The invention discloses a group behavior analysis method based on multi feature fusion, which belongs to the field of machine vision and intelligent information processing. On the one hand, this method studies group behavior characteristics of group level, and extracts a series of feature descriptors that represent local motion information, including clustering, stability, consistency and conflict. On the other hand, this method introduces a new feature of multi-dimensional optical flow histogram to characterize global motion information, and further optimizes it by using a multi-layer dictionary learning method. Finally, by combining the local and global motion descriptors, the feature sets can be fully described, which can be applied to group behavior analysis and behavior recognition. The rationality and validity of the invention are proved by experiments conducted on real video libraries.
【技术实现步骤摘要】
一种基于多特征融合的群体行为分析方法
本专利技术涉及一种群体运动研究方法,尤其涉及一种基于多特征融合的群体行为分析方法,属于机器视觉与智能信息处理领域。
技术介绍
群体运动是自然界中普遍存在的,种类繁多且规模各异。群体运动广泛存在于各类群体系统中,例如,天体聚集形成的星系运动,蚁群等生物体的活动以及公共场所中人群的群体行为。在实际生活中,群体运动的分析和研究在视觉监控、人群管理等相关领域带来了一系列关键应用,具体包括人群流量统计和拥塞分析、异常检测和报警、开发人群管理战略等多个方面。基于多特征融合的群体行为分析方法在技术上提取主要包括多特征提取和群体行为识别两大部分。首先,在对群体行为进行分析之前,需要先提取多个特征,如群集性、流体特征、局部时空特征等。群集性取决于多个因素,如个体决定,人群密度和场景结构等。Zhou等首次提出了群集性的概念,用以描述群体行为中个体作为一个整体的协作程度。Shao等用马尔科夫过程描述群体行为,在群组级别计算群集性描述子,且提取了群组的稳定性、一致性、冲突性特征。光流计算连续两帧之间像素的瞬间运动,被广泛用于异常行为识别,群体运动检测和分割等。粒子流提供了从粒子的初始位置到一段时间后粒子位置的轨迹信息,解决了光流无法获取长时轨迹的问题,在群体分割和人群异常行为检测方面取得了一定成果。此外,典型的群体运动一般具有规律性和重复性,故可以根据从轨迹中提取的运动特征来分析群体运动,如目标之间的相对距离,加速度或能量等。考虑到复杂场景中获取完整轨迹的困难,一种新的运动特征轨段被提出,即短时间内跟踪方法所获得的轨迹片段,在轨迹聚类、行为识 ...
【技术保护点】
一种基于多特征融合的群体行为分析方法,包括以下步骤:步骤一:计算群组级别运动特征。对输入的τ帧视频序列图像,首先利用群集转变方法进行群组检测与分割,进而计算群组级别的特征描述符,包括群集性、稳定性、一致性、冲突性特征描述符,以表征视频中的局部运动信息。步骤二:引入多维光流直方图特征。对输入的τ帧视频序列图像,先进行优化分块处理,做2×2分块后进行光流特征提取,并且通过对光流信息的多维编码实现特征维度的提升,得到多维光流直方图特征,以充分表征视频图像中的全局运动信息和空间情景信息。步骤三:对步骤二中得到的多维光流直方图特征,采用一种多层字典学习的方法进行处理,降低原始特征维度,同时获得更高层的视频描述特征,使多维光流直方图特征能够表征更丰富的全局运动信息。步骤四:将表征局部与全局运动信息的特征描述符进行融合后,构成群体行为的特征集合,可表示为{Φ
【技术特征摘要】
1.一种基于多特征融合的群体行为分析方法,包括以下步骤:步骤一:计算群组级别运动特征。对输入的τ帧视频序列图像,首先利用群集转变方法进行群组检测与分割,进而计算群组级别的特征描述符,包括群集性、稳定性、一致性、冲突性特征描述符,以表征视频中的局部运动信息。步骤二:引入多维光流直方图特征。对输入的τ帧视频序列图像,先进行优化分块处理,做2×2分块后进行光流特征提取,并且通过对光流信息的多维编码实现特征维度的提升,得到多维光流直方图特征,以充分表征视频图像中的全局运动信息和空间情景信息。步骤三:对步骤二中得到的多维光流直方图特征,采用一种多层字典学习的方法进行处理,降低原始特征维度,同时获得更高层的视频描述特征,使多维光流直方图特征能够表征更丰富的全局运动信息。步骤四:将表征局部与全局运动信息的特征描述符进行融合后,构成群体行为的特征集合,可表示为{Φcoll,Φstab,Φunif,Φconf,ΦMHOF}。最后,选用SVM分类器进行训练识别。2.权利要求2所述的在群体行为分析方法中引入多维光流直方图特征,以充分表征视频序列中的全局运动信息和空间情景信息。多维光流直方图方法是通过对光流信息的多维编码实现特征维度的提升。为了使提取到的特征能更好得表征场景中的运动模式信息,首先要对输入图像进行优化分块处理,对图片做2×2分块后再进行多维光流直方图特征提取。多维光流直方图特征将提取到的光流特征分为内外两层,即K=16位。向量中开始的8位是方向信息以及运动能量r<τ的内层部分,后8位对应r>τ的外层部分,具体计算公式如下:
【专利技术属性】
技术研发人员:何小海,刘文璨,卿粼波,滕奇志,吴晓红,单倩文,王正勇,
申请(专利权)人:四川大学,
类型:发明
国别省市:四川,51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。