人群行为识别研究

简述

整理下学生阶段（2016年-2019年）做的算法研究

内容

研究背景

近年来，随着人们生活水平的提高，人口流动大、人群聚集频繁等人群活动现象越来越普遍，给社会带来更多的安全隐患。人群聚集的场景可能会引起人群拥挤、甚至是人群踩踏现象，引发不必要的安全事故，所以，合理地应用人群行为分析能够产生积极的影响，特别是在城市安全与公共场所管理方面。

在该研究方向上有两类不同的人群行为分析方法，一类是利用传统方法来分析人群状态，另一类是利用神经网络来学习人群特征。传统方法中是利用四种人群属性来描述人群状态，集体性是个体跟随群体的程度，稳定性是一定时间内群体维持内部结构的程度，一致性是群体空间分布的一致程度，对抗性是群体之间的交叉程度。在神经网络中主要是三种网络结构，3dcnn是将2d输入扩展为3d输入，以此来学习人群的运动特征。双流cnn是结合时间流与空间流来学习人群特征。切片cnn是将3d输入沿三个维度方向切片，学习不同维度上的人群特征。

算法简介

人群是个体与群体的结合，人群行为主要表现在它的外表信息与运动信息，外表信息反映在人群的初始状态，运动信息反映在人群的变化状态，通过这两种状态体现人群行为的变化趋势，从而分析人群的整体状态。

下图是算法的流程图，将数据预处理，再作为神经网络的输入，人群信息的提取就是数据的预处理，神经网络模型是基于alexnet的双通道模型，将两个通道上最后一层卷积的特征图进行特征拼接。

人群信息包含静态信息与动态信息，静态信息体现在人群的空间模块，就是人群的空间分布，反映了人群某一时刻的人群状态；动态信息体现在人群的时间模块，就是人群的时间变化，反映了人群时间段内的人群变化。

通过双通道模型的建立，将静态信息与动态信息的特征进行融合，共同学习人群行为的特征。