随着人工智能的快速发展,智能监控技术发展越来越受到研究者们的重视。而对监控视频中的人群行为的检测与分析是智能监控系统的核心内容,其主要任务是从连续变化的图像中检测和提取出人群的运动特征,并实现对人群运动状态的描述和分析。如何对人群进行运动的显著性检测本文研究的重点。目前,人群行为分析主要分为两类:人群中的单个个体为对象的微观分析法和以人群整体行为为对象的宏观分析法。由于微观方法在人数众多且个体间存在互相遮挡的情况下,会产生较大的误差。因此本文从人群整体入手,提出一种基于流场拓扑结构的人群运动显著性检测的方法。其具体内容包括人群运动流场的建立、流场拓扑结构的计算以及运动轨迹的聚类三部分。首先,将视频分成一帧一帧的图像,将图像中的每一个像素点看成一个运动粒子,采用光流法来提取出粒子运动的速度。然后采用聚类的方法求出运动粒子在视频周期内的速度向量,得到恒定的人群运动流场;其次,根据人群运动流动场采用粒子平流的方法,得到粒子的轨迹信息,然后根据粒子的轨迹信息建立流场拓扑模型,并以此求取显著性信息包括临界点信息以及边界信息,其中临界点是由散度与旋度两个参数来决定的,而边界信息采用拉格朗日拟序结构进行计算;最后,通过采用三种不同的主流聚类算法将轨迹进行相似性聚类。然后通过分析三种聚类方法的优缺点,采用密度聚类与层次聚类相结合的方法来对人群运动轨迹进行划分。将显著性信息与轨迹信息相结合就实现了对人群流动进行拓扑分析。本文对UCF数据库中多组不同场景的视频进行了实验。结果表明,本文算法能比较有效检测出人群的运动状态和显著性区域。