人群行为分析--Understanding Pedestrian Behaviors from Stationary Crowd Groups

Understanding Pedestrian Behaviors from Stationary Crowd Groups CVPR2015

本文主要探讨 静态人群对行人行为的影响 人群行为的建模以前主要考虑的因素有:scene layout (e.g. entrances, exits, walls, and obstacles), pedestrian beliefs (the choice of source and destination), and interactions with other moving pedestrians

但是 静态人群 stationary crowd groups 没有被考虑,这里我们将其纳入到我们的人群行为分析的模型中。

从上图我们可以看出 stationary crowd groups 对每个行人的影响不一样。对于离开或加入某一个静态人群的,它可以看作始发地或目的地,对于路过静态人群的人来说,它是一个障碍物。但是它和真正的障碍物 scene obstacles,因为 静态人群是可以被穿过的,而 scene obstacles 是不能被穿过的。再就是静态人群随着时间的变化可能是变化的,而 scene obstacles 是不会变化的。

3 Pedestrian Behavior Modeling 行人路径的选择有点类似于水流。一个人一般情况下会选择最便捷和有效的路径达到目的地。基于这个假设,一个广义的场景能量图 M 用于建模 场景中每个位置路过的难度。能量值高的区域对应容易穿过的地方。更多的行人倾向于选择这样的地方穿过。能量值低的地方对应人出现的概率低。这些地方不利于人的经过。

在我们的模型中,我们考虑三个因素: scene layout, moving pedestrians, and stationary groups,不同的因素对行人路径的选择影响也不一样。对于每个因素的权值我们通过从训练数据中学习得到。

考虑到每个行人喜好不同,我们设置了一个参数 a personality parameter P,Personalized energy maps 个人能量图 M_P 基于 广义能量图 W和个人喜好参数 P 来生成。

3.1. General energy map modeling

Θ = [θ1 ,θ2 ,θ3 ,θ4 ]T 表示每个因素的权重。 Scene Layout, Moving Pedestrians, and Stationary Groups. These channels are represented by f_SL , f_MP , and f_SG

3.2. Scene layout factor 行人的行为是都到场景布局的约束的。人不能出现在某些地方,如 walls and other static obstacles,同时人也倾向于远离这些 障碍物。这里我们用下面的公式对其建模:

where SL is a set of locations occupied by scene obstacles which are unreachable。 d 1 (x,SL) = min y∈SL ||x − y|| measures the distance from the current location x to its nearest scene obstacle location y, and θ1 is a parameter indicating the influence bandwidth (which also can be viewed as the importance) of the scene layout term

3.3. Influence of moving pedestrians 其他运动行人的影响是另一个需要考虑的因素,一般我们倾向于选择与其他人保持一定的距离,所以一般不会选择已经有人的地方作为我们经过的地方。

where MP_i (i ∈ [1,m]) is the i th moving pedestrian

3.4. Influence of stationary crowd groups 这里我们从两个角度对 stationary crowd groups 进行建模,一个是将 stationary crowd groups 当做障碍物,有的人选择绕过, The group has a repulsive force around the group region to keep moving pedestrians away,第二个角度就是有人选择穿过这个 stationary crowd groups,there should be a penalty inside the group region,这一点是和障碍物最大的不同之处。

d3 (x,SG i ) = min y∈SG i ||x − y|| measures the distance from x to the stationary crowd group region SG d4 (SG i ) ∈ (0,+∞) is used to measure the sparsity of stationary crowd group region SG

3.5. Personalized energy map modeling a personality parameter P

3.6. Path generation 行人路径的选择,这里我们使用 Fast Marching 算法来计算得到

3.7. Model learning model parameters can be optimized by maximizing likelihood on the training data

4 Pedestrian walking route dataset 这里我们搞了一个人群移动轨迹数据库,人工标记了一个小时的视频。

我们学习到的不同因素影响权重

5 Applications 有了这个能量图,我们可以干什么了? 5.1. Prediction on pedestrian walking paths

5.2. Prediction of pedestrian destinations

5.3. Personality attribute estimation 根据人的行为可以分为三类 aggressive, conservative, and abnormal

5.5. Abnormal behavior detection 预测到的和观察到的很不一样,我们认为是异常情况

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

来自专栏量子位

论文自动转代码!IBM印度大三实习生搞了个神奇研究(已中AAAI)

李林 岳排槐 发自 凹非寺 量子位 出品 | 公众号 QbitAI 深度学习的论文越来越多了~ 多到什么程度?Google scholar的数据显示,2016年...

3328
来自专栏新智元

腾讯AI Lab正式开源业内最大规模多标签图像数据集(附Github开源地址)

10月17日,腾讯AI Lab在深圳宣布正式开源“Tencent ML-Images”项目,该项目由多标签图像数据集ML-Images,以及业内目前同类深度学习...

823
来自专栏企鹅号快讯

看可口可乐如何玩转TensorFlow

“ 随着人工智能的高速发展,开发者们对于能够应对产品多样化挑战的学习框架TensorFlow,也有着很高的热情。除了各类科技产品,零售行业也同样将TensorF...

20810
来自专栏量子位

史上最强GAN:训练费10万起,现在免费体验,画风鬼畜又逼真

9月底轰动业界的史上最强GAN,也就是最高动用512个TPU训练的BigGAN,Demo已经正式放出!

1143
来自专栏机器之心

哪款安卓手机适合跑AI?移动端芯片性能评测论文出炉

论文:AI Benchmark: Running Deep Neural Networks on Android Smartphones

3154
来自专栏数据派THU

哪款安卓手机适合跑AI?移动端芯片性能评测论文出炉

苏黎世联邦理工学院曾经开发了一款 AI Benchmark 应用,用于测试不同安卓设备和芯片的深度学习性能。近期,他们联合谷歌、高通、华为、联发科以及 Arm ...

933
来自专栏杨熹的专栏

深度学习的主要应用举例

参考资料 ? 最喜欢圆,尤其如此灵动 今天简单说一下 Deep Leaning 在各领域应用的几个例子,可以轻松地看一下它是怎么用在 Computer Visi...

3706
来自专栏机器学习算法与Python学习

2017年度盘点:Github上十大有趣的机器学习项目(文末有惊喜......)

关键字全网搜索最新排名 【机器学习算法】:排名第一 【机器学习】:排名第一 【Python】:排名第三 【算法】:排名第四 目录: AlphaZero-Gomo...

5516
来自专栏智能计算时代

21个经典数据科学面试题及答案(上)

本文翻译自kdnuggets网站热文 21 Must-Know Data Science Interview Questions and Answers 本篇...

2643
来自专栏深度学习与数据挖掘实战

【AI头条优质资源】从Facebook AI Research开源fastText谈起文本分类:词向量模性、深度表征和全连接

作为这个产品技术团队之一,简单说下这个过程: 1,按类目特征,拉取这个类目下的评论,进行分词,统计词频; 2,对词进行聚类,包含常用的LDA,结合本体库,将词进...

933

扫码关注云+社区