Phát hiện và phân tích hành vi đám đông

##plugins.themes.academic_pro.article.main##

Author

  • Trương Công Dung Nghi*; Chế Viết Nhật Anh

Từ khóa:

phát hiện chuyển động
dòng quang học
phân loại một lớp
không gian đa tạp
phân tích hành vi đám đông

Tóm tắt

Nghiên cứu trình bày trong bài báo này liên quan đến bài toán phát hiện và phân tích chuyển động của đám đông. Hệ thống đề xuất bao gồm ba bước xử lý chính. Đầu tiên, hệ thống thực hiện việc ước lượng chuyển động của các cá thể trong đám đông dựa vào việc phân tích dòng quang học. Một giải thuật đặc biệt sau đó được đề xuất nhằm phân tích độ tương đồng trong chuyển động của đám đông. Cuối cùng, hệ thống thực hiện việc ước lượng ma trận đánh dấu vùng chuyển động nổi bật trong đám đông dựa trên nguyên lý của giải thuật phân loại một lớp thực hiện trong không gian đa tạp. Hệ thống đề xuất được kiểm nghiệm trên các video giám sát thu được từ nhiều nguồn với nhiều tình huống phức tạp khác nhau. Kết quả thực nghiệm cho thấy hiệu quả của hệ thống đề xuất.

Tài liệu tham khảo

    [1] C. Tomasi and T. Kanade, “Detection and tracking of point features”, International Journal of Computer Vision, CiteSeer, 1991.
    [2] B. Zhan, D. Monekosso, P. Remagnino, S. Velastin, and L.Q. Xu, “Crowd analysis: A survey”, Machine Vision and Applications, Vol. 19, No. 5-6, 2008, pp. 345–357.
    [3] O. Arandjelovic, Crowd detection from still images, in Proceedings of the British Machine Vision Association Conference, 2008, pp. 1–10.
    [4] S. Ghidoni, G. Cielniak, and E. Menegatti, “Texture-based crowd detection and localisation”, Intelligent Autonomous Systems, Springer, 2013, pp. 725–736.
    [5] X. Wu, G. Liang, K. Lee, and Y. Xu, Crowd density estimation using texture analysis and learning, in IEEE International Conference on Robotics and Biomimetics, 2006, pp. 214–219.
    [6] Z. Wang, H. Liu, Y. Qian, and T. Xu, Crowd density estimation based on local binary pattern co-occurrence matrix, in IEEE International Conference on Multimedia and Expo Workshops, 2012, pp. 372–377.
    [7] R. Mehran, A. Oyama, and M. Shah, Abnormal crowd behavior detection using social force model, in IEEE Conference on Computer Vision and Pattern Recognition, 2009, pp. 935–942.
    [8] L. Kratz and K. Nishino, Anomaly detection in extremely crowded scenes using spatio-temporal motion pattern models, in IEEE Conference on Computer Vision and Pattern Recognition, 2009, pp. 1446– 1453.
    [9] V. Mahadevan, W. Li, V. Bhalodia, and N. Vasconcelos, Anomaly detection in crowded scenes, in IEEE Conference on Computer Vision and Pattern Recognition, 2010, pp. 1975–1981.
    [10] M. Butenuth, F. Burkert, F. Schmidt, S. Hinz, D. Hartmann, A. Kneidl, A. Borrmann, and B. Sirmacek, Integrating pedestrian simulation, tracking and event detection for crowd analysis, in IEEE International Conference on Computer Vision Workshops, 2011, pp. 150–157.
    [11] B. Zhou, X. Tang, H. Zhang, and X. Wang, “Measuring crowd collectiveness”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 36, No. 8, 2014, pp. 1586–1599.
    [12] B. Zhou, X. Tang, and X. Wang, “Learning collective crowd behaviors with dynamic pedestrian-agents”, International Journal of Computer Vision, Vol. 111, No. 1, 2015, pp. 50–68.
    [13] D. Sugimura, K. Kitani, T. Okabe, Y. Sato, and A. Sugimoto, Using individuality to track individuals: Clustering individual trajectories in crowds using local appearance and frequency trait, in International Conference on Computer Vision, 2009, pp. 1467–1474.
    [14] H. Idrees, N. Warner, and M. Shah, “Tracking in dense crowds using prominence and neighborhood motion concurrence”, Image and Vision Computing, Vol. 32, No. 1, 2014, pp. 14–26.
    [15] T. Ko, S. Soatto and D. Estrin, Background subtraction on distributions, in Proceedings of the 10th European Conference on Computer Vision (ECCV), 2008.
    [16] D.N. Truong Cong, L. Khoudour, C. Achard, and A. Flancquart, Adaptive model for object detection in noisy and fast-varying environment, in International Conference on Image Analysis and Processing, 2011, pp. 68–77.
    [17] D. Zhou, J. Weston, A. Gretton, O. Bousquet, and B. Scholkopf, Ranking on data manifolds, in NIPS, Vol. 3, 2003.
    [18] B. Scholkopf, J. C. Platt, J. Shawe-Taylor, A. J. Smola, and R. C. Williamson, “Estimating the support of a high-dimensional distribu- tion”, Neural Computation, Vol. 13, No. 7, 2001, pp. 1443–1471.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Nov 30, 2017
Download
PDF
Cách trích dẫn
Truong Cong Dung Nghi, Che Viet Nhat Anh. “Phát hiện Và phân tích hành Vi đám đông”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 11, số p.h 120.1, Tháng Mười-Một 2017, tr 118-22, https://jst-ud.vn/jst-ud/article/view/58.

##plugins.themes.academic_pro.article.details##