论文部分内容阅读
近年来,暴力袭击、游行示威和人员拥挤踩踏等社会性公共突发事件在国内外频繁发生,作为城市公共场所社会活动的主体,行人的公共安全问题已成为社会安全管理和智能安防建设中的重点问题。目前,我国大力发展以视频监控为核心的安防监控体系,高清摄像机已经广泛分布于城市的广场、车站、商场等社会各个重点区域,产生了大量的治安监控视频数据。如何从这些监控视频大数据中智能分析出行人群体性行为的状态变化,如何从中早期发现群体性突发事件的端倪,已经成为目前治安智能视频监控领域面临的日益尖锐的科学问题。视频监控系统中的行人行为识别问题一直是国内外学者、相关软硬件公司与研究机构关注的热点,已经取得了比较丰富的研究成果。已有的研究通常仅依据行人的图像特征,基于分类的方式进行分析,缺乏综合知识的整体支撑;当算法应用于监控视频大数据时,存在知识整体组织的缺失问题和子算法冗余问题,造成了大量资源的浪费。行人行为通常可以由视频图像中行人图元的属性状态变化体现出来,本文主要以行人图元为最小粒度对行人骨架属性信息、人数属性信息,以及行为信息进行研究,从实例验证和系统实现两方面检验模型算法的有效性。本文的主要研究工作如下:(1)针对治安视频大数据的行人行为识别问题,提出了基于知识的行人信息挖掘框架。该框架以系统科学理论和基础知识元模型为理论依据,基于知识元模型实现了监控视频处理过程中所涉及到的先验知识的管理和组织,并将行人图元作为行人知识元的一类属性,通过构建属性间的映射关系来指导行人图元部分属性的挖掘,最后基于图元属性的先验知识实现行人行为的识别。针对多摄像机下不同监控场景的行人行为识别需求,以人类视觉认知理论为指导,灵活的实现算法的组合集成,在降低算法冗余的同时,为行人行为信息挖掘问题提供新思路。(2)针对基于骨架属性的单人行为识别问题,研究了单人图元骨架属性的挖掘算法和基于骨架信息的单人行为识别方法。作为视频行人行为识别的基础算法,骨架化算法在保证拓扑结构的前提下,需要具有较快的处理速度。本文基于离散曲线演化迭代过程得到行人图元形状属性的关键节点,采用平行线簇对图元形状多边形进行截取,将截线段中点近似为骨架点:基于骨架点的关联关系确定以图结构形式表述的行人骨架。视频集上的实验结果验证了算法的有效性和快速性。进一步,统计定义的几种单人行为类型的骨架特征,并作为先验知识;通过构建单人行为先验知识的模糊逻辑规则,从而实现视频数据中的单人行为识别。(3)针对监控摄像机下人群行为控制的需求,研究了多人图元人数属性的挖掘算法和基于知识的行人群体性行为识别方法。由于监控摄像机的透视问题,目前基于回归的算法大多数只能得到在时域不一致的计数结果。本文基于视频图像序列中图元的时空关联性构建了图元网络模型,将回归算法得到的图元人数信息作为节点权重,通过求解带网络流约束的二次规划模型实现对多人图元人数属性的修正。为进一步提高算法的精确度和处理速度,提出了图元直方图特征和原始图元网络的收缩方法。标准数据集上的实验结果显示该算法可以很好的降低已有行人计数算法的误差。进一步,基于人类视觉总结人类对异常群体性行为分析的先验知识(人群数量信息和场景中单人行为信息等),并基于模糊逻辑理论将先验知识进行规则化,提出了基于先验知识的行人群体性行为识别方法,该方法可以灵活的添加场景以及人群的先验知识,有助于异常群体性行为的精确识别。(4)针对海量视频数据的处理需求,研究了基于MapReduce框架的分布式处理算法。并以多个摄像机下的视频行人计数算法为例,通过分布式行人检测算法辅助获取回归函数的训练集,完成人数关系知识元实例的分布式训练和分布式存储,实现了人数信息的分布式挖掘算法。最后基于整个理论模型和算法对相关系统进行实现。本研究属于社会公共安全管理、应急管理、大数据挖掘与人工智能的交叉与渗透,对实现监控视频大数据下的行人行为识别具有一定的理论与实践意义。