A Fast Neural Learning Vision System for Crowd Estimation at Underground Stations Platform

A neural learning-based crowd estimation system for surveillance in complex scenes at the platform of underground stations is presented. Estimation is carried out by extracting a set of significant features from the sequences of images. Feature indices are modeled by the neural networks to estimate the crowd density. The learning phase is based on our proposed hybrid algorithms which are capable of providing the global search characteristic and fast convergence speed. Promising experimental results were obtained in terms of estimation accuracy and real-time response capability to alert the operators automatically.     

基于多尺度卷积神经网络的人群聚集异常预测

已有的公共场所人群聚集异常行为检测方法较少,且大多检测方法都是在人群已经异常聚集后再进行检测,检测准确率不高,时效性不够好。提出一种基于多尺度卷积神经网络（MCNN）的人群聚集异常预测模型。首先,通过多尺度卷积神经网络训练一个人群计数模型,用训练好的模型对人群聚集异常视频进行测试;然后在测试中完成人群人数统计与人群头部坐标点获取,进而计算人群密度、人群距离势能与人群分布熵;最后将得到的3种人群运动状态特征值利用PSO-ELM进行训练,得到预测模型,通过特征数据的变化,完成人群聚集行为的预测。实验结果表明,与现有算法相比,该模型能有效实现人群聚集异常行为的预警与检测,时效性强,为采取相应应急措施提供了更多时间,预测准确率达到了9717%。     

人群应急疏散可视仿真研究进展和问题

人群应急疏散可视仿真是用智能体来模拟具有自主感知、情绪和行为能力的人群个体,并采用3维可视的方式来直观呈现人群应急疏散情景,可以为制定人群应急预案提供形象直观的分析方法。本文从人群仿真数据的来源、人群导航模型的构建、人群行为模型、人群情绪感染、人群渲染5个方面概述目前研究的进展,然后从仿真模型的可验证性、人群疏散导航模型的构建、人与环境的物理模型、动物逃生实验与仿真、疏散中的社会行为表现以及人群情绪的可视计算6个角度讨论需要进一步研究的问题。针对需要深入研究的问题,指出借助于紧急事件的视频监控分析和虚拟人群情景的用户调查,有助于完善人群仿真模型。结合物理模型,可以更准确地描述人群应急疏散场景。开展动物逃生实验分析,有助于完善人群运动导航算法。建立人群社会行为模型,可以更详细描述疏散中人群行为的多样性。构建基于多通道感知的人群情绪感染计算方法,可以详尽描述情绪感染的过程。人群应急疏散行为的可视仿真研究在城市的安全管理方面具有重要的应用前景,但其研究仍存在很多亟待解决的问题,综合地运用多学科知识,完善实验手段是进一步推动研究的关键所在。     

多任务多层级CNN在人群计数中的应用

为了提升人群图像的计数精度,设计一种多层级多任务深度卷积网络。多层级神经网络由卷积和上采样的组合方式构成,该网络的优点在于结合浅层网络提取的细节信息和深层网络提取的高阶语义信息。在此基础上,使用多任务学习的方法提升网络性能,多任务学习分为两个部分：人群密度估计任务和人群密度等级分类任务。网络的高分辨率层与人群密度估计任务相连,网络的深层与人群密度等级分类任务相连。将两个任务的损失融合并构成新的损失函数。实验在人群计数公共数据集ShanghaiTech、WorldExpo’10和UCF_CC_50上进行,实验结果表明,该网络在人群计数上具有较好的准确率和鲁棒性。     

基于群体性行为模型的人群分析及其应用

基于视频分析的人群监控,涉及到获取人群行为和数量,这在智能监控领域具有重要的现实价值。本文建立基于运动特征的群体性行为模型,挖掘复杂人群场景中的群体行为,用于人群行为和数量的分析。群体性行为模型是一种主题模型（LDA）,通过样本学习,可以获得描述不同群体行为的特征集,用于人群分析。实验中,将群体性行为模型应用于挖掘监控场景下的不同人群行为及其特征集,并使用人工神经网络完成人数统计,统计正确率达到92.35%。     

