基于拉格朗日粒子动力学方法的群流分割和稳定性分析
基于拉格朗日粒子动力学方法的群流分割和稳定性分析
基于拉格朗日粒子动力学方法的群流分割和稳定性分析
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
基于拉格朗日粒子动力学方法的<br />
群流分割和稳定性分析<br />
报告人:何 雷<br />
2013年4月23日
1<br />
2<br />
3<br />
4<br />
运用背景<br />
技术原理<br />
结果展示<br />
总 结
运用背景<br />
1、智能交通监控:通过对城<br />
市交通车辆的整体监控,检<br />
测各道路车流量大小,对拥<br />
堵区域采用智能调控方法进<br />
行疏导。<br />
北京<br />
2、人群管理:对广场、体育场<br />
和宗教集会地等大量人群出现的<br />
地方进行监控,通过对人群密度<br />
估计和异常行为检测,防范因突<br />
发事件或人群拥挤导致的踩踏事<br />
故。
3、公共场所设计:通过对<br />
人群运动估计,设计出合理<br />
的、易对人群进行疏散的建<br />
筑物,提高建筑物的安全系<br />
数。<br />
4、安全检查:在机场、海关<br />
或其他安检场所,通过对人<br />
群行为智能分析,协助安全<br />
人员预防恐怖袭击或定位跟<br />
踪嫌犯。
5、海洋生物检测:可通过<br />
自动检测设备,在人类难以<br />
进入的深海区域行鱼群检测<br />
或跟踪,从而检测生态环境<br />
的变换。<br />
6、医学图像处理:可<br />
通过群体分析技术实现<br />
对细胞群变化的检测和<br />
分析。<br />
7、鸟群检测:利用群<br />
体动态分析技术实现对<br />
高空飞鸟群体行为分析<br />
等等。
技术原理<br />
输入视频<br />
光流场<br />
Frames Optical Flow Field<br />
dφx dx<br />
dφy dx<br />
dφx dy<br />
dφy dy<br />
Flow Map Gradients<br />
FTLE 场<br />
2<br />
1<br />
0<br />
−1<br />
−2<br />
x 10 −3<br />
0<br />
100<br />
10<br />
90<br />
20<br />
80<br />
30<br />
70<br />
40<br />
60<br />
50<br />
50<br />
60<br />
40<br />
70<br />
30<br />
80<br />
20<br />
90<br />
10<br />
100 0<br />
FTLE Field<br />
Segments at Time t1<br />
不稳定性分析<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
70<br />
80<br />
粒子流图<br />
Particle Grid Particle Flow Maps<br />
20 40 60 80 100 120 140 160<br />
Segments at Time t2<br />
场分割<br />
Flow Segments
光流场<br />
光流:也可称图像流(image flow),是指两帧图像中亮<br />
度模式的视运动。用来描述多幅灰度图像之间的变化。<br />
O 1<br />
p 1<br />
O 2<br />
p 2<br />
P<br />
p 2<br />
p 1<br />
光流<br />
计算光流的先验知识: 三维空间的物点 P 相对应的图像点<br />
及其附近的灰度变化规律在运动过程中保持不变。
空间物点 P 在 t 时刻, 在图像平面内的投影为(x, y) , 在<br />
t+δt 时刻在图像平面内的投影为 (x+δx, y+δy) ;<br />
假设光照条件不变,场景内该物点在图像内的投影的像素<br />
灰度值不随时间而改变, 令 E 表示图像像素的灰度值:<br />
Exy ( , , t) = E( x+ δx, y+ δ y, t+ δt)<br />
等式右边利用一阶Taylor级数展开:<br />
∂E<br />
∂E<br />
∂E<br />
E ,<br />
∂x<br />
∂y<br />
∂t<br />
( x,<br />
y,<br />
t)<br />
+ δx<br />
+ δy<br />
+ δt<br />
= E(<br />
x,<br />
y t)<br />
用 δt 除以等式两边, 并取极限 δt → 0<br />
∂Edx ∂Edy ∂E<br />
+ + =<br />
∂xdt ∂ydt∂t 0
令<br />
dx dy ∂E∂E∂E uxy ( , ) = , vxy ( , ) = , Ex = , Ey = , Et<br />
=<br />
dt dt ∂x∂y∂t 得到光流约束方程( Optical Flow Constraint Equation):<br />
其中 [u(x, y) v(x, y)] T 表示为该像素点的光流矢量<br />
Pixel (i, j)<br />
I 1<br />
Pixel (i, j)<br />
Eu x + Ev y + Et<br />
=<br />
E y n<br />
E x<br />
0<br />
t 1<br />
I 2<br />
梯度方向和E t<br />
t 2<br />
E x=I 2(i+1, j)-I 2(i, j)<br />
E y=I 2(i, j+1)-I 2(i, j)<br />
E t=I 2(i, j)-I 1(i, j)
