampede in the crowd have seriously affected the security and stability of the society. The analysis of the collective behavior in this kind of scene has gradually become a new research hotspot in the field of intelligent video surveillance. Because of the variety of target object types and the complex and changeable movement patterns in common areas, it is very difficult to analyze the aggregation state of groups in these areas. In order to solve this problem, this paper presents a method to calculate the cluster state based on the trajectory information of moving targets. First of all, a new global feature is used to represent the group movement in the common area, which can fully describe the space-time and motion information of the point of interest of the target. In this paper, a strategy of clustering and then computing aggregation is proposed, which makes the aggregation calculation of a single population more consistent and effective. Finally, a more comprehensive cluster descriptor is proposed. It is used to describe the state of crowd aggregation in detail, and based on the descriptor, the evolution analysis of group motion state and the detection of abnormal behavior are realized. In the proposed method, the target motion information is obtained by using KLT algorithm to extract feature points, and the population density is estimated approximately based on these feature points. This method can deal with the scene where the camera is far from the pedestrian, but when the camera is close to the pedestrian, there will be a big error. In order to provide accurate data for the subsequent population density and crowd state analysis, this paper uses the method of pedestrian tracking to extract the information. However the traditional detection and tracking methods can not solve these problems because of the changeable attitude of the target object in the surveillance video and the serious occlusion between individuals in dense scenes. Therefore, a pedestrian target tracking algorithm based on depth learning and Kalman filter is proposed. Firstly, we use convolutional neural network to detect pedestrians, and then we use Kalman filter algorithm to predict the current position of pedestrians. Finally, the Hungarian assignment algorithm is used to correlate the pedestrians in the adjacent frames of the video, so that the pedestrian motion information can be extracted in real time. The experimental results show that the method proposed in this paper can be well applied to the calculation of crowd motion characteristics in medium and high density scenes, and combined with these accurate crowd motion features, The group aggregation descriptor proposed in this paper can be applied to the analysis of group behavior in various complex public areas, and can provide a true and reliable reference for the management of public safety.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 吳敏;;具有真實(shí)Internet拓?fù)浣Y(jié)構(gòu)的量子網(wǎng)絡(luò)中的糾纏滲流[J];科技資訊;2012年32期

相關(guān)會議論文 前6條

1 王濤;劉言訓(xùn);;山東省臨沂市肺結(jié)核空間聚集性分析■[A];2011年中國衛(wèi)生統(tǒng)計(jì)學(xué)年會會議論文集[C];2011年

2 李美霞;柳洋;李鐵鋼;;社區(qū)甲型H1N1流感應(yīng)急監(jiān)測及發(fā)現(xiàn)的廣州市首起學(xué)校聚集性疫情分析[A];2010廣東省預(yù)防醫(yī)學(xué)會學(xué)術(shù)年會資料匯編[C];2010年

3 陳典潔;;甲型H1N1流感病區(qū)醫(yī)護(hù)人員職業(yè)防護(hù)[A];全國傳染病護(hù)理學(xué)術(shù)交流暨專題講座會議論文匯編[C];2010年

4 吳偉;周玲;崔勇;劉寶辰;郭坤;郭軍巧;李永久;陳中興;張強(qiáng);喬寶軍;韓忠輝;蘇旭;周寶森;;紅沿河核電站運(yùn)行前周圍居民惡性腫瘤死亡的描述性及空間掃描聚集性研究[A];全國腫瘤流行病學(xué)和腫瘤病因?qū)W學(xué)術(shù)會議論文集[C];2011年

5 王鳴;杜琳;周端華;狄飚;劉于飛;秦鵬哲;吳新偉;陳小霜;邱季春;李澤榮;;廣州市傳染性非典型肺炎流行病學(xué)及預(yù)防控制效果的初步研究[A];中華醫(yī)學(xué)會系列雜志SARS研究論文集[C];2003年

6 孫慶安;李慶國;張志鴻;唐琳;胡鈞;;類菌紫質(zhì)蛋白在膜上聚集狀態(tài)研究[A];第五屆全國光生物學(xué)學(xué)術(shù)討論會論文摘要集[C];2000年

相關(guān)重要報紙文章 前10條

1 記者 范南虹;我省無聚集性疫情發(fā)生[N];海南日報;2010年

2 王學(xué)濤 劉翔霄;山西加強(qiáng)聚集性就餐單位食品安全監(jiān)管[N];中國食品安全報;2013年

3 記者 商宇;加強(qiáng)防控,減少聚集性疫情暴發(fā)[N];重慶日報;2009年

4 記者 張旭東　徐冰 仇逸 黃小希;青島:個別學(xué)校現(xiàn)紅眼病聚集性病例[N];新華每日電訊;2010年

5 陳瑤　萬后德;中國已作好應(yīng)對聚集性甲型流感疫情準(zhǔn)備[N];新華每日電訊;2009年

6 本報記者 王有佳　鄧圩 顧春 新華社;警惕甲感“第二波”[N];人民日報;2009年

7 記者 胡其峰;中國防控措施一定能搶在時間前面[N];光明日報;2009年

8 鄭靈巧邋白瑩;早春警惕水痘聚集性發(fā)病[N];健康報;2008年

9 記者 劉熙;我省多所學(xué)校出現(xiàn)聚集性甲流感病例[N];云南日報;2009年

10 證券時報記者 建業(yè);丙肝聚集性病例頻發(fā) A股公司暫無投資標(biāo)的[N];證券時報;2012年

相關(guān)碩士學(xué)位論文 前8條

1 李春旭;面向復(fù)雜公共區(qū)域的群體聚集性計(jì)算方法研究[D];鄭州大學(xué);2017年

2 唐南;云南省肺結(jié)核病例地理分布及空間聚集性研究[D];昆明醫(yī)科大學(xué);2015年

3 陳寶;2006~2012年南昌市乙肝流行病學(xué)及其時空聚集性特征分析[D];南昌大學(xué)醫(yī)學(xué)院;2015年

4 鄭仕喜;長沙市手足口病時空聚集性及其發(fā)病趨勢預(yù)測研究[D];湖南師范大學(xué);2016年

5 羅珍胄;空間統(tǒng)計(jì)學(xué)方法在某市淋病疫情時空聚集性特征研究中的應(yīng)用[D];中南大學(xué);2010年

6 王永;肺結(jié)核發(fā)病的時空聚集性研究[D];浙江大學(xué);2008年

7 孫海泉;中國大陸地區(qū)2008-2012年丙肝流行規(guī)律及空間聚集性分析[D];中國疾病預(yù)防控制中心;2014年

8 袁東方;基于谷歌地圖的傳染病空間聚集性研究[D];寧波大學(xué);2013年

，

本文編號：2084486