基于时空粘性流体场的人群事件感知

在过去几十年中，智能视频监控领域对人群控制和管理给予了广泛关注。本文提出了一种新颖的时空粘性流体场，以识别大规模人群事件，考虑人群行为的外观和驱动因素。首先，提出了一种时空变化矩阵，以利用人群的运动特性。特别地，本文利用特征值分解算法来挖掘矩阵的特性，并构建一个抽象流体场来建模人群运动模式，这被称为时空流体场。其次，本文提出了一种时空力场，以挖掘行人之间的相互作用力。此外，流体和力场构成了一个时空粘性流体场。第三，在生成特征后使用词袋模型，作者利用潜在Dirichlet分配模型来识别人群行为。在PETS2009和UMN数据集上的实验表明，与传统方法相比，所提出的方法在鲁棒性和有效性方面在大规模人群行为感知上表现更好.