視頻監(jiān)控中人群密度估計和人群異常行為識別.pdf

1、隨著圖像處理、模式識別、人工智能等技術的飛速發(fā)展，視頻智能監(jiān)控也由理論研究逐漸轉向了廣泛應用階段。因此，智能視頻監(jiān)控技術作為改善傳統(tǒng)監(jiān)控系統(tǒng)的核心技術得到了越來越多學者的密切關注。而作為智能視頻監(jiān)控巨大挑戰(zhàn)之一的人群分析包括人群密度估計和人群行為識別也成為各大研究者的研究目標。
　　本文搜集并查閱了人群理解相關的最新研究理論，對其涉及的一些相關知識如標簽分布學習、多標簽學習、人群密度估計、人群行為識別等進行了較深入的研究，主要研究

2、內容包括：
　　1、介紹了多標簽學習和標簽分布學習算法的基礎理論知識。將多標簽學習分為兩類問題轉化法和算法適應法，并分別對其進行了簡單論述。針對傳統(tǒng)的基于監(jiān)督學習的多標簽學習算法為了獲得準確的標簽分類模型要求有充足訓練樣本的缺陷，引出了直推式多標簽學習算法。并分析了直推式多標簽學習相比其他多標簽學習算法的優(yōu)越性。標簽分布是由每個標簽對圖像的描述程度組成，它認為每一張圖像都與一個標簽分布相對應，標簽分布學習在學習過程中考慮到了所有可

3、能的標簽，使得分類器泛化能力增強。
　　2、提出一種基于標簽分布學習的人群密度估計算法。本文為每一幀人群圖像分配一個概率分布，來代表人數(shù)標簽對圖像的描述程度。首先將人群圖像像素進行透視歸一化匹配，并通過人群分割算法分割出視頻中的人群，提取人群圖像中的低水平特征包括分割特征、紋理特征、邊緣特征；然后采用條件概率神經(jīng)網(wǎng)絡學習算法來訓練人數(shù)標簽分布模型，最后輸入測試圖像到標簽分布模型后即可獲得圖像中的人數(shù)。除了通過人數(shù)誤差來評估算法的性

4、能外，我們還對比了測試樣本的預測標簽分布和真實標簽分布。經(jīng)實驗驗證，在人群數(shù)據(jù)集UCSD上本文的算法的確表現(xiàn)了很好的效果。
　　3、提出兩種人群異常行為識別算法。本文將人群異常行為識別看成一個多標簽分類問題，對每個行為序列分配一個或多個行為標簽，通過有標簽或者無標簽的行為序列信息得到有效的分類模型，完成人群異常行為的識別?；谄梅植紝W習的異常行為識別算法首先通過學習不一致排序得到一個潛在的偏好分布使其能兼容多個不一致排序，然后通

5、過BFGS（Broyden Fletcher Goldfard Shann，高斯擬牛頓）標簽分布學習算法學習這個潛在偏好分布模型，最終完成行為分類，這種方法解決了標簽排序不一致的問題。而基于直推式多標簽的異常行為識別算法將大量的測試集數(shù)據(jù)信息運用于多標簽的學習，使得算法在測試數(shù)據(jù)集上獲得較好的行為分類效果。這種處理可以大大降低了標注的不可靠性以及其產生的負面影響。本文采用多標簽性能評估矩陣對兩種異常行為識別算法進行了實驗驗證，并與其他算