项目来源

国（略）科（略）(（略）C（略）

项目主持人

王（略）

项目受资助机构

昆（略）大（略）

项目编号

6（略）3（略）

立项年度

2（略）

立项时间

未（略）

研究期限

未（略） （略）

项目级别

国（略）

受资助金额

3（略）0（略）

学科

信（略）-（略）能（略）感（略）器（略）

学科代码

F（略）6（略）6（略）

基金类别

地（略）基（略）

关键词

动（略） （略）形（略）;（略）轨（略） （略）分（略） （略）术（略）动（略） （略）形（略）;（略）轨（略） （略）分（略） （略）术

参与者

李（略）张（略）张（略）玮（略）；（略）马（略）清（略）

参与机构

昆（略）大（略）

项目标书摘要：人群（略）危机处理能力的关键（略）踪获取的大量运动轨（略）这一具挑战性课题提（略）有方法大多不适于对（略）建模；如何高效地学（略）为解决问题的关键。（略）中的异常群体行为，（略）动均受到潜在流形向（略）运动路径的流形向量（略）进而揭示群体运动的（略）先学习个体运动路径（略）度向量场；接下来，（略）动力学以检测异常个（略）体运动向量场的不变（略）实验验证真实场景监（略）常群体行为的在线分（略）域应用研究的发展。

Applicati（略）: The cro（略） analysis（略）echnology（略） the publ（略）anagement（略） visual s（略）ctories c（略）tracking （略）ndant spa（略）al inform（略） challeng（略）e.recogni（略）interacti（略）ry.Howeve（略）ting meth（略）suitable （略）g of the （略） trajecto（略）h dimensi（略）x structu（略）fficientl（略） represen（略）evel stru（略）tivities （略）the key t（略） problem.（略）e abnorma（略）ivities i（略）deo surve（略）uming tha（略）idual mot（略） scene ar（略）o the eff（略）otential （略）ctor fiel（略）,learning（略）ld vector（略）he moveme（略）analyze c（略）ties,whic（略）l the spa（略）ucture of（略） from mic（略）.First,le（略）intrinsic（略）folds of （略）movement （略）nerate th（略）vector fi（略）alyzing t（略）al dynami（略）anifold v（略） for anom（略）ual detec（略）s basis,e（略）he invari（略）tion of t（略）ector fie（略）iminant c（略）.Experime（略）cations i（略）monitorin（略）eal scene（略）heories a（略）of online（略）or the sc（略） abnormal（略）proposed,（略） promote （略）ment of a（略）studies i（略）d.

项目受资助省

云（略）

项目结题报告(全文)

研究利用视频监控实（略）检测，能极大地提高（略）究利用视觉信息识别（略）行为，涉及计算机视（略）方法。重点研究了以（略）何准确地提取出多个（略）标位置、分类、运动（略）基于流形向量场特征（略）判别分析及建模。③（略）决异常样本不足、前（略）一以及在线学习的数（略）达到将行为识别建模（略）义状态的目的。已完（略）监控场景多目标互动（略）样本较少情况下基于（略）网络(SSD)的多（略）实验验证。②建立了（略）类(Rigid c（略）测地线距离的运动轨（略）异常群体行为的准确（略）中多传感器图像增强（略）卷积神经网络(CN（略）及基于对抗生成网络（略）建方法。④针对上述（略）神经网络固有的数据（略）phic Forg（略）们提出了一种基于遗（略）增强记忆网络用于对（略）习。本项目按行为识（略）观测提取、行为结构（略）信息处理层次均进行（略）目的。此外，可以将（略）少数民族地区人流量（略），使项目符合实际情（略）