人群行为分析--Understanding Pedestrian Behaviors from Stationary Crowd Groups
Understanding Pedestrian Behaviors from Stationary Crowd Groups
CVPR2015
本文主要探讨 静态人群对行人行为的影响
人群行为的建模以前主要考虑的因素有：scene layout (e.g. entrances, exits, walls, and obstacles), pedestrian beliefs (the choice of source and destination), and interactions with other moving pedestrians
但是 静态人群 stationary crowd groups 没有被考虑，这里我们将其纳入到我们的人群行为分析的模型中。
从上图我们可以看出 stationary crowd groups 对每个行人的影响不一样。对于离开或加入某一个静态人群的，它可以看作始发地或目的地，对于路过静态人群的人来说，它是一个障碍物。但是它和真正的障碍物 scene obstacles，因为 静态人群是可以被穿过的，而 scene obstacles 是不能被穿过的。再就是静态人群随着时间的变化可能是变化的，而 scene obstacles 是不会变化的。
3 Pedestrian Behavior Modeling
行人路径的选择有点类似于水流。一个人一般情况下会选择最便捷和有效的路径达到目的地。基于这个假设，一个广义的场景能量图 M 用于建模 场景中每个位置路过的难度。能量值高的区域对应容易穿过的地方。更多的行人倾向于选择这样的地方穿过。能量值低的地方对应人出现的概率低。这些地方不利于人的经过。
在我们的模型中，我们考虑三个因素： scene layout, moving pedestrians, and stationary groups，不同的因素对行人路径的选择影响也不一样。对于每个因素的权值我们通过从训练数据中学习得到。
考虑到每个行人喜好不同，我们设置了一个参数 a personality parameter P，Personalized energy maps 个人能量图 M_P 基于 广义能量图 W和个人喜好参数 P 来生成。
3.1. General energy map modeling
Θ = [θ1 ,θ2 ,θ3 ,θ4 ]T 表示每个因素的权重。
Scene Layout, Moving Pedestrians, and Stationary Groups. These channels are represented by f_SL , f_MP , and f_SG
3.2. Scene layout factor
行人的行为是都到场景布局的约束的。人不能出现在某些地方，如 walls and other static obstacles，同时人也倾向于远离这些 障碍物。这里我们用下面的公式对其建模：
where SL is a set of locations occupied by scene obstacles which are unreachable。
d 1 (x,SL) = min y∈SL ||x − y|| measures the distance from the current location x to its nearest scene obstacle location y, and θ1 is a parameter indicating the influence bandwidth (which also can be viewed as the importance) of the scene layout term
3.3. Influence of moving pedestrians
其他运动行人的影响是另一个需要考虑的因素，一般我们倾向于选择与其他人保持一定的距离，所以一般不会选择已经有人的地方作为我们经过的地方。
where MP_i (i ∈ [1,m]) is the i th moving pedestrian
3.4. Influence of stationary crowd groups
这里我们从两个角度对 stationary crowd groups 进行建模，一个是将 stationary crowd groups 当做障碍物，有的人选择绕过， The group has a repulsive force around the group region to keep moving pedestrians away，第二个角度就是有人选择穿过这个 stationary crowd groups，there should be a penalty inside the group region，这一点是和障碍物最大的不同之处。
d3 (x,SG i ) = min y∈SG i ||x − y|| measures the distance from x to the stationary crowd group region SG
d4 (SG i ) ∈ (0,+∞) is used to measure the sparsity of stationary crowd group region SG
3.5. Personalized energy map modeling
a personality parameter P
3.6. Path generation
行人路径的选择，这里我们使用 Fast Marching 算法来计算得到
3.7. Model learning
model parameters can be optimized by maximizing likelihood on the training data
4 Pedestrian walking route dataset
这里我们搞了一个人群移动轨迹数据库，人工标记了一个小时的视频。
我们学习到的不同因素影响权重
5 Applications
有了这个能量图，我们可以干什么了？
5.1. Prediction on pedestrian walking paths
5.2. Prediction of pedestrian destinations
5.3. Personality attribute estimation
根据人的行为可以分为三类 aggressive, conservative, and abnormal
5.5. Abnormal behavior detection
预测到的和观察到的很不一样，我们认为是异常情况
人群行为分析--Understanding Pedestrian Behaviors from Stationary Crowd Groups相关推荐
- 人群场景分析--Slicing Convolutional Neural Network for Crowd Video Understanding
Slicing Convolutional Neural Network for Crowd Video Understanding CVPR2016 http://www.ee.cuhk.edu.h ...
