基于公共場景監(jiān)控?cái)?shù)據(jù)的人群行為分析和異常檢測.pdf

1、人群行為分析和異常檢測是計(jì)算機(jī)視覺、模式識別和智能交通等的交叉研究領(lǐng)域，近幾年已成為人工智能和視頻監(jiān)控技術(shù)等方面的研究熱點(diǎn)。本文針對簡單無結(jié)構(gòu)場景和復(fù)雜結(jié)構(gòu)化場景中的人群監(jiān)控軌跡數(shù)據(jù)集進(jìn)行了運(yùn)動行為分析及異常軌跡檢測方面的研究分析。
　　本文的主要研究工作包括:
　　1.基于FCM(Fuzzy C-Means)算法和Hausdorff距離的簡單無結(jié)構(gòu)場景人群行為分析和場景隱結(jié)構(gòu)信息學(xué)習(xí)。本文首先提取人群軌跡的場景出入點(diǎn)，并利

2、用FCM算法和Hausdorff距離對其聚類。通過學(xué)習(xí)軌跡關(guān)鍵點(diǎn)簇，進(jìn)一步獲得粗略的人群軌跡聚類以及場景的隱結(jié)構(gòu)信息。
　　2.基于軌跡類的特征統(tǒng)計(jì)直方圖及局部動態(tài)一致性原則進(jìn)行異常軌跡檢測。無結(jié)構(gòu)場景內(nèi)，同一類人群軌跡通常具有相似的運(yùn)動趨勢。通過統(tǒng)計(jì)軌跡類內(nèi)軌跡樣本點(diǎn)位置、速度和運(yùn)動方向等特征，建立軌跡類特征統(tǒng)計(jì)直方圖，并與局部動態(tài)一致性原則相結(jié)合進(jìn)行異常軌跡檢測。
　　3.基于最大最小距離聚類算法的復(fù)雜結(jié)構(gòu)化場景內(nèi)運(yùn)動軌

3、跡模式學(xué)習(xí)和人群行為分析。首先將運(yùn)動軌跡進(jìn)行分段處理，以降低后續(xù)分析難度;然后使用最大最小距離聚類算法對分段軌跡集進(jìn)行聚類，并學(xué)習(xí)各分段軌跡類數(shù)據(jù)的感興趣區(qū)域，得到潛在人群行為信息。
　　4.基于軌跡樣本點(diǎn)局部密度的分段軌跡異常檢測。軌跡上樣本點(diǎn)的局部密度來可以體現(xiàn)軌跡的異常性。本文選取一種基于局部密度的異常檢測算法——LOF(Local Outlier Factor)，通過計(jì)算測試軌跡集內(nèi)軌跡樣本點(diǎn)的局部密度和局部異常因子，對軌