第三章 基于自组织映射网络的行为分析.docVIP

第三章 基于自组织映射网络的行为分析 本章主要介绍基于自组织映射神经网络的运动目标行为分析，首先简要介绍运动目标行为分析的基本知识，然后对自组织映射网络的相关知识镜像简要介绍，最后研究讨论了基于自映射网络的运动目标行为表示方法的基础上，提出了一种使用预测信息的表示方法，从而解决如何建立运动目标前后运动之间的相关性这一问题提供了一条新的途径。 3.1 引言 通过运动目标检测可以得到运动目标本身的图像特征，通过运动目标跟踪，可以得到运动目标在序列图像中的2—D坐标位置——运动目标的轨迹，进而可以得到目标的其他运动特征如速度、加速度。将目标的运动特征与其本身的一些特征相结合，就可以表示运动目标的行为，从而为运动目标的行为分析提供了数据来源。 所谓运动目标的行为分析，就是研究如何根据目标已有的图像信息、运动信息来解释、描述其运动行为，分析判断该行为在当前监控场景中是否异常，甚至预测其将来的运动趋势，从而使监控系统具有智能决策的能力，进而提高系统的智能性。其研究内容包括运动目标行为的表示、运动目标行为模型的建立和如何使用行为模型进行行为监控三方面。其中运动目标的行为表示和行为模型酌建立是行为监控的基础，以下将对这两方面的工作进行详细的介绍。 （1）运动目标的行为表征 这方面的研究主要是解决运动目标的行为表示，即使用运动目标的哪些特征能够较全面地表示出运动且标的行为，包括对目标即时运动行为的表示和整体运动行为的表示。文献【4,39,37】首先使用一个流向量(Flow vcdor），通常由运动目标的位置、速度信息联合组成)来表示运动目标的即时行为，然后使用序列流向量表示运动目标的整体行为；但是文献【47】在流向量的表示上添加了加速度、曲率等运动特征；文献【4】在对运动目标整体行为表示时，增加了运动目标的大小这一目标本身的特征。这些改进都使得对目标行为的表示更加准确。文献【3】并不考虑运动目标整体行为的表示，而是在流向量的表示上除了使用目标的运动特征(位置、速度，加速度)外，增加了时间平滑硬，以此来体现目标前后运动之间相关性。 (2)运动目标行为模型的建立 这方面的研究主要是考虑通过哪种方法来建立监控场景中运动目标的行为模型，即如何能够从目标的同类行为样本中提取其区jj!l于其他类行为的共同点，解决这一问题的方法主要有两类：统计分析和机器学习的方法。这两类方法的区别在于：大多数的统计分析技术都是基于完善的数学推理和高超的技巧，对样本模式挖掘的准确度是令人满意的，但是对使用者及样本的要求比较高；机器学习方法是对统计分析理论的延伸、扩展，它利用人工智能和统计分析的数据处理能力，通过某种方法使系统的性能随着经验的增加而增加，其推理规则相对简单，从而降低了对使用者及样本的要求，是一种很好的行为模型获取方法。而目前行为分析方法研究的主流思想就是如何通过各种机器学习方法，如神经网络、贝叶斯网络和决策树等，建立运动目标的行为模型，进而能够根据学习好的行为模型进行场景分析。 目前已有的使用机器学习方法构建运动目标行为模型的研究主要有以下两种方法： 一是研究如何只使用常见的正常样本或是在只有少量异常(罕见)行为的训练样本情况下来构建某一监控场景中运动目标的行为模型。这种方法首先选择某一固定场景(如机场、地铁等)，然后使用大量的训练样本学习该场景中运动目标的行为模型。文献【42】就是进行这方面研究的，即建立某一固定场景中正常行为的行为模式，然后通过将监控场景中的行为与正常行为模式比较来判断该行为异常与否。 二是在已知监控场景中静止物体分布的先验知识的情况下，研究如何分析判断监控场景中运动目标与运动目标及运动目标与场景中静止物体的交互行为。这方面的研究首先根据已知的场景中静态物体的分布情况，得出一些对运动目标行为的约束，也就是说要求预先定义好监控场景中所有的行为模式，然后通过机器学习方法得到精确的行为模式，最后通过将运动目标实际的行为与学习好的行为模式比对来分析判断运动目标的行为。文献【44】就是进行了相关的研究。 此外还有一些研究方法，这种方法通过分析已有的大量训练样本，确定场景的相关知识，(主要是道路的分布情况)，建立场景模型，然后通过场景模型来建立运动目标的行为约束，从而在此基础上完成对运动目标行为的识别【45】【46】。 比较上述方法，第一种方法要求大量的训练样本(通常为正常行为样本)，但是对监控场景的先验知识要求较少。其他的研究方法都是在研究场景中静止物体分布的基础上进行行为分析的，因此易受监控场景的约束。本文主要是针对第一类方法所解决的问题，提出采用自组织映射神经网络实现运动目标的行为分析。 人工神经网