基于云的拥挤事件入口推挤早期检测利用中央平滑超图神经网络

在门口的大规模人群拥挤可能导致危险甚至致命的情况，尤其是在与会者开始推搡彼此以更快进入活动时。本文提出了一种基于云的拥挤事件入口推挤早期检测方法，称为中央平滑超图神经网络 (CLD-EDP-CEE-CSHGNN)。在此方法中，视频输入来自实时数据集。然后，使用贝叶斯边界趋势过滤 (BBTF) 对输入视频进行预处理，以裁剪感兴趣区域的关键帧。接下来，经过预处理的视频被输入特征提取阶段，使用可分离的同步提取变换 (SSET)。它提取相关特征，如名称、大小、形状和颜色。然后，将提取的特征输入到 CSHGNN 中，以检测拥挤事件入口，并分类为推搡和非推搡。采用鹅群迁徙优化算法 (GMOA) 来优化 CSHGNN 的权重参数。CLD-EDP-CEE-CSHGNN 的性能准确显示检测结果。该方法在一些性能指标下进行了实施和性能检验，如 G-均值、相关系数、识别率。模拟结果显示，所提出的 CLD-EDP-CEE-CSHGNN 方法的绩效在 G-均值上比现有方法提高了 25.23%，在相关系数上提高了 11.02%、22.11% 和 34.23%。