發(fā)布時間：2018-03-16 14:34

  本文選題：組群識別　切入點：人群行為分析　出處：《北京交通大學》2017年碩士論文　論文類型：學位論文

【摘要】：基于組群層次的人群行為分析是近年來一種新而有效的研究方法,在視頻監(jiān)控和人群理解等領域有很多重要的應用。然而,組群作為人群的基本組成單位,對人群有很大的影響,對組群的深入研究具有很大的意義。本文的工作重點在于給出一種高密度場景下人群中組群的識別方法,對組群的一些通用特征進行研究并給出定量描述,最后分析組群中的重要人物,構建組群的三層結構模型。論文前半部分提出了一種無需人工參與即能快速自動進行組群識別的方法。首先,使用自動而快速的密度聚類算法(Automaticand fast density clustering,AFDC)尋找組群的核心,然后通過組群成員的相關鄰居不變性(Coherent neighbor invariance,CNI)進行融合。相較于傳統(tǒng)方法,該方法既考慮了組群在單幀下的空間和運動方向特征,又考慮了多幀下時空上的不變特征,因此具有高度的魯棒性和廣泛的適用性�；�于數(shù)百個公共場景下視頻片斷的實驗效果表明,對于形狀和密度不斷變化的組群,這種組群識別方法的效果也很好。由于避免了大量的迭代計算,在保證我們的組群識別方法取得優(yōu)良的識別效果的基礎上,算法的性能也得到了很大的改善。對組群的統(tǒng)計實驗結果顯示組群數(shù)量呈現(xiàn)一種冪律分布(Power-law distribution),這對人群仿真建模,場景理解等領域有著重要的意義。組群中個體的相對重要性研究也引發(fā)了廣泛的關注。論文接下來的工作中采用了 45維的向量表示個體特征,并采用支持向量回歸算法(Support vector regression,SVR),建立了組群成員重要性預測模型,判定組群成員中的重要人員。由重要成員,核心成員,相關人員三層結構的人員就構成了組群的三層結構模型。論文最后將組群視作無向圖,用頂點表示人群中的個體,用邊表示兩兩個體之間的距離權重。對組群軌跡使用馬爾科夫鏈進行建模,求取組群先驗(Prior),然后以此為基礎綜合分析組群的地理位置結構,組群的內(nèi)部拓撲結構,聚集程度以及組群間的相互作用等信息,并給出聚集度,穩(wěn)定度,均勻度,沖突度等幾種基礎而通用的組群特征的設計和定量的定義。這些組群特征的場景無關性很好的說明了其廣泛的適用性,并且能夠有效應用到人群仿真建模,視頻分類,人群狀態(tài)監(jiān)控,人群視頻檢索等領域。對高密度場景的理解,人群行為分析等也將產(chǎn)生重要的影響。
[Abstract]:Crowd behavior analysis based on cluster level is a new and effective research method in recent years, which has many important applications in the field of video surveillance and crowd understanding. It has great influence on the crowd, and has great significance for the further study of the cluster. The main work of this paper is to give a method of group identification in the high density scene. Some common features of the cluster are studied and quantitatively described. Finally, the important persons in the cluster are analyzed. In the first half of this paper, a fast and automatic cluster identification method is proposed in the first half of the paper. Firstly, the automatic and fast density clustering algorithm is used to find the core of the cluster. Then the fusion is carried out by using the relative neighbor invariance of cluster members, which takes into account not only the spatial and motion direction characteristics of the cluster in a single frame, but also the invariant features in space and time under multiple frames, compared with the traditional method. Therefore, it has a high degree of robustness and wide applicability. Based on the experimental results of hundreds of common scenes, the experimental results show that, for clusters with changing shapes and densities, The effect of this method is also very good. Because of avoiding a large number of iterative calculations, we can ensure that our cluster recognition method has good recognition effect. The performance of the algorithm has also been greatly improved. The results of the statistical experiments on the clusters show that the number of clusters presents a power law distribution, which is used to model the crowd simulation. The research on the relative importance of individuals in the cluster has attracted extensive attention. In the following work, 45 dimensional vectors are used to represent individual characteristics. The support vector regression algorithm is used to predict the importance of cluster members. In the end, the group is regarded as an undirected graph, and the vertex is used to represent the individual in the crowd. The distance weight between two individuals is represented by edges. Markov chain is used to model the group locus, and a priori priorn is obtained. Based on this, the geographical position structure of the group and the internal topological structure of the group are analyzed synthetically. The degree of aggregation and the interaction between clusters are given, and the degree of aggregation, stability and uniformity are given. The design and quantitative definition of several basic and general cluster features, such as conflict degree, are used to illustrate their wide applicability, and can be effectively applied to crowd simulation modeling, video classification, and so on. Crowd state monitoring, crowd video retrieval and other fields. The understanding of high-density scenes, crowd behavior analysis will also have an important impact.
【學位授予單位】：北京交通大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前5條

