文獻標(biāo)識碼： A
文章編號： 0258-7998(2012)04-0123-03
隨著多媒體和網(wǎng)絡(luò)技術(shù)的發(fā)展，視頻監(jiān)控系統(tǒng)日益普及。如何進一步對視頻內(nèi)容進行智能化分析已成為人們的研究熱點。因此，基于視頻分析的運動物體行為理解與目標(biāo)異常檢測受到了眾多研究學(xué)者廣泛的關(guān)注，尤其是針對密集場景中的人群行為的分析，有助于制定人群管理策略，避免人群過度擁擠、維護人身安全，及應(yīng)對突發(fā)事件。Brendan[1]提出了基于學(xué)習(xí)運動軌跡內(nèi)在重復(fù)結(jié)構(gòu)的實時視頻行為理解框架，用于維護公共場所人群的管理監(jiān)控。
目前，密集場景中主流運動模式的獲取大多采用軌跡聚類方式。如Khalid 和Naftel [2]采用時間序列模型應(yīng)用到運動物體軌跡聚類和模式識別中，把高維的軌跡數(shù)據(jù)投影到合適的低維系數(shù)空間中再進行軌跡聚類。Zeppelzauer[3]等提出的軌跡聚類方法直接通過反復(fù)迭代的方式聚類整個運動軌跡。然而Bashir認(rèn)為需要在軌跡聚類前有必要把軌跡分裂成子軌跡再分別聚類[4]。Atev[5]結(jié)合基于霍夫聚類軌跡聚類和頻譜聚類的優(yōu)勢，提出了一種車輛運動軌跡自動聚類算法，Antonini和Thiran[6]指出把運動軌跡進行獨立成分分析之后產(chǎn)生的運動描述比最初的時間序列描述更有效。與Cheryiyadat[7]的軌跡聚類方式不同，本文的聚類方式不需要利用光流信息來跟蹤特征點,目標(biāo)是檢測群體主流運動而非個體的運動，不需要合并或者預(yù)處理這些點軌跡。使用一種比光流更為魯棒性的長距離運動估計——粒子視頻算法來獲取復(fù)雜場景中的長距離運動軌跡[8]。粒子視頻算法利用一個結(jié)合粒子外觀匹配一致性和粒子間形變的能量函數(shù)來優(yōu)化運動場景中的粒子軌跡，從而避免了長周期運動引起的運動漂移。
式中Z代表總的粒子軌跡數(shù)目。本文的目標(biāo)就是聚類這些運動軌跡生成主流運動模式。其中軌跡的長短對應(yīng)該粒子被持續(xù)跟蹤的時間，把這些粒子軌跡作為輸入，利用基于最長共同子序列的算法進行軌跡聚類，得到主流運動。其基本流程如圖1所示。
本文提出了一種通過聚類低層次的粒子軌跡來自動識別人群中主流運動的算法，采用一種長周期魯棒性的運動估計方法從密集人群場景中得到的粒子軌跡總是片段的，而利用最長共同子序列聚類軌跡，得到運動的主流方向。實驗結(jié)果表明，提出的聚類算法可以通過聚類這些片段粒子軌跡來識別人群中的主流。聚類得到的主流運動軌跡可以作為長周期運動目標(biāo)的語義表示。
參考文獻
[1] MORRIS B T, TRIVEDI M M. Trajectory learning for activity understanding: unsupervised, multilevel, and long-term adaptive approach[J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2011,33(11):2287-2301.
[2] KHALID S, NAFTEL A. Classifying spatiotemporal object trajectories using unsupervised learning in the coefficient feature space[J].Multimedia Systems, 2006,12(3):227-238.
[3] ZEPPELZAUER M, ZAHARIEVA M, MITROVIC D, et al. A novel trajectory clustering approach for motion segmentation[C]. In Proceedings of IEEE Multimedia Modeling Conference,2010:433-443.
[4] BASHIR F I, KHOKHAR A A, SCHONFELD D. Realtime motion trajectory-based indexing and retrieval of video sequences[J]. IEEE Trans. on Multimedia, 2007,9(1): 58-65.
[5] ATEV S, MILLER G, PAPANIKOLOPOULOS N P. Clustering of vehicle trajectories[J]. IEEE Trans.on Intelligent Transportation Systems, 2010,11(3):647-657.
[6] ANTONINI G, THIRAN J P. Counting pedestrians in video sequences using trajectory clustering[J]. IEEE Trans. Circuits Systems Video Technol,2006,16(8):1008-1020.
[7] CHERIYADAT A, RADKE R. Detecting dominant motions in dense crowds[J]. IEEE Journal of Selected Topics in Signal Processing, 2008,2(4):568-581.
[8] SAND P, TELLER S. Particle video: long-range motion estimation using point trajectories[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, New York: IEEE Computer Society,2006:2195-2202.