论文部分内容阅读
集群聚集行为是多组连续有序个体呈现的宏观行为模式,在自然生态环境、人群社会等各种群体系统中广泛存在。在场景行为分析和计算机视觉的应用领域中,集群聚集行为识别与分析是公共安全领域的一个重要和基础的研究问题,对于社会公共安全、交通调度等方面具有重要意义。聚集行为识别的根本任务是根据提取跟踪点的行为属性信息,将连续视频序列中具有较为一致性运动行为模式的跟踪点聚集识别出来。目前在识别该种行为问题上仍然存在诸多难点。集群聚集行为包含具有行为一致性的局部行为模式和具有行为连续性的全局行为模式,其中特征跟踪点的密度不均匀分布、行为簇具有的不同形态为集群行为识别带来了困难;同时,复杂流形拓扑结构中的聚集行为识别问题,对于度量局部行为中的聚集性和全局结构下的有序性特征提出了更严格的标准;进一步研究发现,现有行为特征描述子及其行为一致性度量仍然受群体运动行为的流形拓扑结构的场景的限制。本文针对视频中集群聚集行为分析存在的问题开展相关研究,主要成果有:(1)提出了一种基于流形密度的集群聚类算法,能够识别局部和全局模式下具有任意形状和不同密度条件下的聚集行为。受群体运动行为的流形拓扑结构启发,首先提出了一种新的流形距离度量方式用于挖掘群体运动的深层行为模式。进一步地定义了集体聚集密度的概念,并通过基于聚集密度的聚类算法识别具有局部一致性行为的群组,这种策略更适用于识别具有任意形状的聚类。同时考虑到子群组之间的复杂交互作用,引入层次聚集合并算法得到全局集行为模式,可以有效地表征全局一致性关系。(2)已有集群特征描述子及其行为聚集性度量对于度量连续帧下群体行为的聚集性演变和度量仍存在不足之处。针对该问题,提出了一种基于图学习的场景群体聚集性度量和群组识别的方法。该方法从集群运动邻域特性出发,提出了基于范围内聚集动态的集群运动局部有序性度量。在方法中定义了聚集性运动的主题,并且利用路径积分与信息传播的思想拓展了有关图学习方法的理论研究,进而提出了一种计算场景聚集度的学习方法。之后由得到的聚集度量提出了一种动态聚类算法,能够有效地识别集群中具有不同运动模式和空间位置的群体。在多种群体场景的识别结果及对比实验,进一步展现了提出方法的鲁棒性和优越性。