Model-based Crowd Behaviours in Human-solution Space

Realistic crowd simulation has been pursued for decades, but it still necessitates tedious human labour and a lot of trial and error. The majority of currently used crowd modelling is either empirical (model-based) or data-driven (model-free). Model-based methods cannot fit observed data precisely, whereas model-free methods are limited by the availability/quality of data and are uninterpretable. In this paper, we aim at taking advantage of both model-based and data-driven approaches. In order to accomplish this, we propose a new simulation framework built on a physics-based model that is designed to be data-friendly. Both the general prior knowledge about crowds encoded by the physics-based model and the specific real-world crowd data at hand jointly influence the system dynamics. With a multi-granularity physics-based model, the framework combines microscopic and macroscopic motion control. Each simulation step is formulated as an energy optimization problem, where the minimizer is the desired crowd behaviour. In contrast to traditional optimization-based methods which seek the theoretical minimizer, we designed an acceleration-aware data-driven scheme to compute the minimizer from real-world data in order to achieve higher realism by parameterizing both velocity and acceleration. Experiments demonstrate that our method can produce crowd animations that are more realistically behaved in a variety of scales and scenarios when compared to the earlier methods.     

一种基于视频的车站人群密度估计算法

提出了一种基于视频的车站人群密度检测算法。该算法能标记出无人活动区域和有人活动区域,在检测人群密度方面只计算有人活动区域,可降低计算复杂度,为人群密度检测的实时性奠定了基础;在计算人流密度时,考虑到了摄像头画面出现黑屏、雪花和移位的现象,从整体上提高了人群密度检测的准确率;通过对有人运动区域的连通域内像素数与有人区域的像素点数的比值计算人群整体密度值,计算复杂度低且衡量人群整体密度的精确度较高。此方法尤其适用于机场、地铁、车站等场景模型下人群密度的实时场景监测。     

人数统计与人群密度估计技术研究现状与趋势

人数统计与人群密度估计是人群分析中的重要分支,也是视频监控所关注的重要信息之一。尽管近几十年来该领域取得了一些重要进展,但仍存在一些具有挑战性的问题。综述了基于计算机视觉的人数统计与人群密度估计方法的研究现状以及发展动态。首先,介绍了人数统计与人群密度估计技术的发展背景及应用方向。其次,总结了近年来提出的比较重要的方法,从机器学习的角度,将其分为浅层学习的方法和深度学习的方法;而从学习到的模型角度又可将其分为直接的方法(即基于检测的方法)和间接的方法(如基于像素的方法、基于纹理的方法以及基于角点的方法)。详细介绍了近二十年来基于浅层学习的方法,并对近些年来基于深度学习的人数统计与人群密度估计技术做了一个简要的总结。然后,对人数统计及人群密度估计方法性能评估技术进行简介,并提供了几个用于人数统计与人群密度估计的测试与评估数据集。最后,总结了该领域存在的技术挑战并对未来的研究方向进行了展望。     

计算机群体动画中的真实感行为综述

近年来,计算机群体动画在虚拟现实、计算机游戏、在线教育、娱乐和模拟训练等多个领域得到广泛深入的应用。目前群体动画技术中两个关键的研究领域是：1)研究并建立大规模群体运动的仿真模型,即如何实现对群体运动的真实感行为模拟;2）研究群体动画中高质量的可视化效果,即如何将大规模群体运动以三维的方式逼真地展现到虚拟场景中。现在这两个领域的技术研究也得到了一些很好的研究成果。定义了群体运动的概念,并给出了群体动画的引擎框架;对群体运动的真实感行为从其发展历程、模型和关键算法等方面进行了归纳与分析;最后讨论了群体动画真实感行为的发展趋势。     

基于卷积神经网络的实时人群密度估计

针对传统实时人群密度估计方法存在误差大、分类效果不佳等缺陷,提出了基于 卷积神经网络的实时人群密度估计方法。通过对比4 种常见网络结构：AlexNet、VGGNet、 GoogLeNet 和ResNet 的准确度与实时性,选择综合性较好的GoogLeNet 作为人群密度估计的 模型,利用关键帧截取技术实现人群密度的实时估计并简要分析人群密度特征图。最后用实例 验证了该方法的实时性与准确度,证明了其可行性。     

