人群恐慌检测解析.pptVIP

* 人群运动的流体表达及异常行为检测 汇 报 提 纲 1 1 1 3 1 2 1 4 研究背景、目的及意义 光流场的运动检测 流体特征描述 人群密度估计 1 5 流体力学熵表达及异常行为自动识别 汇 报 提 纲 1 1 1 3 1 2 1 4 研究背景、目的及意义 光流场的运动检测 流体特征描述 人群密度估计 1 5 流体力学熵表达及异常行为自动识别 1 5 研究目的 暴力事件危害性大 2012年2月24日叙利亚发生武装冲突造成近100人死亡 2010年11月29日新疆阿克苏小学的踩踏事故，致使41名学生受伤，其中重伤7人，轻伤34人 暴力事件带来的损失大 2008年3月14日发生在拉萨市区的打砸烧抢事件，直接造成经济损失3亿元人民币 暴力事件使美国每年损失700亿美元 国家与社会的安全度降低 社会动荡、人民生命得不到保障…… 人群异常行为检测的研究现状 异常行为判定 人群异常行为检测的意义： 减少公共财产的损失 提高人生命安全保障 巩固社会的和谐环境 异常行为判定 Streak line和势函数相结合描述 马氏 距离 人群异常行为检测的研究现状 异常行为判定 异常行为判定 方差均值率熵 Social Force Model 人群异常行为检测的意义： 促进高新科技的发展 减少冗余的人力物力 主要研究内容 LIC 灰度熵运算处理 视频采集 光流场计算 多种流体力学特征表述 流体力学熵 涡流 散度 梯度张 量不变量 OTSU分割 利用最小二乘线性拟合估计不同人群数目 训练 测试 报警 汇 报 提 纲 1 1 1 3 1 6 1 2 1 4 研究背景、目的及意义 光流场的运动检测 流体特征描述 人群密度估计 结论与进一步的研究工作 流体力学熵表达及异常行为自动识别 1 5 光流场算法应用 变换程序： 视频转图像 依次选取相邻 两帧图像 计算HS光流场 数据分析 采集视频 视频帧数 图像格式 f=aviinfo(‘视频名称); for i=1:f.NumFrames mov=aviread(‘视频名称’,i); imwrite(mov.cdata,strcat(int2str(i),’,bmp’), ’bmp’); end 光流场算法应用 视频转图像 依次选取相邻 两帧图像 计算HS光流场 数据分析 采集视频 选取相邻图像 水平方向光流 垂直方向光流 权重系数 光流场算法应用 视频转图像 依次选取相邻 两帧图像 计算HS光流场 数据分析 采集视频 光流场数据 涡流 散度 梯度张量不变量 LIC 汇 报 提 纲 1 1 1 3 1 2 1 4 研究背景、目的及意义 光流场的运动检测 流体特征描述 人群密度估计 流体力学熵表达及异常行为自动识别 1 5 流体特征描述 概念引入 涡流特性 涡流代表了流体微团在运动 过程中绕自身轴的旋转。 涡流公式 涡流 y方向速度在x方向上的偏导 x方向速度在y方向上的偏导 流体特征描述 散度特性 概念引入 散度表示流体体积的变率，散度是 否为零表示流体体积是否有变化。 散度公式 x方向速度在x方向上的偏导 y方向速度在y方向上的偏导 散度 流体特征描述 梯度张量不变量特性 概念引入 梯度张量在流体中表示的是小范围液体的运动形成 漩涡，这个特征主要是由于比较大的运动速度引起。 基于不变量衍生 梯度张量 不变量 流体特征描述 LIC LIC的基本思想是使用一维低通滤波器对输入的白色噪声图像 进行卷积运算，最终输出的纹理图像就具有了矢量的相关性。 流体特征描述 LIC实现过程 LIC选择噪声(如白噪声)作为输入纹理，每个像素的输出纹理值均通过线积分卷积得到：首先基于该像素沿矢量正、反方向对称生成长度为L的积分流线，流线上所有像素对应的输入噪声值按滤波卷积核(Convolution Kernel)参与卷积，结果作为输出纹理的像素值。其积分过程表示如下： 其中 为归一化的参数，T为白噪声， 是通过X0的流线，k(S)为滤波器，滤波器的长度为L。 进一步通过离散采样得到简化的LIC算法表达式： T(Xi)是流线上每一个离散点的噪声纹理数值，n为离散点的个数。 上图所示中(a)(b)分别为不同场景中连续的两帧图像，(c)图为LIC实验结果 汇 报 提 纲 1 1 1 3 1 2 1 4 研究背景、目的及意义 光流场的运动检测 流体特征描述 人群密度估计 流体力学熵表达及异常行为自动识别 1 5 估计人群数目 灰度熵介绍 经过LIC处理之后得到运动图像的线积分卷积表达结果，进一步考虑到灰度熵能够很好的反映出像素灰度级之间的差异，并且具有很好的旋转不变性及抗失