在解空间 u-v 平面, 光流的解为一<br />
条直线。直线上任意一点都可能<br />
是所求光流的解。<br />
所求的光流(u,v) 在向量 n上<br />
的投影:<br />
其中:<br />
( , ) ( , )<br />
E E ⋅ u v =−E<br />
x y t<br />
n<br />
=<br />
( Ex Ey)<br />
T<br />
( Ex, Ey)<br />
T<br />
E<br />
x<br />
u + E yv<br />
+ Et<br />
=<br />
0
Horn and Schunck 算法:利用两个速度分量的差分来测定平滑度。<br />
邻域内的光流均值(即邻域内的平均速度值): ,̅<br />
记: Δ u = u −u Δ v= v−v 所谓平滑,即在给定邻域内,使得:<br />
Δ u +Δ v = ( u− u) + ( v−v) 2 2 2 2<br />
达到最小。<br />
采用拉格朗日待定系数法求解,上述问题等效为求解以下问题:<br />
求解(u,v),使得:<br />
ε uxy vxy dxdy Eu Ev E λ u v dxdy<br />
2 2 2 2<br />
( ( , ), ( , )) = [( x + y + t)<br />
+ ( Δ +Δ )]<br />
<br />
达到最小。λ 为系数,为一正数,用以控制平滑约束的权重 。
对两个光流变量求偏导数,并令其为零。整理可得松弛算法的<br />
迭代递推公式:<br />
n n<br />
( Eu x + Ev y + Et)<br />
n+ 1 n<br />
u = u −<br />
E<br />
2 2 2 x<br />
λ + Ex + Ey<br />
n n<br />
( Eu x + Ev y + Et)<br />
n+ 1 n<br />
v = v −<br />
E<br />
2 2 2 y<br />
λ + Ex + Ey<br />
uv ,<br />
0 0<br />
u , v<br />
: 邻域内的平均速度值<br />
: 初始值可以选为0<br />
计算时,在一个时间间隔反复迭代,直至满足误差要求。<br />
几何含义:在每一次迭代过程中,新的光流值由其邻域的光流<br />
平均值出发,在此基础上,沿着梯度方向,减去一个调整值,<br />
向光流约束方程代表的直线逼近。
流场建立<br />
1.计算N帧光流场的平均值,获得平均场M(消除高频噪声)。<br />
2.堆叠T个平均场获得一块平均场域。<br />
用T个连续的平均光流场计算流图。
粒子流图<br />
将群流视为周期性动力学系统<br />
动力学系统的一般表达形式:<br />
xtt<br />
(;<br />
0, x0) = vxtt ( (; 0, x0), t)<br />
<br />
xtt<br />
(; 0, x0) = x<br />
随着时间的推移,方程的解沿其轨迹流动。设定初始时刻 和 t<br />
最终时刻,那么定义流图 φ ,表示某点从到的运动轨迹: φ : D→ D: x <br />
φ ( x ) = x( t; t , x )<br />
t t<br />
t 0 t 0 0 0<br />
0 0<br />
t<br />
0
流图满足以下性质:<br />
t<br />
φ ( x) = x,<br />
0<br />
0<br />
t<br />
t+ s t+ s s t+ s t<br />
φ ( x) = φ ( φ ( x)) =<br />
φ ( φ ( x)).<br />
t s t t t<br />
0 0 0<br />
流图是指一段时间内所有粒子的运动轨迹的集合。由于光流场<br />
仅表示粒子的瞬时位置和运动速度,T帧光流场组成了不连续<br />
的流图。
需要采用插值法计算连续的运动轨迹。<br />
算法使用四阶Runge-Kutta-Fehlberg和cubic interpolation<br />
x=<br />
f(, t x)<br />
<br />
xa<br />
( ) = x0<br />
16 6656 28561 9 2<br />
xt ( + h) = xt ( ) + K1+ K3 + K4 − K5 + K6<br />
135 12825 56430 50 55<br />
<br />
K1=<br />
hf(, t x)<br />
<br />
1 1<br />
K2 = hf( t+ h, x+ K1)<br />
4 4<br />
<br />
3 3 9<br />
K3<br />
= hf( t+ h, x+ K1+ K2)<br />
8 32 32<br />
12 1932 7200 7296<br />
K4<br />
= hf( t+ h, x+ K1− K2 + K3)<br />
13 2197 2197 2197<br />
<br />
439 3680 845<br />
K5<br />
= hf( t+ h, x+ K1− 8K2<br />
+ K3<br />
− K4<br />
)<br />
216 513 4104<br />
<br />
1 8 3544 1859 11<br />
K6 = hf( t+ h, x− K1+ 2 K2 − K3 + K4 − K5)<br />
2 27 2565 4104 40<br />
<br />
25 1408 2197 1<br />
xj+ 1 = xj + K1+ K3 + K4 − K5<br />
<br />
216 2565 4104 5
Tricubic interpolation in three dimensions<br />
用向量表示64个插值系数 <br />
<br />
f x, y, z <br />
