一种基于混合跟踪和广义线性模型的人群异常事件检测方法技术

本发明专利技术提供一种基于混合跟踪和广义线性模型的人群异常事件检测方法，包括以下步骤：跟踪行人运动轨迹；提取所述跟踪路径的特征点；采用基于广义线性模型的神经网络对前景对象的方向和活动中至少一种进行分类。本申请采用混合跟踪模型和遗传算法相结合的神经网络进行建模，并由建立的特征模型来更直观的表达场景中的群体事件信息。选取恰当的特征模型对最终群体异常事件检测的性能有着重要影响。

A method of crowd abnormal event detection based on hybrid tracking and generalized linear model

The present invention provides a method of crowd anomaly detection based on hybrid tracking and generalized linear model, which includes following steps: tracking the path of pedestrians, extracting the feature points of the tracking path, and classifying at least one of the direction and activity of the foreground object by the neural network based on the generalized linear model. In this application, the hybrid tracking model and genetic algorithm are used to model the neural network, and the feature model is used to express the group event information in the scene more intuitively. Selecting the appropriate feature model has an important influence on the performance of eventual group abnormal event detection.

【技术实现步骤摘要】
一种基于混合跟踪和广义线性模型的人群异常事件检测方法
本专利技术涉及图像特征描述的
，特别是一种基于混合跟踪和广义线性模型的人群异常事件检测方法。
技术介绍
近年来，各类重大群体性异常事件的可能性显著增加，公共安全问题日益受到国家重视。智能视频监控(intelligentvideosurveillance，IVS)作为公共安防领域的关键技术，被广泛研究和普遍推广。该技术融合了图像处理、模式识别及人工智能等多个学术领域，是计算机领域的研究热点之一。群体事件是指由群体参与或引发的事件，这类事件往往采取集结力量的态势，对社会影响力大，冲击力强，对社会的稳定发展有着重大影响。在现实中，这些事件经常伴随着斗殴、暴乱、交通事故以及自然灾害等的发生，对社会有不利影响的，我们将其定义为群体异常事件。国内学者胡卫明等人在文献《AHierarchicalSelf-OrganizingApproachforLearningthePatternsofMotionTrajectories》中利用自层次化的自组织神经网络技术建立运动目标的轨迹模型，并根据一系列轨迹点对模型进行学习，同时，根据当前轨迹点和模型参数对运动目标在下一时刻的方向和位置进行预测以便检测出交通车辆运动方向异常以及在停车场中是否有可疑行人等测试系统。上海交通大学研发的基于IP网络的智能化视频内容监控系统采用了背景建模的方法，对采集到的视频流进行场景背景更新维护，然后提取出去除运动干扰的视频监控场景画面，采用对象分割的方法，从监控视频中提取运动目标，最后采用视频跟踪的方法，利用相邻帧中运动目标的颜色特征，实现对视频对象的跟踪，并对监控对象的丢失进行报警处理。国外学者Jonathan等人在《ApplicationoftheSelf-OrganizingMaptoTrajectoryClassification》一文中提到在运动分割、目标分类以及运动跟踪获得目标的运动轨迹之后，利用自组织映射神经网络对停车场这个特殊的监控场景中行人的正常轨迹进行学习，然后根据学习得到的特征模型对行人的异常轨迹或者可疑的轨迹进行检测。文献《MotiondetectionandtrajectoryAnalysis》中使用正交高斯-赫密特矩(OrthogonalGaussian-HermiteMoments)提取图像中的每个独立运动区域，并在假定获得运动轨迹的前提下，用三次样条曲线拟合离散的一系列轨迹点集，并基于样条曲线方程和相关矩阵运算分析目标的速度、加速度信息，根据这些运动信息对目标在当前时刻的运动方向进行判别。文献《ABayesianComputerVisionSystemforModelingHumanInteractions》中利用计算机视觉与机器学习技术对人与人之间的行为建立模型，根据贝叶斯网络模型对感兴趣的活动进行识别，如人的尾随、人改变方向与他人打招呼等可疑事件。Tony在文献《NeuralNetworkBasedThreatAssessmentforAutomatedVisualSurveillance》对运动轨迹曲线和运动历史图像建立模型，并提出一种新的概率神经网络分类器，对行人或者车辆活动的安全性进行评估。Kingsley在《ComputerVisionforSecurityapplications》介绍了图像处理与计算机视觉在安全监控中的应用，并对场景中出现了运动目标的入侵检测进行了较详细的分析。文献《RecognizingHumanActionsinaStaticRoom》中基于跟踪、肤色检测、变化检测等低层视觉处理技术，提取出监控视频中每个运动目标的状态信息，并在获得先验知识(一个特定的室内场景的每个区域位置的布局信息)的前提下，建立行为模型，对人进入室内、使用电脑终端、打开存储柜、接电话等事件进行识别。在每个不同的环境下，这种监控系统需要预先得知相关监控场景的先验知识，因此，对不同环境需要重新分析场景内的每个区域位置信息。文献《AnalyzingandrecognizingwalkingfiguresinXYT》中提出了一种基于空间和时间运动特征的步态识别技术，对每个行人的步态建立模型，通过基本的模式识别技术建立行人与其步态之间的联系。SupriyaRao等人在《Abnormalactivitydetectioninvideosequencesusinglearntprobabilitydensities》对地铁中行人或者车辆的轨迹建立模型，学习正常情况下行人或者车辆的模型状态并使用最大似然估计算法估测模型的参数，在提取出运动目标的轨迹后，将这些参数与正常事件模型参数进行比较，即可自动检测出行人是否穿越地铁轨道或者车辆违规驾驶等异常事件。JunWang等人在《AdaptiveMonitoringforVideoSurveillance》中提到在当前监控视频中检测出前景运动目标，根据每帧中检测的运动目标的状态信息反馈给监控计算机，计算机使用这个反馈信息自动调整摄像头的位置，通过镜头的旋转与缩放等实时地跟踪监控视频中的运动目标，这种监控系统可以使得摄像机能够自动地跟踪值得关注的运动目标，如果能够结合多摄像机对前景目标进行异常事件检测，则可以更好地获得可疑运动目标的状态信息，如人脸区域、轨迹等。Stauffer等人在《LearningPatternsofActivityUsingReal-TimeTracking》开发了一个智能监控系统，用来对某个场景实现远程监控，在不同的场景下，需要配置多个摄像机交互监控信息，当利用多高斯背景模型与在线更新算法成功检测前景目标之后，建立一种跟踪机制获得每帧中运动目标的诸如位置、速度、方向等信息，根据这些信息对不同类型的正常事件建立运动模型，并用大量的含有正常事件的视频对这些模型进行学习，然后，使用学习后的含有正常事件的视频的运动模型对监控场景中的某个事件进行匹配以检测出含有异常行为的视频。公开号为CN102799863A的专利技术专利申请公开了一种视频监控中团体人群异常行为检测方法，包括步骤如下：视频目标检测：通过相继帧中的边缘信息差异检测得到视频对象，和通过前景帧与背景帧的帧差得到运动变化的视频对象，结合两种视频对象检测结果得到相对精确的运动目标；视频目标跟踪：通过基于视频粒子的长周期的运动估计方法，对目标进行跟踪得到相应的运动轨迹；团体人群检测：通过团体人群在视频中的运动特性，对轨迹间距离，行进速度信息进行谱聚类分析；人群异常行为识别：使用MGHMM模型对人群轨迹建立模型，通过正常轨迹的突然变化来进行堵塞和跌倒的识别。该方法在视频质量较低、人群密度较为密集的情况下检测效果不好，鲁棒性较差。
技术实现思路
为了解决上述的技术问题，本专利技术提出一种基于混合跟踪和广义线性模型的人群异常事件检测方法，采用混合跟踪模型和遗传算法相结合的神经网络进行建模，并由建立的特征模型来更直观的表达场景中的群体事件信息。选取恰当的特征模型对最终群体异常事件检测的性能有着重要影响。本专利技术提供一种基于混合跟踪和广义线性模型的人群异常事件检测方法，包括以下步骤：步骤1：跟踪视频中行人运动轨迹；步骤2：提取所述跟踪路径的特征点；步骤3：采用基于广义线性本文档来自技高网...

