刘春霞.ppt

* a) 成对网络特征识别率 b) 成组网络特征识别率 c) 综合特征识别率 基于k-近邻分类方法的7人组人群行为的识别率 a) 成对网络特征识别率 b) 成组网络特征识别率 c) 综合特征识别率 基于支持向量机分类方法的7人组人群行为的识别率 实验结果与分析 * 8人组人群行为 a) 聚集行为 b)聊天行为 c) 分离行为 d) 徘徊行为 e) 相遇行为 f) 同行行为 表4-6 8人组视频采集及实验样本数统计表 统计项目 聚集 聊天 分离 徘徊 相遇 同行 小视频片段总数 231 136 231 187 210 190 训练样本数 155 92 155 126 140 130 测试样本数 76 44 76 61 70 60 实验结果与分析 * a) 成对网络特征识别率 b) 成组网络特征识别率 c) 综合特征识别率 基于k-近邻分类方法的8人组人群行为的识别率 a) 成对网络特征识别率 b) 成组网络特征识别率 c) 综合特征识别率 基于支持向量机分类方法的8人组人群行为的识别率 实验结果与分析 * 人群行为识别率达到80%的次数统计表 特征 聚集 聊天 分离 徘徊 相遇 同行 总数 成对网络特征 5 10 5 1 4 1 26 成组网络特征 5 4 1 0 4 0 14 综合特征 5 10 5 4 5 2 31 总数 15 24 11 5 13 3 71 2.结果分析 三种特征中综合特征的分类性能最好，其次是成对网络特征，识别率最低的是成组网络特征 支持向量机的分类效果要明显优于k-近邻的分类效果 分类效果最好的是聊天行为，其次是聚集行为、相遇行为和分离行为，最差的是徘徊行为和同行行为 该算法能够有效的识别实验中所设计的几种行为 实验结果与分析 * 结论及待研究工作 结合目标运动轨迹的微观特征，构建复杂网络，并从宏观层面分析网络的 特性，以此在宏观与微观层面搭起一个桥梁，为小规模人群行为识别提供了新的解决思路。 利用Granger因果关系检验算法度量各运动目标间的因果关联度，以此量化网络的边的权重和结构为因果复杂网络的构建提供了前提条件。 挖掘了复杂网络属性中适用于表达人群行为特征参数，并构造特征向量。 采用不同人数的几种小规模人群行为来验证本文提出的算法的正确性，并分别用两种分类算法对这些行为进行分类识别。 在下一步工作中探索更复杂的人群行为识别 优化特征，提高本方法实际应用的灵活性 提高行为识别率 1.本文所做工作 2.待研究工作 * * 基于因果复杂网络分析的小规模人群行为识别 张旭光 燕山大学电气工程学院 * 汇 报 提 纲 一、研究背景、意义及内容 二、基于Granger因果关系检验的视频行为识别 三、基于因果复杂网络模型的视频行为识别 四、实验结果与分析 五、结论及待研究工作 * 汇 报 提 纲 一、研究背景、意义及内容 二、基于Granger因果关系检验的视频行为识别 三、基于因果复杂网络模型的视频行为识别 四、实验结果与分析 五、结论及待研究工作 * 研究背景、意义及内容 1.研究背景 感知接口 其他领域 视频检索 医疗监护 视频行为识别 智能监控技术 涉及的主要学科 计算机 视觉 人工智能 图像处理 模式识别 * 2.研究现状 研究背景、意义及内容 中、小规模人群行为 2 个体（与周围物体）的行为或两个人的行为 1 大规模人群行为 3 主要难点： (1)既具有微观特征，又具有宏观 特征 (2)参与人数会发生变化 (3)目前公开的数据库很少 * 研究背景、意义及内容 视频行为分析的基本框架 * 多元信息融合 复杂行为理解 自然语义分析 与描述技术 视频行为识别 研究背景、意义及内容 3.发展趋势 * 研究背景、意义及内容 本文总体框架结构图 重点 创新点 * 汇 报 提 纲 一、研究背景、意义及内容 二、基于Granger因果关系检验的视频行为识别 三、基于因果复杂网络模型的视频行为识别 四、实验结果与分析 五、结论及待研究工作 * 基于Granger因果关系检验的视频行