, <br />
<br />
for all i, j, k ∈ 0,1,2,3<br />
,,<br />
<br />
<br />
, ,<br />
, , , , <br />
f x, y, z <br />
<br />
,,
B <br />
det B 1<br />
<br />
:http://gyre.cds.caltech.edu/pub/software/tricubic/doc
流图结果:
FTLE场<br />
1961年冬季的一天,为了考察一条更长的序列,洛伦兹走了一<br />
条捷径。他在进行天气模式计算时没有从头开始运行,而是从<br />
中途开始。作为计算的初值,他直接输入了上次运算的输出结<br />
果,然后他穿过大厅下楼,清净的去喝一杯咖啡。一个小时之<br />
后他回来时,看到了出乎意料的事。从几乎相同出发点开始,<br />
洛伦兹看到他的计算机产生的天气模式差别愈来愈大,终至毫<br />
无相似之处。就是这件事播下了一门新科学的种子。
李亚普诺夫指数公式<br />
两个系统:<br />
设其初始值微小误差 ,经过一次迭代以后有:<br />
由第二次迭代得:<br />
经过n次迭代得:<br />
xn+ 1 = f ( xn)<br />
y = f( y )<br />
n+ 1 n<br />
f( x ) − f( y ) df<br />
x − y = f( x ) − f( y ) = x −y ≈ x x − y<br />
0 0<br />
1 1 0 0<br />
x0 − y0 0 0<br />
dx 0 0 0<br />
每次迭代平均分离值为:<br />
df df df<br />
x −y ≈ x −y ≈ x − y<br />
0 1<br />
dx dx dx<br />
2 2 x1 1 1 x x 0 0<br />
n−1<br />
df ( xn,<br />
μ)<br />
xn − yn ≈ ∏ x x − y<br />
n<br />
n=<br />
0 dx<br />
1/ n<br />
n−1<br />
df <br />
∏xn n=<br />
0 dx<br />
<br />
0 0<br />
df<br />
x<br />
=<br />
lim<br />
f ( x ) − f( y )<br />
0 0<br />
−<br />
0 dx x0→y0 x y<br />
0 0
两个系统如初始值存在微小误差,随时间产生分离,分离程度<br />
常用李亚普诺夫指数来度量,它为几何平均值的对数:<br />
n−1<br />
df ( xn,<br />
μ)<br />
<br />
∏<br />
xn<br />
n=<br />
0<br />
1<br />
λ = ln <br />
n dx <br />
式中的为第次迭代值。取 →∞,得李亚普诺夫指数计算公<br />
式:<br />
n−1<br />
1 df ( xn,<br />
μ)<br />
λ = lim ln<br />
n→∞<br />
n dx<br />
n=<br />
0<br />
利用李亚普诺夫指数 ,相空间内初始时刻的两点距离将随时间<br />
(迭代次数)作指数分离:<br />
x − y ≈ x − y ⋅exp( n⋅λ) n n<br />
0 0
FTLE场的计算<br />
假设和是初始时刻相邻的两个粒子, ,其中 表示两粒子初始时刻的偏移量,经过一段时间后两粒子的偏移量<br />
变为:<br />
t0+ T<br />
dφt( x)<br />
t 2<br />
0+ T t0+ T<br />
0<br />
δ( t0 + T) = φt ( y) − φ ( ) (<br />
0 t x = δ t<br />
0<br />
0) + ο( δ(<br />
t0)<br />
)<br />
dx<br />
2<br />
其中 ο( δ(<br />
t0)<br />
) 是极小值,可以舍去,则该偏移量的幅度为:<br />
t0+ T t0+ T t0+ T ∗ t0+ T<br />
dφt ( x) dφ ( ) ( ) ( )<br />
0 t x dφ 0 t x dφ 0 t x<br />
0<br />
δ( t0 + T) = δ( t0), δ( t0) = δ( t0), δ(<br />
t0)<br />
dx dx dx dx<br />
t + T ∗ t + T<br />
dφ ( x) dφ ( x)<br />
0 0<br />
t0 t0<br />
式中 Δ=<br />
dx dx 为有限时间的Cauchy-Green应变张量,上式可<br />
化为:<br />
δ( t + T) = δ( t ), Δδ(<br />
t )<br />
0 0 0
T = 98<br />
T = 98<br />
dφx dx<br />
dφy dx<br />
T = 98<br />
T = 98<br />
dφx dy<br />
dφy dy
只有当 ∆ 的最大特征值对应的特征向量与 δ 方向一致时,<br />
取最大值,表示为:<br />
max δ( t + T) = δ( t ), λ ( Δ ) δ( t ) = λ ( Δ)<br />
δ(<br />
t )<br />
0 0 max 0 max 0<br />
其中, (∆)是∆的最大特征值。<br />
ln λ ( Δ)<br />
0 max 0 0<br />
max<br />
max δ( t + T) = λ ( Δ ) δ( t ) = e δ(<br />
t )<br />
T<br />
max Δ<br />
σ<br />
0<br />
ln λ ( )<br />
t ( x) T<br />
e δ t0 = e δ t0<br />
