群体目标动态分析是计算机视觉和数字图像处理领域的前沿课题,属于运动目标分析范畴。该课题针对各种不同运动群体进行背景消除、运动流分割、群体密度估计、群体跟踪和群体行为理解等研究。群体动态分析技术的应用十分广阔,包括智能监控、安全检查和海洋生物检测等等。现在,该技术已经在某些方面给人类的生活研究带来便利,随着该技术的发展,其必将更加深远的造福人类。因此群体动态分析的研究具有很高的科学价值和深远的实际意义。目前运动目标分析领域中,对单个或多个运动目标的检测分析已达到较高水平,包括目标检测、跟踪、识别和行为理解等技术,无论从理论还是实际应用都已成熟。而群体运动目标分析研究中存在许多难以解决的问题,限制了该课题的发展。群体运动,相对于单个或多个目标运动,具有运动环境复杂、目标数量众多、运动快慢不一、目标之间存在遮挡等特点,给课题研究带来很大困难。因此,国内外学者们对此课题的研究较少,上世纪末才有人涉足该课题研究,最近几年才出现一些阶段性研究成果。本文在群体目标动态分析研究中,提出以下创新点：(1)提出全局光流和高斯背景建模融合的背景消除算法,以获取理想的前景。精确的前景提取是提高群体动态分析准确率的前提。全局光流法和混合高斯模型是群体前景检测效果较好的两种方法,但仍不能很好地去除背景噪声。在此基础上,本文提出对此两种方法并行处理,根据其噪声位置和形状的不同,通过融合光流法和高斯建模法的阈值化前景,消除了几乎全部背景干扰。与现有算法相比,该融合算法准确率明显提高。(2)提出光流场角度聚类算法,以实现前景运动流分割。运动流分割是群体动态分析研究中非常新的技术,研究规则运动群体中不同运动流的分割。由于全局光流场包含所有运动像素的速度和方向,因此通过对光流场角度的分割,能够区分群体前景中不同方向的运动流。本文提出对前景光流场角度聚类的方法,可分割双向、三向、U形和环形等不同类型的运动群体。相比现有的流体力学分割和谱聚类分割,本算法的准确率更高。(3)本文提出一种块吸收算法,以消除运动流分割后出现的杂质块。运动流分割中以不同颜色表示不同类别,而杂质块是某种颜色区域中的异色像素块。利用该特性,通过自适应改变杂质块的颜色,可实现快速准确的块吸收。(4)提出基于光流角度直方图的前景运动流分割算法。由于光流角度聚类法耗时较长,本文还提出一种更快速的分割算法。首先将前景光流场角度信息转化成灰度图像,然后从灰度直方图曲线中检测出极大值点和极小值点,随后将表示方向相近的极值点合并,获取一组最终的极小值点。最后,以该组极小值点为分割点实现前景运动流分割。相比于聚类方法,该算法无需循环聚类,处理速度明显提高。此外,分割点选择的准确度高,有效抑制了杂质块的出现。(5)针对群体目标密度估计提出一种多特征分析方法,密度估计与分类是分析运动群体的最有效手段。由于现有的单一特征估计法准确率不高,本文提出多特征估计,从每条运动流中提取四种特征量,其中前景面积和边缘长度从像素层面反映了群体密度,零阶正交矩和灰度共生矩阵的纹理特征从更高级层面反映群体密度。然后采用多元线性回归训练特征向量与密度等级的关系,并确定各个特征量在密度估计中的权重,最终实现群体密度估计与分类。相比于其他只采用一种特征量的密度估计的方法,本算法估计准确率提高了约十个百分点,而且本算法无需将图像分割成许多小块处理,所以算法处理速度明显提高。(6)针对密集群体密度估计,提出一种基于万有引力边缘检测的新算法。密集群体中存在大量遮挡,给群体分析造成巨大困难。现在仍然缺少解决遮挡问题的方法,本文在研究中找到了一个突破口。本算法以万有引力理论为基础,计算前景中像素点之间的引力值作为图像边缘。本算法能检测密集群体中的不明显边缘,通过数字图像处理手段,从二值化边缘中提取出网络边缘结构。该结构的复杂性与群体密度成正比。利用网络边缘中的网格数量和边缘长度作为特征,估计密集和高密集群体密度。实验结果显示,相比于现有算法,本算法估计准确率提高约五个百分点,同时算法处理速度更快。