【技术保护点】
1.一种基于混合跟踪和广义线性模型的人群异常事件检测方法，包括以下步骤：步骤1：跟踪视频中行人运动轨迹；步骤2：提取所述跟踪路径的特征点；步骤3：采用基于广义线性模型的神经网络对前景对象的方向和活动中至少一种进行分类。

【技术特征摘要】
1.一种基于混合跟踪和广义线性模型的人群异常事件检测方法，包括以下步骤：步骤1：跟踪视频中行人运动轨迹；步骤2：提取所述跟踪路径的特征点；步骤3：采用基于广义线性模型的神经网络对前景对象的方向和活动中至少一种进行分类。2.如权利要求1所述的基于混合跟踪和广义线性模型的人群异常事件检测方法，其特征在于：所述步骤1为在基于零终止限制的混合跟踪模型中采用邻搜索方法估计对象头部位置并采用HSIM算法实现基于视觉的跟踪。3.如权利要求2所述的基于混合跟踪和广义线性模型的人群异常事件检测方法，其特征在于：所述步骤1包括以下子步骤：步骤11：读取监控图像和参考点；步骤12：提取最佳的头部对象；步骤13：构建混合跟踪模型。4.如权利要求3所述的基于混合跟踪和广义线性模型的人群异常事件检测方法，其特征在于：所述步骤11包括输入拥挤视频V并提取视频中的每一帧。然后将V∈{vi；1≤i≤n}作为输入采用混合跟踪模型跟踪人体对象，其中拥挤视频V包括n帧。5.如权利要求4所述的基于混合跟踪和广义线性模型的人群异常事件检测方法，其特征在于：所述步骤11还包括第一帧v1中随机寻找参考点Rj以获取第一帧中人体头部部分，Rj＝(xj，yj)；1≤xj≤M；1≤yj≤N，其中，M×N表示所...

【专利技术属性】
技术研发人员：玄祖兴，郭燕飞，王海，孙欣，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京,11