文献标识码： A
文章编号： 0258-7998(2012)04-0123-03
随着多媒体和网络技术的发展，视频监控系统日益普及。如何进一步对视频内容进行智能化分析已成为人们的研究热点。因此，基于视频分析的运动物体行为理解与目标异常检测受到了众多研究学者广泛的关注，尤其是针对密集场景中的人群行为的分析，有助于制定人群管理策略，避免人群过度拥挤、维护人身安全，及应对突发事件。Brendan[1]提出了基于学习运动轨迹内在重复结构的实时视频行为理解框架，用于维护公共场所人群的管理监控。
目前，密集场景中主流运动模式的获取大多采用轨迹聚类方式。如Khalid 和Naftel [2]采用时间序列模型应用到运动物体轨迹聚类和模式识别中，把高维的轨迹数据投影到合适的低维系数空间中再进行轨迹聚类。Zeppelzauer[3]等提出的轨迹聚类方法直接通过反复迭代的方式聚类整个运动轨迹。然而Bashir认为需要在轨迹聚类前有必要把轨迹分裂成子轨迹再分别聚类[4]。Atev[5]结合基于霍夫聚类轨迹聚类和频谱聚类的优势，提出了一种车辆运动轨迹自动聚类算法，Antonini和Thiran[6]指出把运动轨迹进行独立成分分析之后产生的运动描述比最初的时间序列描述更有效。与Cheryiyadat[7]的轨迹聚类方式不同，本文的聚类方式不需要利用光流信息来跟踪特征点,目标是检测群体主流运动而非个体的运动，不需要合并或者预处理这些点轨迹。使用一种比光流更为鲁棒性的长距离运动估计——粒子视频算法来获取复杂场景中的长距离运动轨迹[8]。粒子视频算法利用一个结合粒子外观匹配一致性和粒子间形变的能量函数来优化运动场景中的粒子轨迹，从而避免了长周期运动引起的运动漂移。
式中Z代表总的粒子轨迹数目。本文的目标就是聚类这些运动轨迹生成主流运动模式。其中轨迹的长短对应该粒子被持续跟踪的时间，把这些粒子轨迹作为输入，利用基于最长共同子序列的算法进行轨迹聚类，得到主流运动。其基本流程如图1所示。
本文提出了一种通过聚类低层次的粒子轨迹来自动识别人群中主流运动的算法，采用一种长周期鲁棒性的运动估计方法从密集人群场景中得到的粒子轨迹总是片段的，而利用最长共同子序列聚类轨迹，得到运动的主流方向。实验结果表明，提出的聚类算法可以通过聚类这些片段粒子轨迹来识别人群中的主流。聚类得到的主流运动轨迹可以作为长周期运动目标的语义表示。
参考文献
[1] MORRIS B T, TRIVEDI M M. Trajectory learning for activity understanding: unsupervised, multilevel, and long-term adaptive approach[J]. IEEE Trans. Pattern Analysis and Machine Intelligence, 2011,33(11):2287-2301.
[2] KHALID S, NAFTEL A. Classifying spatiotemporal object trajectories using unsupervised learning in the coefficient feature space[J].Multimedia Systems, 2006,12(3):227-238.
[3] ZEPPELZAUER M, ZAHARIEVA M, MITROVIC D, et al. A novel trajectory clustering approach for motion segmentation[C]. In Proceedings of IEEE Multimedia Modeling Conference,2010:433-443.
[4] BASHIR F I, KHOKHAR A A, SCHONFELD D. Realtime motion trajectory-based indexing and retrieval of video sequences[J]. IEEE Trans. on Multimedia, 2007,9(1): 58-65.
[5] ATEV S, MILLER G, PAPANIKOLOPOULOS N P. Clustering of vehicle trajectories[J]. IEEE Trans.on Intelligent Transportation Systems, 2010,11(3):647-657.
[6] ANTONINI G, THIRAN J P. Counting pedestrians in video sequences using trajectory clustering[J]. IEEE Trans. Circuits Systems Video Technol,2006,16(8):1008-1020.
[7] CHERIYADAT A, RADKE R. Detecting dominant motions in dense crowds[J]. IEEE Journal of Selected Topics in Signal Processing, 2008,2(4):568-581.
[8] SAND P, TELLER S. Particle video: long-range motion estimation using point trajectories[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, New York: IEEE Computer Society,2006:2195-2202.