基于像素级注意力机制的人群计数方法

针对人群分布不均和网络学习参数众多问题,提出了一种由像素级注意力机制（PAM）和改进的单列人群密度估计网络两部分组成的高密度人群计数方法。首先,使用PAM通过对人群图像进行像素级别的分类来生成高质量的局部人群密度图,利用全卷积网络（FCN）生成每个图像的密度掩码,将图像中的像素分为不同的密度级别;然后,以生成的密度掩码为标签,使用单列人群密度估计网络以更少的参数学习到更多的代表性特征。在此之前,在Shanghaitech数据集part_B部分、UCF_CC_50数据集以及WorldExpo'10数据集上,拥塞场景识别网络（CSRNet）方法的计数误差最小。将所提方法与CSRNet方法的误差结果对比,发现所提方法在Shanghaitech数据集part_B部分的平均绝对误差（MAE）和均方误差（MSE）分别降低了8.49%和4.37%;在UCF_CC_50数据集上的MAE和MSE分别降低了58.38%和51.98%,优化效果显著;在WorldExpo'10数据集上的整体平均值部分的MAE降低了1.16%。实验结果表明,在针对人群分布不均的高密度人群计数时,结合PAM和单列人群密度估计网络的方法能够有效提高高密度人群计数的精确度和训练效率。     

Crowd Simulation and Its Applications: Recent Advances

This article surveys the state-of-the-art crowd simulation techniques and their selected applications, with its focus on our recent research advances in this rapidly growing research field. We first give a categorized overview on the mainstream methodologies of crowd simulation. Then, we describe our recent research advances on crowd evacuation,pedestrian crowds, crowd formation, traffic simulation, and swarm simulation. Finally, we offer our viewpoints on open crowd simulation research challenges and point out potential future directions in this field.     

虚拟环境中大规模群体行为建模研究进展

虚拟环境中的大规模群体行为建模是虚拟现实技术的重要研究方向之一,它是提高虚拟环境沉浸感的重要支撑技术,在军方和民用领域具有重要的潜在应用价值。首先从社会学研究领域讨论了群体和群体行为的基本概念和相关理论,然后重点介绍了虚拟现实领域大规模群体行为建模的基本方法和国内外最新研究进展以及影视娱乐业中典型群体行为模型生成系统,最后在对相关研究成果分析的基础上指出了大规模群体行为建模存在的问题和今后重点关注的研究内容。     

生物启发的人群突发局部聚集感知神经网络

公共场所中的人群突发局部聚集常是异常事件发生的先兆,由于其随机性强,前兆特征不明显,现有的传统计算机视觉技术较难对其有效检测。基于蝗虫视觉系统的神经结构特性与小叶巨型运动检测器（lobula giant movement detector,LGMD）危险感知机理,提出一种人群突发局部聚集行为检测的LGMD改进型神经网络模型。该模型感知人群活动在视野域中引发的视觉信号,基于哺乳动物视网膜视觉信号处理机制整合视觉运动线索,借助LGMD神经元危险感知机理构建尖峰阈值机制调谐神经网络输出,以感知人群活动中的突发聚集行为。不同场景下的人群活动视频实验结果表明,提出的神经网络能有效检测视野域中人群突发局部聚集行为并对其预警。该文涉及生物视神经机理启发的人群活动动态视觉信息加工处理,可为智能视频监控中的人群活动检测与行为分析提供新思想、新方法。     

基于对抗式扩张卷积的多尺度人群密度估计

目的 人群密度估计任务是通过对人群特征的提取和分析,估算出密度分布情况和人群计数结果。现有技术运用的CNN网络中的下采样操作会丢失部分人群信息,且平均融合方式会使多尺度效应平均化,该策略并不一定能得到准确的估计结果。为了解决上述问题,提出一种新的基于对抗式扩张卷积的多尺度人群密度估计模型。方法 利用扩张卷积在不损失分辨率的情况下对输入图像进行特征提取,且不同的扩张系数可以聚集多尺度上下文信息。最后通过对抗式损失函数将网络中提取的不同尺度的特征信息以合作式的方式融合,得到准确的密度估计结果。结果 在4个主要的人群计数数据集上进行对比实验。在测试阶段,将测试图像输入训练好的生成器网络,输出预测密度图;将密度图积分求和得到总人数,并以平均绝对误差（MAE）和均方误差（MSE）作为评价指标进行结果对比。其中,在ShanghaiTech数据集上Part_A的MAE和MSE分别降至60.5和109.7,Part_B的MAE和MSE分别降至10.2和15.3,提升效果明显。结论 本文提出了一种新的基于对抗式扩张卷积的多尺度人群密度估计模型。实验结果表明,在人群分布差异较大的场景中构建的算法模型有较好的自适应性,能根据不同的场景提取特征估算密度分布,并对人群进行准确计数。     

