基于社会力模型的人群异常行为检测

由于看到的是英文，翻译自CSDN某篇文章文章出处。/article/8368114.html

Abnormal Crowd Behavior Detection using Social Force Model

一：Introduction(概述)

计算机视觉的最大挑战之一，是分析活动的人群。和查找社会性和行为性的群体，提供和判断行为的数学分析模型例如社会力模型。本文中，我们将会提供一个基于平衡检测非常规人群的社会力模型的计算机视觉的方法。

1. 人群行为分析的难点

常规的人群检测方法受限于 遮挡（行人之间有遮挡）、拥挤、低分辨率、忽视人的社会互动

2. 解决方法

1. 使用粒子流方法来分析的人群，并把人群看做一个整体。

2. 使用社会力模型来模拟人群的行为

3. 优点

1. 该方法对干扰和遮挡有比较强的鲁棒性

2. 社会力模型使这个方法在检测人群行为时有强大的理论支持

二：社会力学模型

1. 描述

在社会力学模型中，人是受长作用力的驱使，是他/她做跟随运动，类似于牛顿力学。而个体的速度是和整体的速度应该是相适应，个体受整体的影响。

2. 动态模型

在模型中，行人的个体力学模型如下

3. 广义社会力模型

拓展到恐慌的影响

三：人群相互作用力影响的估算

计算因为拥挤和遮挡产生的人群的相互作用力是一件困难的事情。颗粒流计算方法为人群的相互作用力提供了另一种可行的方法。

在密集的人群中，个体的运动类似于一个流动的质点在逐渐运动。在人群中产经的光流表示人群运动的方向。

1. 人群的运动使用光流的网格来进行捕捉

2. 在人群中，人们的移动往往趋向于平稳，因此光流（Oave）均数可以经常被用于检测颗粒的对流检测。

2. 计算人群力

把颗粒比作人群中的个体，社会力模型可以适用如下：

了解上述等式（F_int）你会发现个有趣的现象，在两种极端的情况下作用力的大小会是0

1. 当粒子的速度不在变化（dv/dt=0）: 如果该粒子的速度不同于人群的数度，则作用 力(F_int)将是非0的。在这种情况下，周围行人改变他们的速度(方向、幅度)，且
你与他们保持同样的步伐。因此，非0的相互作用力将会被分配到周围的各个粒子 中。

2. 颗粒流的数度等于人群的速度(v^q-v = 0) : 在这种情况下，任何的改变都将破坏这 平衡，它将改变整个颗粒流磁场和周围粒子的速度。这将涉及到边界或行人路径 的变化，对其他类型的相互作用力产生的影响。

最后，该算法的实现流程如下：

四：事件检测

想要了解人群的动态，仅仅靠相互作用力是不够的。

1. 在不同的场景下，所表现的出来的力都模型都是不一样的。

2. Force flow(强制流) : 在一个场景中相互作用力的组成，是由各个粒子的力映射到整 个帧画面而形成的。

1. 异常行为监测

LDA:利用阈值来判别视频中的正常帧和异常帧。

异常事件的位置的相互作用力会比较大，在显示时以颜色加深显示。

五：实验

1. UMN数据集

人群紧急逃生，11个视频，3个场景，视频中包括一个正常的开始部分和异常的结束部分

5个正常场景的视频，经测试如下

2. 网上视频实验结果

· 8 Videos of real-life Escape panic, clash, fight
· 12 Videos of normal pedestrians
· Trained and tested in a 2-fold validation manner

六: 下载

· Web Dataset: Abnormal/Normal Crowds
· Extra crowd videos
· The raw video of figure (c)