人群运动--Scene-Independent Group Profiling in Crowd

Scene-Independent Group Profiling in Crowd CVPR2014 http://www.ee.cuhk.edu.hk/~jshao/CUHKcrowd.html https://github.com/amiltonwong/crowd_group_profile

crowd 由 groups 组成,这里我们对 groups 属性进行分析,提出几个可以定量分析的描述算子。 Groups are the primary entities that make up a crowd.

同类之间我们使用 collectiveness, stability, and uniformity 来描述类成员的行为 Intra-group properties, e.g. collectiveness, stability, and uniformity, denote internal coordination among members in the same group.

不同类之间我们使用 conflict 来描述类之间成员的行为 Whilst inter-group properties, e.g. conflict, reflect the external interaction between members in different groups

我们的目标是 characterize and quantify crowd 中的 groups ,对其行为进行分析,人群场景的理解。 一个 group 不仅仅是个体空间上的聚合,同时也是一个动态的单元,展示出一些类内 和类间的属性,可以用这些属性来比较不同的 crowd system

3 Profiling Group Properties 这里我们将一个 group 看作一组个体具有共同的目标和 行为的一致性, with a common goal and collective behaviors 给定一段视频,我们可以将视频中所有的 group 检测出来。 每个group 包含 一个 由 KLT特征点跟踪器检测得到的 跟踪轨迹 tracklets 集合,对于每个 检测到的 group,我们希望可以提出了一些 可视化的描述子用于表示 这个 group的相关属性

3.1. Collective Transition Prior 人群中 group 的精确检测是很有挑战性的工作。这里我们假定场景中人的运动内在属性,我们用一组有限的 Collective Transition (CT) priors 来表征 这些 priors 可以在 检测 group 的同时被发现。有了这些 priors 的约束,我们的group 检测就更 robust,同时我们也可以从这些 priors 里推导出一些 group 的属性

对于每一个 pedestrian group 都有一个特定的 CT prior,可以从视频段中被发现。对于n个跟踪轨迹 tracklets ,我们假定存在 m个 Markov chains,其中 m < n and m is inferred automatically。 每个 Markov chain 有如下形式:

其中 where the continuous observation z evolves by a transition matrix A 。 Gaussian noise v_t ∼ N (0,Q) is assumed between transition We denote Θ = {A,Q,µ,Σ} as the parameters of the chain. A represents the CT prior

下面我们来说说怎么在检测 group的同时发现这些 prior

3.2. Group Detection by Collective Transition 问题的关键是在 视频段中 找到符可以很好拟合 the discovered priors 的 pedestrian groupings The missing data of z k can be inferred with EM

3.3. Group Descriptors for Crowd Scenes

Collectiveness: 描述个体运动和群体运动的吻合度 The collectiveness property indicates the degree of individuals acting as a union in collective motion.

Stability: group 随着时间的变化 其内在拓扑结构是否保持不变, The stability property characterizes whether a group can keep internal topological structure over time. stable members tend to (1) maintain a similar set of nearest neighbors; (2) keep a consistent topological distance with its neighbors through out a clip; and (3)amember is less likely to leave its current nearest neighbor set. 定义了三个 stability descriptors

Uniformity: 个体分布的均匀性 Uniformity is an important property for characterizing homogeneity of a group in terms of spatial distribution. 这里使用图论里的 graph cut , We quantify uniformity by inferring the optimal number (c ∗ ) of graph cuts on the K-NN graph. A higher c ∗ suggest a higher degree of non-uniformity.

Conflict: group 之间的冲突性 The conflict property characterizes interaction/friction between groups when they approach each other.

4 Applications and Experimental Results

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏算法channel

机器学习期望最大算法:实例解析

交流思想,注重分析,更注重通过实例让您通俗易懂。包含但不限于:经典算法,机器学习,深度学习,LeetCode 题解,Kaggle 实战。期待您的到来! 01 —...

3417
来自专栏积累沉淀

数据挖掘算法之贝叶斯网络

贝叶斯网络 序 上上周末写完上篇朴素贝叶斯分类后,连着上了七天班,而且有四天都是晚上九点下班,一直没有多少时间学习贝叶斯网络,所以更新慢了点,利用清明节两天假期...

50310
来自专栏刘笑江的专栏

Matrix Factorization

732
来自专栏媒矿工厂

HDR关键技术:色度学,颜色空间及转换

HDR技术的第二个理论基础是色度学。从前面的文章中我们了解到,光学以及人类视觉感知模型为人类提供了解释与分析人类感知亮度的理论基础,但是HDR技术不仅仅关注于提...

641
来自专栏进击的程序猿

EM 算法的 9 重境界之第3重三个硬币GMM模型参考

之前写过一篇文章EM 算法的 9 重境界之前两重,里面讲述了em算法的过程,本文是对前一篇文章的补充。

762
来自专栏牛客网

机器学习算法面筋

蛮感谢牛客网的,拿到了些二线互联网的算法offer,待遇达到了牛客网起薪水平,哈哈,不过看到身边不少是一线互联网sp,打算蛰伏,等待机会,打个翻身战。在多说一句...

3353
来自专栏懒人开发

(8.5)James Stewart Calculus 5th Edition:Probability

微积分在随即行为分析上扮演了一个角色。 例如,某个年龄段人的胆固醇水平,成年女性随机的高度 等 这里叫做 **continuous random varia...

803
来自专栏Vamei实验室

统计02:怎样描绘数据

作者:Vamei 出处:http://www.cnblogs.com/vamei 严禁转载。

601
来自专栏程序人生 阅读快乐

[C数值算法]

本书编写了300多个实用而有效的数值算法C语言程序。其内容包括:线性方程组的求解,逆矩阵和行列式计算,多项式和有理函数的内插与外推,函数的积分和估值,特殊函数的...

322
来自专栏磐创AI技术团队的专栏

计算智能(CI)之粒子群优化算法(PSO)(一)

计算智能(ComputationalIntelligence ,CI)是以生物进化的观点认识和模拟智能。按照这一观点,智能是在生物的遗传、变异、生长以及外部环境...

4186

扫码关注云+社区