1 ;電機優(yōu)化設計中的組群技術[J];電機電器技術;1990年01期

2 舒小潤;張鐵強;;基于組群的P2P信譽模型[J];電腦知識與技術;2009年28期

3 鄧少鋒;鄧帆;李益發(fā);;有效的強安全組群密鑰交換協(xié)議[J];計算機應用;2010年07期

4 宋占偉,聞邦椿;工程機械組群動態(tài)組織與集成管理系統(tǒng)研究[J];筑路機械與施工機械化;2001年03期

5 陳世卿;徐紅云;張大方;;基于組群的可實現(xiàn)接收者匿名的通信模型[J];計算機應用研究;2006年04期

相關會議論文 前8條

1 孫啟源;;組群式城市與健康城市化[A];城市規(guī)劃面對面——2005城市規(guī)劃年會論文集（上）[C];2005年

2 張令軍;;組群式城市鎮(zhèn)村發(fā)展思路初探——以淄博市為例[A];轉型與重構——2011中國城市規(guī)劃年會論文集[C];2011年

3 商嘉友;;中國組群式城市的特點及其中的民族關系與對策[A];中國都市人類學會第一次全國學術討論會論文集[C];1993年

4 任鵬雁;管恩亭;;以張店為中心建設淄博現(xiàn)代化組群式城市[A];中國都市人類學會第一次全國學術討論會論文集[C];1993年

5 丁志剛;;城市組群的區(qū)域性服務功能與核心城市發(fā)展研究——以澄張靖城市組群為例[A];2012城市發(fā)展與規(guī)劃大會論文集[C];2012年

6 陳琳;鄭康鋒;鈕心忻;陸峰;彭越;;面向Spread安全組群通信的DNS動態(tài)更新研究[A];2010年全國通信安全學術會議論文集[C];2010年

7 宋曉剛;;典型組群城市規(guī)劃管理模式創(chuàng)新與實踐——以淄博市為例[A];城市規(guī)劃面對面——2005城市規(guī)劃年會論文集（下）[C];2005年

8 熊花;;武漢市南部新城組群用地建設強度研究[A];‘城鄉(xiāng)治理與規(guī)劃改革——2014中國城市規(guī)劃年會論文集（13 區(qū)域規(guī)劃與城市經(jīng)濟）[C];2014年

相關重要報紙文章 前10條

1 記者 梁瑜;我市“組群推進、城鄉(xiāng)統(tǒng)籌”全力推進城鎮(zhèn)化[N];呂梁日報;2014年

2 記者 王燕　通訊員 王磊;我省描繪蕪馬組群發(fā)展藍圖[N];馬鞍山日報;2012年

3 本報記者 朱衛(wèi)國;組群融合發(fā)展[N];濟寧日報;2010年

4 ;“紅河谷”城市組群橫空出世[N];湖北日報;2013年

5 本報記者 魏勁松 通訊員 楊戈 劉兵;湖北：漢江“河谷組群”顯露雛形[N];經(jīng)濟日報;2013年

6 魯寧;城鎮(zhèn)居民收入差距還會擴大[N];證券時報;2005年

7 魯寧;差距還會擴大[N];中國保險報;2005年

8 本報記者 宋紅崗;魯南濟寧將組群式成長[N];經(jīng)濟日報;2001年

9 本報記者 耿倩　劉俊英;一核雙圈繪美景 組群推進建新城[N];科學導報;2011年

10 記者 朱科;1+1>2[N];襄陽日報;2013年

相關碩士學位論文 前8條

1 崔克輝;組群式城市的城鎮(zhèn)化發(fā)展研究[D];天津大學;2016年

2 金科;高密度場景下人群中組群的識別與分析[D];北京交通大學;2017年

3 陳健;國內(nèi)高校教學樓組群的兩種典型模式比較研究[D];浙江大學;2004年

4 吳嫦娥;吉林中部城市組群功能關系優(yōu)化研究[D];東北師范大學;2005年

5 劉薇;基于組群挖掘的服務發(fā)現(xiàn)推薦方法[D];東北大學;2009年

6 李建斌;基于模型的組群安全分析方法及應用[D];大連理工大學;2011年

7 金鋒;一個新型組群密鑰交換協(xié)議的設計與實現(xiàn)[D];大連理工大學;2008年

8 汪洋;一種容錯的組群密鑰分發(fā)協(xié)議設計與實現(xiàn)[D];大連理工大學;2007年

，

本文編號：1620340