随着经济的发展和城市化进程的加快,大规模的人群活动逐渐增多,大型人群活动中的安全问题也成为重中之重。科学技术水平的日益发展让人群的监控和管理也成为智能视频监控系统的研究热点,对于人群场景运动的算法分析也取得了很大的进步。现阶段人群监控多依靠人为监控为主要手段,人工为主的监控方法费时费力,随着工作时间的增加,人工监控导致的视觉疲惫会导致漏检误检等情况。监控视频所提供的信息不能够充分利用,基于计算机计算和持续的运行能力,可以长久不间断的对人群视频场景进行分析,充分利用视频中的数据信息,完成对于人群场景各个方面的分析。人群分析技术可以用于人群控制、安全预警、管理调度等多个方面。监控人员通过分析视频中人群密度信息,集群度信息和运动状态综合利用现有的人力资源,将视频信息综合利用。现阶段人群场景和人群行为越趋于复杂,算法能否适用于不同的场景包括结构化和非结构化,低中高密度的人群场景,逐渐成为人群算法研究的重点。首先现阶段的人群算法缺乏对于场景描述的全面性,大多数算法集中提取人群场景中的底层特征,从而对高层的人群运动特征进行描述,但是缺乏中高层次特征描述。其次人群算法多将人群场景抽离为离散的粒子,从粒子的角度分析人群特征,这只考虑了人群中个体的离散特征而忽略了粒子之间相互作用和连续性,最后如何能够将多种人群算法合理有效的应用到实际人群场景的智能监控系统中,并在确保算法准确性的基础上能够保证系统分析的实时性全面描述人群场景。本文对现有的人群算法根据研究方法的不同分为多种类型,比较分析两者的优缺点,明确本文的研究方向。本文受到流体力学的启发,提出一种包含底层特征描述和中层语义特征,同时可以从局部和整体运动特性,空间域和时间域分析人群的行为特征的建模方式,通过对于流体力学公式的推导提出三种描述子:平流描述子,扩散描述子,压力描述子。三种描述子对于不同的人群行为的描述能力不同,平流描述子和扩散描述子主要描述粒子在空间邻域内速度和加速度的变化规律,压力描述子融合人群局部密度信息和粒子之间的相互作用,表现粒子在时间域上的变化规律。同时本文通过对于三种描述子的分析讨论,依托于三种描述子分析人群的行为,提出一种采用Alexnet分类网络的人群行为识别算法,并通过不同数据集下的效果比较证明算法的有效性。其次,本文研究现有的人群轨迹预测算法,先介绍了在长短期记忆网络上加入社会池化层所得到的Social LSTM算法对于人群轨迹的预测。针对该算法在对人群轨迹进行预测时对邻域内行人个体相互作用只进行线性相加的缺点,考虑不同密度下行人个体之间的相互作用的不同,密度大的邻域位置不稳定性大,行人之间的相互作用大;同时结合邻域内的人群运动一致性信息,将原有的社会池化层改进为集群压力池化层,对邻域内的长短期记忆网络的隐藏层信息分别用局部密度和人群运动一致性算子进行池化,再将两者进行连接得到新的隐藏层信息,输入到下一个神经单元中,得到预测的行人位置。最后,基于现有的人群分析算法本文实现了一套面向视频分析的大客流聚集安全风险监测系统,该系统从三个方面对人群场景进行分析,人群密度估计,人群分组和运动模式,人群关注度分析。三种人群分析算法分别从静态和动态纹理特征,局部和全局特性对人群场景进行综合分析。其中人群密度估计抽取静态特征,时空二值化纹理特征,并且可以提供局部密度分布和预测的人群密度等级;人群分组和运动模式通过包含时空分组动态特征描述整体的人群分组分布,同时可以展现局部分组的运动方向;人群关注度分析检测可能发生异常情况的敏感区域,异常关注度区域结合了密度等级和语义分割结果。同时为了能够记录不同阶段的人群分析结果,该系统将统计历史的人群分析信息,将数据存储到数据库中,对一定时间段内的人群密度走向,分组数目及不同方向的分组百分比进行统计。同时该系统还具有基本的视频播放,停止,与远程录像机连接并与上层设备进行通信等功能。