集體行為的識別與仿真研究.pdf

1、集體行為是連續(xù)、有序的個體呈現(xiàn)出的宏觀行為模式，廣泛地存在于細菌菌落、動物群、人群、車流等各種群體系統(tǒng)中。集體行為的識別與仿真是計算機視覺和計算機圖形學領域的重要研究分支，對于公共安全、智能交通、影視游戲、建筑設計等應用領域具有重要意義。集體行為識別與仿真的研究是有機的整體，識別出的行為模式能夠為集體行為仿真提供人群控制策略，集體行為仿真能夠進一步驗證識別出模式的有效性。
　　集體行為識別的根本任務是根據(jù)提取跟蹤點的行為特征，從視

2、頻序列中挖掘出由行為一致性較強的跟蹤點構成的行為模式。識別這種行為模式仍存在諸多難點。集體行為包含具有行為一致性的局部行為模式和具有行為連續(xù)性的全局行為模式，其中跟蹤點密度分布不均、行為簇形狀各異為集體行為識別帶來了困難；同時，識別具有復雜交互關系的集體行為對于局部行為一致性度量和全局行為連續(xù)性分析提出了更高的要求；進一步研究發(fā)現(xiàn)，已有行為特征描述子及其行為一致性度量對于識別存在較大空間間隔或透視變形的集體行為仍存在局限性。集體行為仿真

3、的研究目標是結合主觀心理和客觀環(huán)境因素對人群運動過程呈現(xiàn)出的集體決策進行建模，進而通過渲染技術逼真地再現(xiàn)大規(guī)模群體行為。特別是在復雜環(huán)境下，群體在全局路徑規(guī)劃方面呈現(xiàn)出的“從眾現(xiàn)象”是集體行為的突出表現(xiàn)。然而，已有路徑規(guī)劃方法忽略了人群主觀因素與路徑規(guī)劃中“集體決策”間的關聯(lián)性，使得仿真的靈活性和逼真性仍存在不足。
　　本文針對集體行為識別及仿真中存在的問題開展相關研究，主要成果有：
　　（1）針對集體行為中局部和全局行為模

4、式中跟蹤點分布散亂、行為簇形狀各異，提出基于一致性密度聚類的集體行為識別方法。定義一致性密度，該密度估計能夠在跟蹤點分布散亂的情況下揭示跟蹤點間的局部一致性程度。提出一致性密度聚類算法，能夠有效地識別局部層面上形狀各異的集體行為簇。通過分析不同局部集體行為簇在全局層面的一致性，進而將具有較高全局連續(xù)性的簇進行合并，得到集體行為模式。在多種群體場景的識別結果和與其它集體行為識別方法的對比表明提出方法能夠更加準確地識別局部和全局集體行為。<

5、br>　?。?）針對集體行為中存在的復雜交互關系，提出基于動態(tài)核密度的復雜交互集體行為識別方法。定義動態(tài)核密度估計，能夠更加精細地反應跟蹤點與其近鄰點的行為一致性程度。提出動態(tài)核密度峰值聚類算法，能夠有效地識別具有較強行為一致性的局部子群組；提出基于分層并查集的一致性合并算法，用于分析子群組間的復雜交互關系，精確地判定子群組間的行為連續(xù)性，進而合并具有全局連續(xù)性的子群組。在視頻監(jiān)控和微生物的集體行為數(shù)據(jù)集的實驗表明，提出方法具有更高的識

6、別精度。同時，在運動分割數(shù)據(jù)集上的實驗結果，進一步展現(xiàn)了提出方法對于其它應用問題的魯棒性。
　?。?）已有行為特征描述子及其行為一致性度量對于識別存在較大空間間隔或透視變形的集體行為仍存在局限性。針對該問題，提出一致性協(xié)方差作為集體行為中跟蹤點的特征描述子，加強了任意跟蹤點與其近鄰間的拓撲結構關系。通過黎曼流形空間度量的一致性協(xié)方差相似度，能夠有效地在具有透視變形或者較大空間間隔的情況下，發(fā)現(xiàn)跟蹤點間潛在的一致性關系。提出基于空間

7、加權的密度峰值聚類算法。該算法直接聚類出集體行為簇，無需額外的合并過程。在集體行為數(shù)據(jù)集的實驗表明，提出方法具有更高的識別精度，特別是存在透視變形或者較大空間間隔的情況下。
　?。?）針對已有方法忽略了人群的主觀因素與群體路徑規(guī)劃中“集體決策”間的關聯(lián)性這一問題，提出基于情緒傳播模型的動態(tài)人群路徑規(guī)劃方法。該方法通過引入情緒因素，能夠更加逼真地展現(xiàn)群體的路徑選擇多樣性。在OCEAN人格特征模型的基礎上，定義的情緒偏好描述了不同情緒