公共场所中的群体聚集性发现与演化分析

Analysis of crowd group behavior in public complex place is the most concern issue in public security management. However, the crowd behavior in public open area is complex. Crowd behavior is various in different scenarios, thus it is difficult to model them directly. Our previous research found that the crowd behavior can be described by crowd collectiveness when the public safety is considered. The crowd behavior differences in different scenarios and the difficult problems in unified modeling can be resolved by extracting the general crowd collectiveness. We regard the crowd system in public place as a complex system. From the perspective of visual data observation, we investigate the methods to mining and discover the universal crowd collectiveness in public complex place. In addition, we analyze the evolution of the crowd collectiveness, which present the generation mechanism of crowd event and abnormal behaviors. According to this idea, we defined four collectiveness that can be quantitatively descripted and measured: dynamic crowd collectiveness, static crowd collectiveness, conflictive-ness in crowd collectiveness, and stability in crowd collectiveness. The collectiveness is measured by the new graph-based learning method. Robust collectiveness map is generated by multi-view learning method. By analyzing the changes of crowd collectiveness in the timeline, the occurrence and evolution of crowd collectiveness event can be represented in spatio-temporal dimension. By analyzing the evolution of crowd collectiveness, we also research the problem of exploring abnormal crowd collectiveness motion and the recognition problem of different crowd collectiveness motions.

公共场所中的群体行为分析是公共安全管理最为关注的问题。但是公共开放区域中的人群密集、行为复杂，不同场所的群体行为方式也不同，难以直接对群体行为进行建模。我们的前期研究发现，涉及到公共安全的群体行为可以用群体聚集性来描述，不同场景的群体行为差异和难以统一建模的问题可以通过提取共性的群体聚集性来解决。我们把公共场所中的人群系统看成是一个复杂系统，根据视觉监控数据，发现和挖掘各种公共场所具有的共性群体聚集性，并分析群体聚集性的演化规律，反映出群体事件和群体不安全行为的产生机理。据此设想，我们定义了四种可定量描述和计算的聚集性：动态人群聚集性、静态组聚集性、聚集人群冲突性和聚集人群稳定性。通过基于图的学习方法，计算群体聚集性；通过群组划分和多视图学习生成场景聚集图，并在空间和时间维度上，定量表示群体事件的发生和演化；利用群体和聚集性演化特点，发现和检测出异常的群体聚集行为。

公共场所中的群体行为分析是公共安全管理最为关注的问题。但是公共开放区域中的人群密集、行为复杂，不同场所的群体行为方式也不同，难以用传统的目标检测方法进行分析。我们研究发现，涉及到公共安全的群体行为可以用群体聚集性及其演化来描述。我们采用新的深度学习的方法对群体聚集性进行分析，根据视觉监控数据，发现和挖掘公共场所人群聚集性，并分析群体聚集性的演化规律，反映出群体事件和群体不安全行为机理。我们开展了以下五个方面的研究工作并取得相应有效的研究结果：（1）公共场景中的群体目标密度表征及其目标行为识别。用深度学习获得群体密度图及其群体和个体行为特征的描述，提出了基于视频场景的连续动作识别算法，能够识别个体的10种行为模式，平均识别准确率达到89.2%。（2）基于深度学习的群体聚集性发现。提出了5种群体密度估计及群体计数算法，获得了群体密度图及其场景中的群体数目，在业内公认的数据集上具有领先的实验结果：在UCSD提供的校园场景（100人以内）中，群体计数达到平均绝对误差低至1.06人；在具有固定拍摄视角和固定分辨率的商场数据集中，平均绝对误差仅1.16人；在世展场景数据集中，具有五个不同的拍摄视角而且存在遮挡的问题，平均绝对误差为3人以下。（3）群体聚集场景划分。提出了群体聚类及其划分算法，获得了场景中的群体聚集分组，聚合度真实值与计算的聚合度之间的线性相关系数达到0.92。（4）群体聚集性演化分析。提出了群体聚集度计算及其演化模式时序聚类算法，获得了群体演化的5种聚集演化模式。（5）基于群体计数的视频场景群体估计应用。基于群体计数算法，进一步探索了无人机进行群体估计（兵力估计）的应用。我们把公共场所中的人群系统看成是一个复杂系统根据视觉监控数据，发现和挖掘各种公共场所具有的共性群体聚集性，并揭示出群体聚集性的演化规律，反映出了群体事件和群体不安全行为的产生机理。