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AI研习社

最值得收藏的机器学习入门方法,今天统统分享给你

一说到机器学习,我被问得最多的问题是:给那些开始学习机器学习的人的最好的建议是什么?

862
来自专栏人工智能头条

Bandit算法与推荐系统

1952
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...

5046
来自专栏月色的自留地

NMF学习练习:做电影推荐

1733
来自专栏大数据挖掘DT机器学习

基于微软案例数据库数据挖掘知识点总结(Microsoft Naive Bayes 算法)

本篇文章主要是继续上两篇Microsoft决策树分析算法和Microsoft聚类分析算法后,采用另外更为简单一种分析算法对目标顾客群体的挖掘,同样的利用微软案例...

34910
来自专栏AI科技评论

视频 | 英特尔实验室让 AI 在伸手不见五指的夜里也能拍出精彩照片

本文为雷锋字幕组编译的技术博客,原标题 AI is Taking Low-Light Photography to the Next Level,作者为 MIC...

832
来自专栏AI科技评论

多图见证模拟机器人的逆天成长:论进化策略在强化学习中的应用

AI 科技评论按:本文是 otoro.net 的系列技术博客之一,以通俗可视化的方法讲解了进化策略(Evolution Strategies)中的诸多概念。本篇...

36910
来自专栏量子位

AI玩微信跳一跳的正确姿势:跳一跳Auto-Jump算法详解

作者:肖泰洪 安捷 北京大学 | 数学科学学院研究生 量子位 已获授权编辑发布 转载请联系原作者 ? 最近,微信小游戏跳一跳可以说是火遍了全国,从小孩子到大孩子...

3345
来自专栏机器之心

2017年,机器之心贡献过的开源项目

2445
来自专栏大数据文摘

利用Python进行深度学习的完整入门指南(附资源)

1536

扫码关注云+社区