基于GACO的群智感知参与者选择方法研究

参与者选择方法作为群智感知研究的重要内容之一,现有研究还存在不足,只单一考虑任务发布时间或任务区域覆盖等属性,导致选择的参与者执行任务效率较差。因此针对这一问题综合考虑任务时间和任务区域覆盖等约束条件下,为实现任务执行效率最高和群智感知平台激励成本最少的优化目标,提出一种基于贪婪蚁群算法的群智感知参与者选择方法（PS-GACO）。该方法主要通过候选参与者聚集蚂蚁信息素浓度的多少准确选出适合执行发布任务的参与者,大大提高了任务执行效率。最后通过仿真实验将提出的PS-GACO方法与普通参与者选择方法进行比较,实验结果表明PS-GACO在算法运行时间、任务执行效率以及激励成本等方面都优于其他两种方法,对于群智感知参与者选择有很好的应用前景。     

Online Crowdsourcing Campaigns: Bottom-Up versus Top-Down Process Model

ABSTRACT

When a crowd’s motivations are not triggered, they may not necessarily commit their best efforts, even if they have the knowledge to answer an open call. Drawing on the incentive theory, we introduce a top-down process model for an online crowdsourcing campaign that addresses the crowd’s motivations. This model is in contrast to the traditional bottom-up process model, where the crowd self-selects an open call based on their knowledge. We adopt a longitudinal case study method and examine two online crowdsourcing campaigns that represent both models. The findings suggest that the campaign that follows the top-down model generated high-quality ideas, while the bottom-up case was considered a failure. We further enrich the top-down model by developing a four-stage guidance model that addresses the crowd’s differing motivations in each stage. This research contributes to the crowdsourcing literature and helps better attract the qualifying crowd, thereby leading to greater campaign success likelihood.     

基于多尺度时间递归神经网络的人群异常检测

如何在人群密度大、变化快、存在大量遮挡的密集场景中实现可靠的人群事件检测,是领域研究的难点和热点.在密集场景时空建模的基础上提出了一种基于多尺度时间递归神经网络的人群异常事件检测和定位方法.首先对人群场景进行网格化划分,并利用多尺度光流直方图对每个网格的人群动态进行刻画;然后,连接各个局部的人群动态获得整体的人群动态,实现整体人群动态的时间序列建模;最后,利用多尺度时间递归神经网络实现异常事件的检测和定位.其中,多尺度隐含层实现了密集场景中不同规模相邻网格之间的空间联系,节点间的反馈关系则为时间维度上的关系表达提供了有效方案.与多种代表性算法的对比实验,验证了本方法的有效性.     

融合双注意力机制的人群计数算法

针对背景复杂、遮挡、人群分布不均等人群计数常见问题,提出了一种结合联合损失的空间-通道双注意力机制卷积神经网络模型(joint loss-based space-channel dual attention network, JL-SCDANet).该网络前端进行图像粗粒度特征提取,中间加入空间注意力机制以及通道注意力机制突出图像重点区域,后端使用可加大感受野且不丢失图像分辨率的空洞卷积提取深层二维特征.此外,该模型结合联合损失函数进行训练,以增强模型的鲁棒性.为了验证模型的改进效果,在3个公共数据集(ShanghaiTech Part B、mall和UCF＿CC＿50)上分别进行了对比实验,在ShanghaiTech Part B数据集中平均绝对误差(MAE)和均方误差(MSE)分别达到了8.13和13.13;在mall数据集中MAE、MSE达到了1.78和2.28;在UCF＿CC＿50数据集中MAE、MSE分别达到了182.12和210.24,实验结果证明了该网络在提高人数统计准确率上的有效性.     

基于物理的真实感火灾疏散仿真

人员的疏散是目前防火防灾研究的热点,但是传统的人员疏散研究多集中于人群疏散的离散仿真及可视化显示,无法逼真地表现个体的疏散行为.从火灾时人员疏散的物理特点出发,考虑不同人在火灾情况下的行为特征,采取几何连续的疏散空间,可较准确地计算人员安全疏散的时间及路径;建立了建筑物、火焰和角色动画的三维模型,动态交互地模拟火灾疏散过程,仿真效果逼真.