Erkennung kohärenter Gruppen in Menschenansammlungen durch Multiview-Clustering

Die Erkennung kohärenter Gruppen ist grundlegend wichtig für die Analyse des Verhaltens von Menschenmengen. In den letzten Jahrzehnten wurden viele Arbeiten zu diesem Thema durchgeführt, aber die meisten von ihnen haben Einschränkungen aufgrund der unzureichenden Nutzung von Eigenschaften von Menschenmengen und der willkürlichen Verarbeitung von Individuen. In dieser Studie wird ein Parameterfreies Multiview-Framework (MPF) vorgeschlagen. Basierend auf der L1-Norm und der L2-Norm entwerfen wir zwei Versionen der Multiview-Clustering-Methode, die den Hauptbestandteil des vorgeschlagenen Frameworks darstellen. Dieses Papier präsentiert die Beiträge in drei Aspekten: (1) ein neuer struktureller Kontextdescriptor wird entworfen, um die strukturellen Eigenschaften von Individuen in Menschenansammlungen zu charakterisieren; (2) eine selbstgewichtete Multiview-Clustering-Methode wird vorgeschlagen, um Merkpunkte durch Einbeziehung ihrer Orientierung und kontextuellen Ähnlichkeiten zu clustern; und (3) ein neuartiges Framework wird eingeführt, um die Gruppenerkennung zu ermöglichen, welches in der Lage ist, die Gruppenzahl automatisch zu bestimmen, ohne dass Parameter oder Schwellenwerte angepasst werden müssen. Die Effektivität des vorgeschlagenen Frameworks wird an realen Menschenmengen-Videos evaluiert, und die experimentellen Ergebnisse zeigen seine vielversprechende Leistung bei der Gruppenerkennung. Darüber hinaus wird die vorgeschlagene Multiview-Clustering-Methode auch an einem synthetischen Datensatz und mehreren Standardbenchmarks evaluiert, und ihre Überlegenheit gegenüber den aktuellen Wettbewerbern wird demonstriert.