一种基于人群轨迹的外向性智能分析方案用于监控

近年来，人群分析对于智慧城市、智能交通系统、顾客行为预测和视觉监控等应用十分重要。理解人群中个体运动的特征有助于社会事件检测和异常检测，但鲜有研究。本文中，我们聚焦于基于轨迹数据的人群中个体运动的外向性度量。外向性是人类人群行为中常观察到的典型人格之一，它不仅能反映个体运动的特征，也能反映整体人群运动的特征。据我们所知，这是首次尝试基于轨迹分析人群运动中的个体外向性。为此，我们首先提出一种有效的复合运动描述子，它集成了基本个体运动信息与社会度量，以描述人群中每个个体的外向性。社会度量同时考虑了邻域分布及其交互模式。由于我们的主要目标是学习一个通用的打分函数，能够跨不同人群场景度量外向性程度，我们将主动学习技术引入并适配于相对属性方法。具体地，我们假设任何人群中的社会群体包含具有相似外向性程度的个体。基于该假设，我们通过主动聚类和排序轨迹显著降低了计算成本。最后，我们通过度量人群中真实个体轨迹的外向性程度并分析来自真实世界数据集的人群场景，展示了我们所提方法的性能。