( ) ( )<br />
T 1<br />
σt( x)<br />
= ln<br />
0 T<br />
λmax<br />
( Δ)<br />
上式即为FTLE的定义公式,表示经过时刻后两粒子的聚合或<br />
发散程度。如果 0,则两粒子是发散的,如果 0, 则两粒子保<br />
持相对位置不变,如果 0,说明两粒子是聚合的。
2<br />
1<br />
0<br />
−1<br />
−2<br />
x 10 −3<br />
0<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
70<br />
80<br />
90<br />
100 0<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
70<br />
80<br />
90<br />
100
场分割<br />
1、全局分割(Normalized Cuts and Image Segmentation)<br />
2<br />
1<br />
0<br />
−1<br />
−2<br />
x 10 −3<br />
0<br />
10<br />
20<br />
30<br />
40<br />
2、合并相似片段<br />
50<br />
60<br />
70<br />
80<br />
90<br />
100 0<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
70<br />
80<br />
90<br />
100
k<br />
w =<br />
d<br />
Normalized Cuts and Image Segmentation<br />
1. 点集在一个任意的特征空间中可表示为一个无方向性的加权图。<br />
2. 每条边的权重 , ,是一个关于节点 和相似度的函数。<br />
3. 计算两个分割片段的不相似度作为边的总权重:<br />
导致缺陷:<br />
cut( A, B) = w( u, v)<br />
u∈A, v∈B k<br />
w =<br />
d
改进方法:<br />
cut( A, B) cut( A, B)<br />
Ncut( A, B)<br />
= +<br />
assoc( A, V ) assoc( B, V )<br />
分割算法:<br />
1. 给出一副图像或图像系列,建立相应加权图 ,,设置<br />
两个节点边的权重,用来测量两个节点的相似度。<br />
2. 求解 最小特征值的特征向量。<br />
di () = <br />
wi (, j)<br />
j<br />
d1 <br />
<br />
d<br />
<br />
2<br />
D = <br />
<br />
<br />
对称阵 , dN<br />
<br />
<br />
3. 使用第二个最小特征值的特征向量分割图。<br />
4. 决定目前分割得到的图是否需要进一步分割,如果有必要则进<br />
一步递归分割图。
合并相似片段<br />
,是相邻的两片段,,是,中的粒子集,拥有共同的边界。 ,粒子集的尺寸分别为, 。<br />
1 dt ( )<br />
m n 1 1 di, j()<br />
t<br />
χ () t = ln lypdiv( s<br />
t d(0)<br />
1, s2)<br />
= ln<br />
mn t d (0)<br />
设定阈值threshold,通过以下法则合并相似片段:<br />
yes,<br />
lypdiv( s1, s2) ≤ threshold<br />
merge = <br />
no,<br />
others<br />
i= 1 j= 1 i, j
不稳定性分析<br />
1、检测流场片段数目的变化。<br />
2、FTLE场是否产生新的拉格朗日相干结构(LCS)。<br />
3、在新的流场片段中,定位流场动力学性质变化的地方。<br />
t 0<br />
Correspondence between flow segments.<br />
t 1
结果展示
0<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
70<br />
80<br />
90<br />
0<br />
20<br />
40<br />
60<br />
80<br />
100<br />
120<br />
140<br />
160<br />
180<br />
−0.1<br />
−0.05<br />
0<br />
0.05<br />
0.1<br />
0<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
70<br />
80<br />
90<br />
100<br />
0<br />
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
70<br />
80<br />
90<br />
100<br />
−2<br />
−1<br />
0<br />
1<br />
2<br />
x 10 −3
10<br />
20<br />
30<br />
40<br />
50<br />
60<br />
70<br />
80<br />
20 40 60 80 100 120 140 160
总结<br />
高密度群体流视频分割方法<br />
拉格朗日粒子动力学<br />
获得一段时间内完整运动信息的一种方法<br />
群流的不稳定性分析<br />
不能进行实时处理,优化各个过程的算法,以期提高速度。<br />
提高群流不稳定性检测精度,将单个粒子的性质合并到流<br />
场片段的空间表达式中。