论文部分内容阅读
目前,行人群体行为分析与识别的研究主要集中于多目标检测与跟踪、路径分析(Trajectories Analysis,简称TA)、行人区域密集性分析(Dense Regions Analysis of Pedestrians,简称DRAP)等热点问题。本文基于P.F.Felzenszwalb提出的Mixtures of multiscale Deformable Part Models(简称MDPM)行人检测算法及本文所提出的行人检测算法,重点优化改进了多目标的跟踪和分析方法,提出了一种用于多目标跟踪的特征描述新方法,该方法能显著提升行人的群体跟踪性能。并将行人的群体跟踪结果用于行人路径和行人区域密集性分析,有助于广场、大厦、地铁、机场等密集人群行为分析、预测、预警等。本文主要研究内容如下:1)提出了局部二值模式(Local Binary Patterns,简称LBP)纹理特征和梯度特征(Histograms of Oriented Gradients,简称HOG)融合的纹理梯度特征HOLB提取方法,并提出了基于HOLB特征的自适应增强(Adaptive Boosting,简称Ada Boost)行人头部检测算法(HOLB Adaptive Boosting,简称HLAB)。2)提出了LBP纹理相似度特征和距离度量特征融合的纹理距离特征(LBP Similarity and Euclidean Distance based fusion feature,简称LSED)提取方法,并提出了基于LSED特征的最少费用流(Minimum Cost Flow,简称MCF)新模型(LSED based MCF Model,简称LMM),用于行人群体的跟踪。该模型以相邻两帧为单位进行建模,两帧中的行人作为结点,计算两帧之间每对行人的覆盖率,若超过阈值,则在模型中连接对应的结点,以相应的LSED特征为费用(Cost),设置该模型中边的容量(Capacity),形成相邻两帧的模型。在视频中依次以相邻两帧建模形成LMM模型。实验证明该模型在行人群体跟踪中发生编号变化(ID Switch,简称IDS)的次数较少,且跟踪结果中包含完整的检测信息。3)基于LMM对行人的跟踪结果,进一步分析行人群体行为,主要包括:路径分析和行人区域密集性分析。TA主要分析路径片段的整体分布情况及产生片段的原因。DRAP统计每个行人周边指定半径内的行人数,作为相应位置的行人密集度,形成行人区域密集性分布图。实验证明TA能直观的反映出跟踪结果中所存在的问题,DRAP能直观的反映出行人分布的密集区域。最终本文提出了基于HLAB的LMM、TA、DRAP相结合的新算法(LMM with TA and DRAP,简称LMTDR),用于行人群体行为分析与识别。