集体行为是连续、有序的个体呈现出的宏观行为模式,广泛地存在于细菌菌落、动物群、人群、车流等各种群体系统中。集体行为的识别与仿真是计算机视觉和计算机图形学领域的重要研究分支,对于公共安全、智能交通、影视游戏、建筑设计等应用领域具有重要意义。集体行为识别与仿真的研究是有机的整体,识别出的行为模式能够为集体行为仿真提供人群控制策略,集体行为仿真能够进一步验证识别出模式的有效性。集体行为识别的根本任务是根据提取跟踪点的行为特征,从视频序列中挖掘出由行为一致性较强的跟踪点构成的行为模式。识别这种行为模式仍存在诸多难点。集体行为包含具有行为一致性的局部行为模式和具有行为连续性的全局行为模式,其中跟踪点密度分布不均、行为簇形状各异为集体行为识别带来了困难;同时,识别具有复杂交互关系的集体行为对于局部行为一致性度量和全局行为连续性分析提出了更高的要求;进一步研究发现,已有行为特征描述子及其行为一致性度量对于识别存在较大空间间隔或透视变形的集体行为仍存在局限性。集体行为仿真的研究目标是结合主观心理和客观环境因素对人群运动过程呈现出的集体决策进行建模,进而通过渲染技术逼真地再现大规模群体行为。特别是在复杂环境下,群体在全局路径规划方面呈现出的“从众现象”是集体行为的突出表现。然而,已有路径规划方法忽略了人群主观因素与路径规划中“集体决策”间的关联性,使得仿真的灵活性和逼真性仍存在不足。本文针对集体行为识别及仿真中存在的问题开展相关研究,主要成果有:(1)针对集体行为中局部和全局行为模式中跟踪点分布散乱、行为簇形状各异,提出基于一致性密度聚类的集体行为识别方法。定义一致性密度,该密度估计能够在跟踪点分布散乱的情况下揭示跟踪点间的局部一致性程度。提出一致性密度聚类算法,能够有效地识别局部层面上形状各异的集体行为簇。通过分析不同局部集体行为簇在全局层面的一致性,进而将具有较高全局连续性的簇进行合并,得到集体行为模式。在多种群体场景的识别结果和与其它集体行为识别方法的对比表明提出方法能够更加准确地识别局部和全局集体行为。(2)针对集体行为中存在的复杂交互关系,提出基于动态核密度的复杂交互集体行为识别方法。定义动态核密度估计,能够更加精细地反应跟踪点与其近邻点的行为一致性程度。提出动态核密度峰值聚类算法,能够有效地识别具有较强行为一致性的局部子群组;提出基于分层并查集的一致性合并算法,用于分析子群组间的复杂交互关系,精确地判定子群组间的行为连续性,进而合并具有全局连续性的子群组。在视频监控和微生物的集体行为数据集的实验表明,提出方法具有更高的识别精度。同时,在运动分割数据集上的实验结果,进一步展现了提出方法对于其它应用问题的鲁棒性。(3)已有行为特征描述子及其行为一致性度量对于识别存在较大空间间隔或透视变形的集体行为仍存在局限性。针对该问题,提出一致性协方差作为集体行为中跟踪点的特征描述子,加强了任意跟踪点与其近邻间的拓扑结构关系。通过黎曼流形空间度量的一致性协方差相似度,能够有效地在具有透视变形或者较大空间间隔的情况下,发现跟踪点间潜在的一致性关系。提出基于空间加权的密度峰值聚类算法。该算法直接聚类出集体行为簇,无需额外的合并过程。在集体行为数据集的实验表明,提出方法具有更高的识别精度,特别是存在透视变形或者较大空间间隔的情况下。(4)针对已有方法忽略了人群的主观因素与群体路径规划中“集体决策”间的关联性这一问题,提出基于情绪传播模型的动态人群路径规划方法。该方法通过引入情绪因素,能够更加逼真地展现群体的路径选择多样性。在OCEAN人格特征模型的基础上,定义的情绪偏好描述了不同情绪状态个体的路径选择偏好。根据同一集体行为子群组的个体间往往存在更强的交互这一现象,提出情绪传播算法。基于期望时间最短原则,构建融入情绪偏好的目标函数,用于在导航图中搜索最优路径。实验结果表明,提出方法能够逼真地仿真多种环境下的人群路径选择行为。相比于现有路径规划方法,提出方法在仿真效果和量化评价中均取得了更优的结果。与不同局部碰撞避免算法的兼容性实验进一步表明了提出方法的鲁棒性。