- 人群行为分析算法调研
概述 人群行为分析算法分为四个主要方向: 1.行人检测(Pedestrian Detection) 2.人群计数(Crowd Counting) 3.人群密度分析(Crowd Density Esti ...
- 浅谈人群行为分析算法
概述 人群行为分析算法分为四个主要方向: 1.行人检测(Pedestrian Detection) 2.人群计数(Crowd Counting) 3.人群密度分析(Crowd Density Esti ...
- Understanding Human Behaviors in Crowds by Imitating the Decision-Making Process
通过模仿决策过程了解人群中的人类行为 摘要 人群行为理解是在广泛的应用方面至关重要的,因为人群行为本质上是由基于各种因素的连续决策过程,例如行人自己的目的地,与附近行人的互动和即将到来的事件的互动.在 ...
- 客户人群画像分析 客户进行用户画像实现精准营销- Whale帷幄
你是否有过这样的经历:当在购物网站有过一次购物或者搜索后,网站会为你推送各种同类型商品或者互补商品:当成为某品牌的注册会员后,特殊的日子(比如生日.会员日)会收到品牌商发来的祝福短信以及优惠券:当打开 ...
- 运营商大数据：什么是人群画像分析？如何做到精准获客？
运营商大数据:分析个人画像方式 数据就是金钱这句话一点也不为过,哪怕一家互联网公司长期亏损,只要有大量的用户作为支撑,就会有投资人进行大力风投. 运营商大数据相对比互联网大数据,运营商大数据从用户数量 ...
- 《 2021春运人群画像分析报告 》
大数据文摘作品 作者:Mickey 本文数据及图表来源:个推大数据 大家好,我是小z 有钱没钱,回家过年. 这个中华大地流传已久的风俗,在2021年牛年农历春节被新冠病毒重新改写. 新冠疫情下,受国家 ...
- 流量分析“Understanding Traffic Density from Large-Scale Web Camera Data”
探索了使用优化的方法和深度学习的方法,进行交通密度分析.在不进行车辆检测和跟踪的情况下,将致密的图像特征映射成车辆密度.优化的方法基于Rank Constrained回归,深度学习的方法基于FCN.回 ...
- 人群密度估计--Structured Inhomogeneous Density Map Learning for Crowd Counting
Structured Inhomogeneous Density Map Learning for Crowd Counting https://arxiv.org/abs/1801.06642 针对 ...
最新文章
- Codeforces 955C Sad powers（数论）
- 基本数据结构----循环链表
- python怎么安装本地的egg_python egg怎么安装
- halcon模板匹配学习（二） 准备模板
- linux之vifm和ranger操作文件管理器使用总结
- 使用线程池应该注意的问题
- java 修改 list_java里怎么修改list记录中的某个值？
- Neo4j简单构建知识图谱实例
- 《机器学习基石》课程笔记（3）
- C/C++ typedef用法
- php h5微信支付签名错误,微信H5支付签名错误
- 感情诉求的微博营销，基金公司也玩转微博营销
- 自用工具 猴子都会用的unity视频播放器
- GBase 8c技术特点
- Qt启动进程ping网址
- 【在线仿真】Arduino 超声波测距+LCD1602显示
- 兰州烧饼 南阳理工ACM 题目779
- 《项目管理中国式漫画》读后感
- Qt编写可视化大屏电子看板系统14-标准曲线图
- Qt：配置Qt Creator