基于复合特征及深度学习的人群行为识别算法

分析人群行为的目的是更好地分析与管理人群运动的状态与趋势。针对人群行为的两种特征信息,提出了一种基于深度学习的人群行为识别方法。先将人群作为主要对象,通过前景提取方法来提取人群静态信息,利用人群运动的变化获取人群动态信息,借助卷积神经网络(CNN)模型学习这两种不同的人群行为特征,再综合这两种特征来分析常见的人群行为。同时,人群数据提取位置与间隔是影响人群行为分析的重要因素。实验结果表明,这两种人群特征能更好地描述空间维度上的人群状态和时间维度上的人群变化,合理的数据位置与数据间隔可以有效地提高人群信息的表达能力。最后将提出的方法与其他人群行为分析方法进行比较,定量与定性的实验结果验证了所提方法的有效性,同时也表明了所提方法能得到更优的混淆矩阵和更高的准确度。

融合多特征与时间序列的人群行为识别模型

人群行为识别在公共安全等领域具有重要的应用价值.现有研究分别考虑了人群情绪、人群类型、人群密度以及人群社会文化环境等因素对于人群行为的影响,但少有综合考虑这些因素的模型,导致模型性能受限.本文综合考虑人群的物理特征、社交特征、情绪人格特征和文化背景特征之间的相关性,以及相结合之后对人群行为的影响,提出一种融合多特征与时间序列的人群行为识别模型.模型采用两个并行的网络层分别处理多特征相关性和时间序列依赖性对于人群行为的影响,同时为提高模型可解释性,网络层采用融合结构因果模型(SCM)与图神经网络(GNN)的因果图网络(CGN).通过在运动情感数据集(MED)上进行实验并与其他方法模型进行对比,证明了本文方法能够成功识别人群行为,并且优于目前最先进的方法.

基于因果网络分析的小规模人群行为识别

人群行为识别是计算机视觉领域的重要研究课题,针对小规模松散人群兼具微观层面与宏观层面行为特征这一特点,提出了一种基于因果网络分析的小规模人群行为识别方法。先将各行人目标看成网络的节点,利用协方差跟踪获得目标的运动轨迹,并利用Granger因果关系检验来评估目标之间的相互作用,并用此因果关系来构建成对因果网络和成组因果网络,计算复杂网络的平均路径长度,介数,聚类系数等参数特性,以表达和识别聚集、聊天、分离、徘徊、相遇及同行等6种人群行为,实验结果表明,提出的算法能够有效的表达和识别人群行为。

人群行为分析研究进展

人群行为分析是计算机视觉领域一个新兴的研究方向,在智能视频监控、虚拟现实、视频检索等方面有着广泛的应用前景和巨大的经济价值。主要从数据库和分析方法两个方面对人群行为分析的研究进展进行综述。人群行为数据库主要包括行为数据库和监控数据库两种,对这两类数据库中比较典型的库进行了总结,并从人群行为的分解方法和识别方法两方面对人群行为分析方法进行了详细总结。将分解方法分为3种,分别指出了各种方法的优缺点。将人群行为的识别方法分为基于统计的方法和基于描述的方法两种,对它们进行了详细比较,并指出了识别方法的发展趋势。总结了人群行为分析的潜在问题,并展望了其发展前景。

人群行为分析研究综述

近年来,人群行为分析成为计算机视觉领域中备受关注的研究方向,主要运用于智能视频监控、人机交互、智能家居、视频检索等领域,以视频中运动人群的行为分析和理解为研究目的,对输入序列图像中的运动目标进行运动检测、匹配和建模.文中对人群行为分析的研究现状以及典型算法进行全面综述.首先对当前人群行为数据库进行简要介绍并分类比较;之后根据人群行为分析算法核心侧重点的不同,将人群行为分析算法分为基于特征和基于模型两大类,并根据每一大类各自的特点进行细分和比较,详细介绍了每类中具有代表性的算法,分析各算法的优缺点和适用的人群场景;最后总结了人群行为分析中的困难和挑战,对该研究领域的发展进行展望.

Hybrid tracking model and GSLM based neural network for crowd behavior recognition

Crowd behaviors analysis is the‘state of art’research topic in the field of computer vision which provides applications in video surveillance to crowd safety,event detection,security,etc.Literature presents some of the works related to crowd behavior detection and analysis.In crowd behavior detection,varying density of crowds and motion patterns appears to be complex occlusions for the researchers.This work presents a novel crowd behavior detection system to improve these restrictions.The proposed crowd behavior detection system is developed using hybrid tracking model and integrated features enabled neural network.The object movement and activity in the proposed crowded behavior detection system is assessed using proposed GSLM-based neural network.GSLM based neural network is developed by integrating the gravitational search algorithm with LM algorithm of the neural network to increase the learning process of the network.The performance of the proposed crowd behavior detection system is validated over five different videos and analyzed using accuracy.The experimentation results in the crowd behavior detection with a maximum accuracy of 93%which proves the efficacy of the proposed system in video surveillance with security concerns.