《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于粒子視頻的高密度人群主流運(yùn)動(dòng)檢測(cè)
基于粒子視頻的高密度人群主流運(yùn)動(dòng)檢測(cè)
來(lái)源：電子技術(shù)應(yīng)用2012年第4期
章東平， 童 超， 蘆亞飛
中國(guó)計(jì)量學(xué)院 信息工程學(xué)院， 浙江 杭州 310018
摘要： 采用粒子視頻流獲得視頻序列中的特征點(diǎn)運(yùn)動(dòng)軌跡，并對(duì)獲得的運(yùn)動(dòng)軌跡進(jìn)行提取，然后利用最長(zhǎng)共同子序列LCS（Longest Common Subsequence）聚類(lèi)軌跡，得到運(yùn)動(dòng)的主流方向。該算法可以有效檢測(cè)實(shí)際場(chǎng)景中的主流運(yùn)動(dòng)方向。
中圖分類(lèi)號(hào)： TP301.6
文獻(xiàn)標(biāo)識(shí)碼： A
文章編號(hào)： 0258-7998(2012)04-0123-03
Dominant motions detection in dense crowds based on particle video
Zhang Dongping, Tong Chao, Lu Yafei
College of Information Engineering China Jiliang University, Hangzhou 310018, China
Abstract： In this paper, we present a novel method to automatically identify dominant motion pattern in crowd scenes. The algorithm begins by using long range motion estimation - particle video to obtain the trajectories of feature points. Compared to many approaches using optical flow obtain feature point trajectory, particle video can obtain more reliable particle trajectory. Then those particle trajectories can be clustered into dominant motions based on longest common subsequences. Results on real video sequences demonstrate that the approach can successfully identify both dominant in crowded scenes.
Key words : crowd analysis; trajectory clustering; longest common subsequences; particle trajectory

    隨著多媒體和網(wǎng)絡(luò)技術(shù)的發(fā)展，視頻監(jiān)控系統(tǒng)日益普及。如何進(jìn)一步對(duì)視頻內(nèi)容進(jìn)行智能化分析已成為人們的研究熱點(diǎn)。因此，基于視頻分析的運(yùn)動(dòng)物體行為理解與目標(biāo)異常檢測(cè)受到了眾多研究學(xué)者廣泛的關(guān)注，尤其是針對(duì)密集場(chǎng)景中的人群行為的分析，有助于制定人群管理策略，避免人群過(guò)度擁擠、維護(hù)人身安全，及應(yīng)對(duì)突發(fā)事件。Brendan[1]提出了基于學(xué)習(xí)運(yùn)動(dòng)軌跡內(nèi)在重復(fù)結(jié)構(gòu)的實(shí)時(shí)視頻行為理解框架，用于維護(hù)公共場(chǎng)所人群的管理監(jiān)控。

    目前，密集場(chǎng)景中主流運(yùn)動(dòng)模式的獲取大多采用軌跡聚類(lèi)方式。如Khalid 和Naftel [2]采用時(shí)間序列模型應(yīng)用到運(yùn)動(dòng)物體軌跡聚類(lèi)和模式識(shí)別中，把高維的軌跡數(shù)據(jù)投影到合適的低維系數(shù)空間中再進(jìn)行軌跡聚類(lèi)。Zeppelzauer[3]等提出的軌跡聚類(lèi)方法直接通過(guò)反復(fù)迭代的方式聚類(lèi)整個(gè)運(yùn)動(dòng)軌跡。然而B(niǎo)ashir認(rèn)為需要在軌跡聚類(lèi)前有必要把軌跡分裂成子軌跡再分別聚類(lèi)[4]。Atev[5]結(jié)合基于霍夫聚類(lèi)軌跡聚類(lèi)和頻譜聚類(lèi)的優(yōu)勢(shì)，提出了一種車(chē)輛運(yùn)動(dòng)軌跡自動(dòng)聚類(lèi)算法，Antonini和Thiran[6]指出把運(yùn)動(dòng)軌跡進(jìn)行獨(dú)立成分分析之后產(chǎn)生的運(yùn)動(dòng)描述比最初的時(shí)間序列描述更有效。與Cheryiyadat[7]的軌跡聚類(lèi)方式不同，本文的聚類(lèi)方式不需要利用光流信息來(lái)跟蹤特征點(diǎn),目標(biāo)是檢測(cè)群體主流運(yùn)動(dòng)而非個(gè)體的運(yùn)動(dòng)，不需要合并或者預(yù)處理這些點(diǎn)軌跡。使用一種比光流更為魯棒性的長(zhǎng)距離運(yùn)動(dòng)估計(jì)——粒子視頻算法來(lái)獲取復(fù)雜場(chǎng)景中的長(zhǎng)距離運(yùn)動(dòng)軌跡[8]。粒子視頻算法利用一個(gè)結(jié)合粒子外觀匹配一致性和粒子間形變的能量函數(shù)來(lái)優(yōu)化運(yùn)動(dòng)場(chǎng)景中的粒子軌跡，從而避免了長(zhǎng)周期運(yùn)動(dòng)引起的運(yùn)動(dòng)漂移。

