（中国民航飞行学院 计算机学院，四川 广汉 618307）

0 概述

人群异常检测是近年来在视频处理、计算机客模式识别领域研究的热点课题之一，为拥挤场所的公共安全提供实时的监控和判断。人群异常检测算法通常需要经过以下4个过程：1）预处理，即处理粗糙的视频图像，进行去噪、模糊、筛选等操作，以便后续处理；2）事件表示，即选择特征用于表征事件，包括低层特征和高层特征，低层特征如光流［1］、梯度［2］、轮廓［3］等；高层特征如时空轨迹［4］等；3）模型建立，即从表征事件的特征中建立异常事件的特征检测模型，人们根据不同的环境和需求建立了各种不同的事件模型；4）异常检测，即通过模型的建立，设定判别方法，当满足条件时，认为异常事件发生，典型推断算法包括隐马尔科夫模型［5］、条件随机场模型［6］及动态贝叶斯网络［4］等，也有学者采用支持向量机［7］和神经网络［8］进行分类。

在人群异常检测的模型建立过程中，文献［9］按照事件分类检测的角度将模型分为5类：即基于分类［3］和聚类［10］的模型、基于推断［11］的模型、基于能量异常［12］的模型、基于重构［13］的模型和其他模型［14］。而从人群的角度可将模型分为3类：粒子模型［15］，流体动力学模型［16］和代理人模型［17］。其中，流体动力学模型使用较少，而且主要是采用动力学模型［18］，将行人作为一个质点看待，使用动力学方法对质点运动进行微分表示。本文将从流体力学的视角看待人群建模，并在流体动力学模型基础上，对其概念进一步扩展，将所有的人群模型处理方法纳入到本文提出的视角中。……