文档介绍：独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知,除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的研究成果,也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。
作者签名: 日期: 年 月 日
论文使用授权
本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定,有权保留并向国家有关部门或机构送交论文的复印件和磁盘, 允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索,可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。
(保密的学位论文在解密后应遵守此规定) 作者签名: 导师签名:
日期: 年 月 日
摘 要
目前,行人群体行为分析与识别的研究主要集中于多目标检测与跟踪、路径分析(Trajectories Analysis,简称 TA)、行人区域密集性分析(Dense Regions Analysis of Pedestrians,简称 DRAP)等热点问题。本文基于 P. F. Felzenszwalb 提出的 Mixtures of multiscale Deformable Part Models(简称 MDPM)行人检测算法及本文所提出的行人检测算法,重点优化改进了多目标的跟踪和分析方法,提出了一种用于多目标跟踪的特征描述新方法,该方法能显著提升行人的群体跟踪性能。并将行人的群体跟踪结果用于行人路径和行人区域密集性分析,有助于广场、大厦、地铁、机场等密集人群行为分析、预测、预警等。本文主要研究内容如下:
1)提出了局部二值模式(Local Binary Patterns,简称 LBP)纹理特征和梯度特征(Histograms of Oriented Gradients,简称 HOG)融合的纹理梯度特征 HOLB 提取方法,并提出了基于 HOLB 特征的自适应增强(Adaptive Boosting ,简称 AdaBoost)行人头部检测算法(HOLB Adaptive Boosting,简称 HLAB)。
2)提出了 LBP 纹理相似度特征和距离度量特征融合的纹理距离特征(LBP Similarity and Euclidean Distance based fusion feature,简称 LSED)提取方法,并提出了基于 LSED 特征的最少费用流(Minimum Cost Flow,简称 MCF)新模型(LSED based MCF Model,简称 LMM),用于行人群体的跟踪。该模型以相邻两帧为单位进行建模,两帧中的行人作为结点,计算两帧之间每对行人的覆盖率,若超过阈值,则在模型中连接对应的结点,以相应的 LSED 特征为费用(Cost),设置该模型中边的容量(Capacity),形成相邻两帧的模型。在视频中依次以相邻两帧建模形成 LMM 模型。实验证明该模型在行人群体跟踪中发生编号变化(ID Switch, 简称 IDS)的次数较少,且跟踪结果中包含完整的检测信息。
3)基于 LMM 对行人的跟踪结果,进一步分析行人群体行为,主要包括:路径分析和行人区域密集性分析。TA 主要分析路径片段的整体分布情况及产生片段的原因。DRAP 统计每个行人周边指定半径内的行人数,作为相应位置的行人密集度, 形成行人区域密集性分布图。实验证明 TA 能直观的反映出跟踪结果中所存在的问题,DRAP 能直观的反映出行人分布的密集区域。
最终本文提出了基于 HLAB 的 LMM、TA、DRAP 相结合的新算法(LMM with TA and DRAP,简称 LMTDR),用于行人群体行为分析与识别。
关键词:多目标检测与跟踪,HLAB,LMTDR,路径分析,行人区域密集性分析
ABSTRACT
At present, the pedestrian crowd behavior Analysis and recognition research mainly focused on the Multi-Target Detection and Tracking (MTDT), Trajectories Analysis (TA), Dense Regions Analysis of Pedestrians (DRAP), etc. This thesis is based on P. F. Felzenszwalb proposed pedestrian detection algorithm named Mixtures of multiscale Deformable Part Mo