式中Z代表總的粒子軌跡數(shù)目。本文的目標(biāo)就是聚類(lèi)這些運(yùn)動(dòng)軌跡生成主流運(yùn)動(dòng)模式。其中軌跡的長(zhǎng)短對(duì)應(yīng)該粒子被持續(xù)跟蹤的時(shí)間，把這些粒子軌跡作為輸入，利用基于最長(zhǎng)共同子序列的算法進(jìn)行軌跡聚類(lèi)，得到主流運(yùn)動(dòng)。其基本流程如圖1所示。

 

    本文提出了一種通過(guò)聚類(lèi)低層次的粒子軌跡來(lái)自動(dòng)識(shí)別人群中主流運(yùn)動(dòng)的算法，采用一種長(zhǎng)周期魯棒性的運(yùn)動(dòng)估計(jì)方法從密集人群場(chǎng)景中得到的粒子軌跡總是片段的，而利用最長(zhǎng)共同子序列聚類(lèi)軌跡，得到運(yùn)動(dòng)的主流方向。實(shí)驗(yàn)結(jié)果表明，提出的聚類(lèi)算法可以通過(guò)聚類(lèi)這些片段粒子軌跡來(lái)識(shí)別人群中的主流。聚類(lèi)得到的主流運(yùn)動(dòng)軌跡可以作為長(zhǎng)周期運(yùn)動(dòng)目標(biāo)的語(yǔ)義表示。
參考文獻(xiàn)
[1] MORRIS B T, TRIVEDI M M. Trajectory learning for activity understanding: unsupervised, multilevel, and long-term adaptive approach[J]. IEEE Trans. Pattern Analysis and  Machine Intelligence, 2011,33(11):2287-2301.
[2] KHALID S, NAFTEL A. Classifying spatiotemporal object trajectories using unsupervised learning in the coefficient feature space[J].Multimedia Systems, 2006,12(3):227-238.
[3] ZEPPELZAUER M, ZAHARIEVA M, MITROVIC D, et al. A novel trajectory clustering approach for motion segmentation[C]. In Proceedings of IEEE Multimedia Modeling Conference,2010:433-443.
[4] BASHIR F I, KHOKHAR A A, SCHONFELD D. Realtime motion trajectory-based indexing and retrieval of video sequences[J]. IEEE Trans. on Multimedia, 2007,9(1): 58-65.
[5] ATEV S, MILLER G, PAPANIKOLOPOULOS N P. Clustering of vehicle trajectories[J]. IEEE Trans.on Intelligent Transportation Systems, 2010,11(3):647-657.
[6] ANTONINI G, THIRAN J P. Counting pedestrians in video sequences using trajectory clustering[J]. IEEE Trans. Circuits Systems Video Technol,2006,16(8):1008-1020.
[7] CHERIYADAT A, RADKE R. Detecting dominant motions  in dense crowds[J]. IEEE Journal of  Selected Topics in  Signal Processing, 2008,2(4):568-581.
[8] SAND P, TELLER S. Particle video: long-range motion estimation using point trajectories[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, New York: IEEE Computer Society,2006:2195-2202.

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。