基于视频数据挖掘的民航旅客群体行为分析
发布时间：2020-12-21 10:01
民航运输受到较多因素的制约而易出现不正常航班,而不正常航班与航空公司或机场处置机制、旅客满意度之间的矛盾,导致近年来航站楼群体性事件频发,造成了极大的负面影响,因此亟需针对航站楼旅客群体行为特性的研究与分析,以实现群体性事件预警。本文从视频监控的视角研究航站楼旅客群体行为。监控视频序列图像目标检测是所有后续研究的基础,首先针对航站楼光照等计算机视觉环境特点,本文基于常用混合高斯背景模型前景检测方法,提出一种基于YCbCr颜色空间和拓扑切割的阴影去除算法,实现目标前景空洞填补以及边缘优化。其次由于航站楼监控视频画面的差异性,针对目标相对稀疏的画面基于人头特征获取旅客位置信息;针对目标相对密集的画面基于灰度共生矩阵算法求得图像纹理特征值,据此估算图像目标数,并结合前景像素统计分布获取旅客位置信息。再次在位置信息基础上借助聚类算法思想聚类得到群体聚集簇;进而计算受群体性事件影响显著的四类关键群体行为特征,即聚集密度,聚集轮廓,聚集速度、聚集体移动速度等特征。最后针对某机场航站楼三类群体性事件敏感区域内某时段视频监控画面所得四类特征数据,构建BP神经网络分类器,分别对三类区域内正负图像特征数据...
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
某航站楼通道与Bootstrap序列图像实验结果
基于视频数据挖掘的民航旅客群体行为分析表 2. 2 五类重要功能区运动前景检测率区域 值机大厅 候机大厅 安检口 登机口 通道区域平均检测率 84.7% 85.3% 92.5% 87.3% 91.8%（二）分时段实验由于航站楼楼顶建筑多采用透明钢化玻璃，航站楼内监控视频图像易受光照影响，因此需要求前景检测算法具有良好的光照适应性，本文针对受光照影响显著的值机厅和候机厅分别选择一天中三个时段的视频序列图像进行实验，即 7:00-8:00，12:00-13:00，17:00-18:00，可得到如图 2.5 的检测结果。三类区域各时段随机选取 50 帧图像，分别统计每帧图像检测率，然后分别计算三个时段平均检测率，得如表 2.3 的结果。
（b）图 3. 4 人头检测正负样本集（（a）正样本（b）负样本）值机大厅、候机大厅、安检区、登机口和通道区域五类主入该分类器中，可分别得到如图 3.5 所示人头检测结果。较大差异，因此本文在五个区域内分别选取 50 图像共 25目标数与检测人头数，所得结果如表 3.1 所示。
【参考文献】：
期刊论文
[1]基于计算机视觉的运动目标分析[J]. 孔德磊. 电脑迷. 2017(12)
[2]基于HSV颜色特征的多目标视频检测与跟踪算法[J]. 周海鹏,王芳,田建艳. 科学技术与工程. 2017(20)
[3]基于改进高斯模型的目标检测与阴影去除方法[J]. 王红茹,童伟. 江苏科技大学学报(自然科学版). 2017(02)
[4]倾斜影像整体变分模型阴影检测算法改进[J]. 闫利,莫楠,费亮,朱睿希. 遥感信息. 2017(02)
[5]民用机场航站楼群体性事件预警研究[J]. 汪虹宇,曾小舟,蒋中华,王筱丽. 航空计算技术. 2016(04)
[6]RGB和HSI颜色空间的一种改进的阴影消除算法[J]. 韩延彬,郭晓鹏,魏延文,李恒建. 智能系统学报. 2015(05)
[7]改进的HSV阴影去除算法研究[J]. 谭家政,刘勇,邱芹军. 物联网技术. 2014(01)
[8]多特征融合匹配的多目标跟踪[J]. 闫辉,许廷发,吴青青,徐磊,吴威. 中国光学. 2013(02)
[9]大型体育赛事中群体性事件的预警机制[J]. 王智慧,张柳霞. 上海体育学院学报. 2013(02)
[10]航站楼旅客群体性事件预警监控系统架构及关键技术[J]. 邵荃,吴抗抗,周航,唐志星. 中国安全生产科学技术. 2012(11)
博士论文
[1]航站楼集群安全识别与预警关键技术研究[D]. 常庆龙.南京航空航天大学 2014
[2]智能视频监控下的多目标跟踪技术研究[D]. 李彤.中国科学技术大学 2013
[3]交通领域中的聚类分析方法研究[D]. 李桃迎.大连海事大学 2010
