论文部分内容阅读
近年来,人群活动日益增多,商业中心、广场、交通枢纽站等公共场所举办的商业、文体、宗教等活动促进了经济的繁荣,但也为公共安全带来了巨大的隐患。人群聚集容易导致交通阻塞、踩踏事件、社会安全事件、公共健康事件等,严重时将导致群死群伤等威胁人民生命及财产安全的后果。结合视频监控的人群密度分析方法在公共安全领域发挥越来越重要的作用。人群密度估计和人群行为分析有助于人群的管理,并对及时的制定并实施应急方案有重要意义。本文的人群密度分析包括人群计数、人群密度分布估计以及人群异常行为检测。人群计数是对监控区域的全局人群密度的估计,本文提出了一种多尺度融合递归卷积神经网络来估计人群密度概率图,间接的实现人群计数。人群密度概率图反映行人在图像上出现的频率,其像素和即为人群总人数,这种间接估计方法减轻了直接估计人群总数的问题难度。但是,人群计数仅反映人群的全局密度而忽略了人群的局部密度信息,而人群密度概率图存在透视效应,只能反映二维图像空间上的人群分布。为了克服这个问题,本文提出了一个联合训练的多尺度融合递归卷积神经网络,该网络同时进行人群密度概率图和人群透视图的估计,随后利用一个透视自适应核与人群密度概率图卷积后生成像素级的人群密度分布图,图中像素值代表了真实场景中对应位置的人群分布强度。提出的卷积神经网络将人群密度概率图估计和人群透视估计两个任务联合学习,使两个任务相互促进,学习到更好的行人多尺度特征。为了完成人群透视估计任务,本文扩展了 Shanghaitech数据集。在4个人群数据集上的实验证明了联合学习的卷积神经网络可以同时促进人群密度概率图和人群透视图的估计精度,并获得可直接反映三维真实场景中人群分布强度的人群密度分布图。本文结合人群密度分布图检测人群异常行为。基于人群密度分布图的特性,可直接利用图中的人群密度值检测局部人群密度等级,从而检测出人群异常聚集行为。将序列人群密度分布图含有的时空信息输入卷积神经网络进行分类,可检测出行人异常分散行为。此外,本文方法还可以获得异常位置、速度及密度等额外的信息。在2个数据集上的检测结果证明了本文方法的有效性,获得的丰富信息为异常行为的判断和管理提供了有力的依据。