《電子技術應用》
您所在的位置：首頁 > 嵌入式技術 > 設計應用 > 基于粒子視頻的高密度人群主流運動檢測
基于粒子視頻的高密度人群主流運動檢測
來源：電子技術應用2012年第4期
章東平， 童 超， 蘆亞飛
中國計量學院 信息工程學院， 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運動軌跡，并對獲得的運動軌跡進行提取，然后利用最長共同子序列LCS（Longest Common Subsequence）聚類軌跡，得到運動的主流方向。該算法可以有效檢測實際場景中的主流運動方向。
中圖分類號： TP301.6
文獻標識碼： A
文章編號： 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

    隨著多媒體和網絡技術的發(fā)展，視頻監(jiān)控系統(tǒng)日益普及。如何進一步對視頻內容進行智能化分析已成為人們的研究熱點。因此，基于視頻分析的運動物體行為理解與目標異常檢測受到了眾多研究學者廣泛的關注，尤其是針對密集場景中的人群行為的分析，有助于制定人群管理策略，避免人群過度擁擠、維護人身安全，及應對突發(fā)事件。Brendan[1]提出了基于學習運動軌跡內在重復結構的實時視頻行為理解框架，用于維護公共場所人群的管理監(jiān)控。

    目前，密集場景中主流運動模式的獲取大多采用軌跡聚類方式。如Khalid 和Naftel [2]采用時間序列模型應用到運動物體軌跡聚類和模式識別中，把高維的軌跡數(shù)據投影到合適的低維系數(shù)空間中再進行軌跡聚類。Zeppelzauer[3]等提出的軌跡聚類方法直接通過反復迭代的方式聚類整個運動軌跡。然而Bashir認為需要在軌跡聚類前有必要把軌跡分裂成子軌跡再分別聚類[4]。Atev[5]結合基于霍夫聚類軌跡聚類和頻譜聚類的優(yōu)勢，提出了一種車輛運動軌跡自動聚類算法，Antonini和Thiran[6]指出把運動軌跡進行獨立成分分析之后產生的運動描述比最初的時間序列描述更有效。與Cheryiyadat[7]的軌跡聚類方式不同，本文的聚類方式不需要利用光流信息來跟蹤特征點,目標是檢測群體主流運動而非個體的運動，不需要合并或者預處理這些點軌跡。使用一種比光流更為魯棒性的長距離運動估計——粒子視頻算法來獲取復雜場景中的長距離運動軌跡[8]。粒子視頻算法利用一個結合粒子外觀匹配一致性和粒子間形變的能量函數(shù)來優(yōu)化運動場景中的粒子軌跡，從而避免了長周期運動引起的運動漂移。

式中Z代表總的粒子軌跡數(shù)目。本文的目標就是聚類這些運動軌跡生成主流運動模式。其中軌跡的長短對應該粒子被持續(xù)跟蹤的時間，把這些粒子軌跡作為輸入，利用基于最長共同子序列的算法進行軌跡聚類，得到主流運動。其基本流程如圖1所示。

 

    本文提出了一種通過聚類低層次的粒子軌跡來自動識別人群中主流運動的算法，采用一種長周期魯棒性的運動估計方法從密集人群場景中得到的粒子軌跡總是片段的，而利用最長共同子序列聚類軌跡，得到運動的主流方向。實驗結果表明，提出的聚類算法可以通過聚類這些片段粒子軌跡來識別人群中的主流。聚類得到的主流運動軌跡可以作為長周期運動目標的語義表示。
參考文獻
[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.

此內容為AET網站原創(chuàng)，未經授權禁止轉載。