[00097853]团队行为识别的关键技术研究

课题来源与背景：课题来源于广西自然科学基金“团队行为识别的关键技术研究”（项目编号为2013GXNSFAA019336）。团队行为是一种有计划的、高协同性的多运动员（智能体）的团队行为。团队行为的理解和识别是计算机视觉研究领域的重要研究问题之一，有许多方面的应用，如视频监控和监测、对象视频摘要、人机交互、体育视频分析、运动员辅助训练、比赛判罚辅助和视频检索浏览等。研究目的与意义：虽然单一智能体的行为识别问题已得到广泛研究，但是多智能体的行为识别的研究就相对少得多。且还不能让计算机对团队行为的理解、描述和识别达到具有生物那样高效、灵活的功能，对这一工作缺乏系统和深入研究，因此，团队行为的识别与理解成为了计算机视觉研究领域中的前沿方向。团队行为识别易受光照、噪声、视角、多尺度以及遮挡等因素的影响，且要在复杂场景下实时鲁棒地识别团队行为。因此，团队行为的理解和识别仍然是一个具有挑战性的研究课题。主要论点与论据：研究了团队行为的特征提取与融合。针对团队行为识别过程中需要提取团队的多种特征，各种特征对行为识别的贡献难以估计和描述，提出基于自动生成RBF神经网络的团队行为识别的特征融合的策略。研究出团队行为模式的时空驱动力模型和模糊推理系统。利用由时空限制的轨迹、变化的人数和行为之间的时空变化的集合组成的行为特征为团队行为进行建模。将团队行为作为一个区域密集分布时空驱动力的动态过程，用简单离散的轨迹点集来取代运动的发生。研究出用稀疏原型表示的团队行为分类的迁移学习算法。为了从少数样本中学习一种新的团队行为分类，可以利用从未标记的数据中获得的先验知识以及以前的相关类别。提出了一种新迁移学习算法，该方法利用现有的未标记的数据和任意一个内核函数。提出方法在只有少数的样本可用于训练目标行为时，利用从其它行为学到的知识可以显著提高性能。研究提出了基于K-means的最小生成树聚类算法。针对传统的K-means算法只能识别出类似球形的数据集并对噪声和异常点十分敏感，提出了一种将K-means聚类与MST聚类相结合的聚类算法。针对传统K-prototypes在计算分类属性的差异度时未考虑各个分类属性对聚类结果的影响程度，且算法容易受到噪声的干扰，无法处具有理数据中不够精确、不完整等不确定性问题，提出基于信息熵的粗糙K-prototypes聚类算法。研究提出了基于信息增益的K-prototypes模糊聚类算法。传统的K-prototypes聚类算法在计算数据对象的相异度时，引用了模糊理论，从而使其较好的抗干扰能力和处理不确定性问题的能力。提出了多种高效的圆检测算法，为团队行为识别过程中团队成员的检测提供了基础。针对随机Hough变换算法在创建和搜索动态参数链表时，需要耗费大量的计算时间和存储空间，提出一种高效的曲线检测算法。随机圆检测算法是检测圆的一种有效方法，但在处理多圆复杂图像时大量的无效采样会导致计算量过大。针对随机圆检测算法随机采样的4点位于同一圆上的概率较小，提出一种快速的圆检测算法。创见与创新：该成果从模式识别、图像处理、图形学、计算机视觉、机器学习和人工智能等学科研究了团队行为识别的关键技术，主要有5个方面的创新：进行了团队行为识别聚类算法的研究，发表了研究论文3篇。进行了团队行为识别过程中有助于识别队员的圆检测算法的研究。提出了多种高效的圆检测算法，为团队行为识别过程中团队成员的检测提供了基础。发表了研究论文2篇，分别被SCI和EI收录，申报发明专利2个。研究了团队行为的特征提取与融合算法。进行了团队行为识别过程中多特征融合的研究，为团队行为识别过程中团队成员的检测提供了关键技术之一。发表了研究论文2篇，申报发明专利3个。针对团队行为识别易受光照、噪声、视角、多尺度以及遮挡等因素的影响，且要在复杂场景下实时鲁棒地识别团队行为。研究出一套行之有效的团队行为识别方法。发表了研究论文5篇，分别被SCI和EI收录，申报发明专利5个，出版专著2本。在视频图像去噪、图像增强方面开展了研究，提出了基于多元统计模型的分形小波自适应图像去噪算法，发表了研究论文1篇，申报发明专利1个。社会经济效益及存在的问题：随着城市人口的快速增长和城市环境的日益复杂，群体性事件、骚乱、恐怖袭击等城市突发社会安全事件严重影响着城市公共安全，研究成果可以广泛应用于公共安全、交通、银行等重要部门，可以获得极大的经济价值和社会价值。迁移学习方法的研究方面存在一些缺陷，如：将迁移学习方法应用于环境和背景相差很远，特别是遮挡非常严重的情况下，迁移学习方法的效果不很明显，行人识别的准确率比较低。历年获奖情况：“基于多元统计模型的分形小波自适应图像去噪”获柳州市自然科学优秀论文二等奖。