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

来自专栏新智元

【榜单】计算机科学中最重要的32个算法

【新智元导读】 奥地利符号计算研究所(Research Institute for Symbolic Computation,简称RISC)的Christoph...

3607
来自专栏数说工作室

这是一份开光的课程 |《神经网络》中文字幕版(1.3 & 1.4)

《Neutral Network for Machine Learning》(机器学习中的神经网络)系列课程,是深度学习大神 Geoffrey Hinton 毕...

2767
来自专栏WOLFRAM

Wolfram 语言的新功能:增强的求导功能

1918
来自专栏CVer

GitHub:目标检测最全论文集锦

目标检测(Object Detection)可以识别一幅图像中的多个物体,定位不同物体的同时(边界框),贴上相应的类别。简单来说,解决了what和where问题...

4182
来自专栏深度学习之tensorflow实战篇

R语言与机器学习学习笔记(分类算法

logistic回归及其MLE 当我们考虑解释变量为分类变量如考虑一个企业是否会被并购,一个企业是否会上市,你的能否考上研究生 这些问题时,考虑线性概率模型P...

3998
来自专栏个人分享

最大熵的Java实现

这是一个最大熵的简明Java实现,提供训练与预测接口。训练采用GIS训练算法,附带示例训练集。本文旨在介绍最大熵的原理、分类和实现,不涉及公式推导或其他训练算法...

913
来自专栏AI2ML人工智能to机器学习

一步一步走向锥规划 - LP

一般来说凸优化(Convex Optimization, CO)中最一般的是锥规划 (Cone Programming, CP) 问题, 前面我们介绍了最简单...

792
来自专栏大数据挖掘DT机器学习

R语言与机器学习(分类算法)logistic回归

由于我们在前面已经讨论过了神经网络的分类问题,如今再从最优化的角度来讨论logistic回归就显得有些不合适了。Logistic回归问题的最优化问题可以表述为:...

5514
来自专栏量化投资与机器学习

【年度系列】监督学习标签在股市中的应用(代码+书籍)

由于低信噪比和非平稳的价格分布,预测未来股票价格走势是一件十分困难的事。现在流行的机器学习算法通常会给你带来不怎么满意的结果。

1156
来自专栏钱塘大数据

大数据最核心的关键技术:32个算法

奥地利符号计算研究所(Research Institute for Symbolic Computation,简称RISC)的Christoph Koutsch...

3769

扫码关注云+社区