周报
1．文献阅读
Mehran R, Oyama A, Shah M. Abnormal crowd behavior detection using social force model[C]// Conference on Computer Vision & Pattern Recognition. 2009:935-942.
这篇文章介绍用社会力模型来进行不正常人群行为的检测。目前计算机视觉分析人群行为是一个新兴的领域，例如计算机自动侦测人群的骚乱、混乱行为，并在图像中定位骚乱发生的位置。目前有三种主要的方法，第一是微观方法，定义了行人运动的动机，将人群行为作为一个自组织过程的结果，社会力模型就是该方法最为出名的代表；第二是宏观方法，这种方法重点在于目标导向人群，他不是着眼于个体，而是将人群分为几个群体，为每个群体设定运动；第三种方法是前两种方法的混合模型。
目前计算机视觉领域重点在于人群行为分析。解决理解人群行为的困难有两种思路，一种是基于对象的，认为人群是有一个个独立的个体组成，这种方法是要进行人群分割或个体侦测的，但是这种方法在遇到大密度的人群时会有相当大的困难。另一种整体式的方法，在大密度时将人群看成一个整体，通过捕获群体的行为来理解行人的行为。
由于人群拥挤、密度大时，基于对象的模型在评估社会力模型参数有不足之处，所以在评估交互力时，将人群视为有交互的粒子的组合，这里的粒子不是将每个个体看成一个粒子，而是将运动的部位看成粒子，这些粒子的运动行为构成粒子流，粒子流能够捕获人群流动的连续性，这是其他模型不能比拟的。
由于瞬时的力学特性不能分辨出不正常现象，通过一段时间内的力学模型就可以识别出。对于图像的进一步处理运用了LDA（Latent Dirichlet Allocation），中文名是文档主题生成模型。
通过图像处理，将粒子流进一步处理成力场流，通过颜色就可以很好的识别力较大的区域，如上图颜色较深的区域。
作者进一步将社会力模型和光流流动模型进行对比，发现社会力模型比光流模型效果好。作者得出结论：社会力模型在侦测和定位不正常行为方面是高效可行的。
优点：作者详细介绍了一些拥挤人群的力学模型，包括宏观、微观和混合式模型，后来的图像处理技术是我所不了解的，看了这篇文章感觉做图像处理很有意思。同时再一次加深对社会力模型的理解，对社会力模型的实际运用有所了解。
缺点：只能监控人员的流动情况，识别和定位不正常现象，不能进一步做到基于目前的人员流动情况提前预测人群的下一步流动趋势。
2．工作进展
帮助巩师姐烘干试件，测量试件重量；
完成一部分移除粒子模块的编写；
3．下周任务
继续阅读文献；
完成移除粒子模块的程序，开始初始化模块的编写；
帮助巩师姐做试验。