基于人数与局部运动的人群属性推演及安全状态预评估

Crowd analysis is a hot topic in the field of video surveillance. Current video monitoring system can only alarm the abnormal crowd behavior when the event has been already underway because of the complexity and unexpected of crowd behavior. However, to evaluate the crowd safety before the abnormal behavior occurs will be more valuable. The happen of abnormal crowd events often accompanied by the changes of the size and movement pattern of a crowd. Therefore, this proposal aims to explore the relationship between the attributes and the safety situation of a crowd. Based on this relationship a crowd attributes deduction and safety state pre-evaluation method is proposed in this project using the number of pedestrians and local motion. The main contents are as follows: (1) crowd segmentation and counting: exploring the texture expression of crowd motion based on the Image based Flow Visualization method, detecting the moving pedestrians by the segmentation of texture image, and extracting the image and viscosity characteristics which can be used to describe the number of pedestrians to estimate this number in the scene using neural network; (2) local motion structure extraction: extracting the typical and atypical topological structure of local regions of a crowd based on the physical properties, constructing the complex network model to describe the relationship between two particles in a local region, expression the different crowd movement patterns using the characteristics of complex network; (3) fuzzy decision of crowd safety: exploring the relationship between the characteristics and the safety situation of a crowd, constructing the deduction rules between the crowd attribute and the safety situation. Finally, a method to evaluate the safety state of a crowd before the abnormal event happened can be achieved by the proposed method.

人群分析是视频监控领域的热门问题，人群行为的复杂性和突发性使当前的视频监控系统仅能对已发生的异常进行报警，然而，在未发生异常前就对人群安全状态进行预评估将更有价值。人群异常事件的发生常伴随着人数及运动形态的变化，故此，本项目拟探究人群属性与安全状态间的关系，提出利用人数与局部运动进行人群属性推演和安全状态预评估的方法，主要内容包括：(1)人群分割与计数：探索基于图像流场可视化方法的人群运动纹理表达，通过纹理分割算法检测运动行人，进而抽取可描述人群人数的图像与流体粘滞性特征，利用神经网络估计场景中的人数；(2)局部运动结构抽取：探究基于物理特性的流场典型与非典型拓扑结构的抽取方式，构建描述粒子间关联的复杂网络模型，利用网络参数表征不同人群运动形态；(3)安全状态模糊决策：探索人群特征与安全状态间的相互关系，构建人群属性与安全状态间的推演方式，最终实现异常事件未发生前的人群安全状态等级评估。

本项目主要围绕视频监控场景下人群属性推演及安全状态评估的有关问题展开研究。针对光流矢量场在表达人群运动方面的缺陷问题，探索流线在表征人群运动流场形态时所能揭示的物理规律，利用流线表达结合纹理综合的技术，将运动人群和背景分离，在此基础上进一步检测一致性运动小组，并抽取图像、流体动力学、能量等特征检测人群场景的恐慌及异常行为。在人群计数方面，由于人群密度变化与流体粘滞性等特性之间存在一定的关联，课题组针对图像外观特性与流体力特征相结合的人群计数方法开展了研究，通过计算前景面积、周长和边缘长度计算图像外观特征，将重力、惯性力、压力和粘性力作为流体特征，对监控场景中不同方向的运动行人数量进行了估计。针对人群局部运动结构检测问题，利用复杂网络表征个体间相互关联，体现了人群运动场中各粒子间的相互作用，利用流场中各粒子的速度、位置、方向等动力学特性来探索粒子间的相互影响规律，将各粒子视为节点，利用粒子间速度矢量的夹角、排斥力等来判断粒子间是否有边连接，以及所连接边的权重，抽取网络的节点强度等参数来区分人群运动，来检测人群局部运动结构。针对人群安全状态评估问题，构建了基于模糊推理的人群安全评价方法，探索人群属性与人群安全状态间的映射规律，考量了人数和分布均匀性二种属性，利用分布熵来描述人群分布的均匀性，并将人群属性作为推理系统的输入，构建各特性综合作用下的人群安全不确定性的推理机制，从而获取人群安全的输出。为了在后续的研究中使用分数阶理论开展人群运动仿真和行为分析，对分数阶理论开展了研究，以系统辨识为切入点，将基于混合函数积分运算矩阵的方法用于非成比例分数阶系统系数和微分阶次的辨识，选择Bernoulli多项式函数构造混合函数来提高系统辨识的性能。在基金的资助下，已发表学术论文16篇（含录用或在线发表），其中14篇发表在国内外学术期刊上，并授权发明专利3项。