硕士论文
[1]民族地区群体性事件预警机制的研究[D]. 秦川迪.云南大学 2015
[2]群体性事件预警机制研究[D]. 程国杨.西南交通大学 2015
[3]基于AdaBoost和SVM的人头检测[D]. 牛胜石.中南民族大学 2010
[4]基于YUV颜色空间和图论切割的阴影去除算法[D]. 秦秀丽.武汉理工大学 2010
[5]视频监控中的群体运动分析研究[D]. 童俊艳.南京理工大学 2009
本文编号：2929640
【文章来源】：南京航空航天大学江苏省 211工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
某航站楼通道与Bootstrap序列图像实验结果
基于视频数据挖掘的民航旅客群体行为分析表 2. 2 五类重要功能区运动前景检测率区域 值机大厅 候机大厅 安检口 登机口 通道区域平均检测率 84.7% 85.3% 92.5% 87.3% 91.8%（二）分时段实验由于航站楼楼顶建筑多采用透明钢化玻璃，航站楼内监控视频图像易受光照影响，因此需要求前景检测算法具有良好的光照适应性，本文针对受光照影响显著的值机厅和候机厅分别选择一天中三个时段的视频序列图像进行实验，即 7:00-8:00，12:00-13:00，17:00-18:00，可得到如图 2.5 的检测结果。三类区域各时段随机选取 50 帧图像，分别统计每帧图像检测率，然后分别计算三个时段平均检测率，得如表 2.3 的结果。
（b）图 3. 4 人头检测正负样本集（（a）正样本（b）负样本）值机大厅、候机大厅、安检区、登机口和通道区域五类主入该分类器中，可分别得到如图 3.5 所示人头检测结果。较大差异，因此本文在五个区域内分别选取 50 图像共 25目标数与检测人头数，所得结果如表 3.1 所示。
【参考文献】：
期刊论文
[1]基于计算机视觉的运动目标分析[J]. 孔德磊. 电脑迷. 2017(12)
[2]基于HSV颜色特征的多目标视频检测与跟踪算法[J]. 周海鹏,王芳,田建艳. 科学技术与工程. 2017(20)
[3]基于改进高斯模型的目标检测与阴影去除方法[J]. 王红茹,童伟. 江苏科技大学学报(自然科学版). 2017(02)
[4]倾斜影像整体变分模型阴影检测算法改进[J]. 闫利,莫楠,费亮,朱睿希. 遥感信息. 2017(02)
[5]民用机场航站楼群体性事件预警研究[J]. 汪虹宇,曾小舟,蒋中华,王筱丽. 航空计算技术. 2016(04)
[6]RGB和HSI颜色空间的一种改进的阴影消除算法[J]. 韩延彬,郭晓鹏,魏延文,李恒建. 智能系统学报. 2015(05)
[7]改进的HSV阴影去除算法研究[J]. 谭家政,刘勇,邱芹军. 物联网技术. 2014(01)
[8]多特征融合匹配的多目标跟踪[J]. 闫辉,许廷发,吴青青,徐磊,吴威. 中国光学. 2013(02)
[9]大型体育赛事中群体性事件的预警机制[J]. 王智慧,张柳霞. 上海体育学院学报. 2013(02)
[10]航站楼旅客群体性事件预警监控系统架构及关键技术[J]. 邵荃,吴抗抗,周航,唐志星. 中国安全生产科学技术. 2012(11)
博士论文
[1]航站楼集群安全识别与预警关键技术研究[D]. 常庆龙.南京航空航天大学 2014
[2]智能视频监控下的多目标跟踪技术研究[D]. 李彤.中国科学技术大学 2013
[3]交通领域中的聚类分析方法研究[D]. 李桃迎.大连海事大学 2010
硕士论文
[1]民族地区群体性事件预警机制的研究[D]. 秦川迪.云南大学 2015
[2]群体性事件预警机制研究[D]. 程国杨.西南交通大学 2015
[3]基于AdaBoost和SVM的人头检测[D]. 牛胜石.中南民族大学 2010
[4]基于YUV颜色空间和图论切割的阴影去除算法[D]. 秦秀丽.武汉理工大学 2010
[5]视频监控中的群体运动分析研究[D]. 童俊艳.南京理工大学 2009
本文编号：2929640
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/2929640.html
