复杂场景下人群移动行为检测是计算机视觉、机器学习、人工智能、无人驾驶等领域的热点研究问题,并与社会学、心理学、管理学等人文社科交叉融合。由于人口不断涌向城市,城市人群密集度越来越高,使得人群移动行为分析在公共安全、公安侦查、智能监控等领域成为一个具有挑战性的研究方向,因此人群移动行为检测也具有极高的研究和应用价值。本文针对复杂场景下的人群移动行为检测,从人群移动轨迹提取、图像特征提取、移动描述和图像特征聚类、去除异常点等方面进行人群移动行为检测研究,提出了三种检测方法。本文具体研究工作包括以下几点:(1)基于增强谱聚类的人群移动行为检测。由于使用社会群体检测模型构建的邻接矩阵和拉普拉斯矩阵在求特征值时容易出现奇异值,因此本文根据人群移动轨迹的轨迹点坐标和移动速度,提出了一种新颖的邻接矩阵和拉普拉斯矩阵方法。首先求解该矩阵的特征值,并随机选取其中最小四个特征值构建特征向量,然后使用K-means聚类算法对构建的特征向量聚类从而得到聚类簇,最后将聚类簇映射至每一帧图像实现人群移动行为检测。(2)基于深度聚类的人群移动行为检测。人群移动轨迹点和移动速度是描述人群移动行为的重要特征,因此本文将人群移动轨迹点和移动速度融合,提出一种人群移动描述符用于描述人群移动行为,并使用K-medoids算法对移动描述进行聚类。人群场景图像特征是描述人群移动状况和场景结构的重要信息,因此本文使用SqueezeNet正向加速网络提取人群场景视频帧图像特征,并使用K-medoids算法对图像特征进行聚类。由于人群场景光照变化和人群倒影问题,导致KLT稀疏光流法提取的人群移动轨迹和使用SqueezeNet正向加速网络提取的图像特征包含大量异常数据,因此本文提出一个约束条件用于去除这些异常数据点。(3)基于Repulsion Loss增强YOLOv3人群检测。场景复杂度较高,混合的非人群目标类别较多,这些非人群目标会对人群个体产生遮挡。同时场景中人群密度较大,使得人群个体间也存在严重的相互遮挡问题。在使用YOLOv3网络检测人群时会出现漏检或将相互遮挡的人群个体检测为同一目标的情况,而Repulsion Loss算法是针对遮挡人群检测的一种深度学习网络损失函数。因此本文将YOLOv3网络与Repulsion Loss算法融合,提出了一种Repulsion Loss增强YOLOv3遮挡人群检测算法。本文将提出的三种算法在国际公开的数据集上进行大量实验,经过与其他算法进行比较,验证了本文算法的优越性能。本文提出算法不仅得到较好检测效果,而且具有较强的泛化性和鲁棒性,能适应大多数场景和不同密度的人群移动行为检测。