一种人群异常行为与人群密度识别方法技术

本发明专利技术公开一种人群异常行为与人群密度识别方法，包括：计算待检测的视频第i帧和第i+1帧间每个像素点的位移矢量；提取运动区域前景并进行二值化处理，获得二值化后的运动区域前景图像；计算二值化后的运动区域前景图像的每个像素点的位移距离，剔除位移较小的像素点；对于剩余的像素点，求x方向和y方向的二阶微分，得到空间特征点；计算以每个空间特征点为核心的一定规格邻域的沿x轴方向和沿y轴方向的平均位移矢量；对于第i+1帧和第i+2帧视频，重复前面的步骤;计算第i帧至第i+1帧间视频的矢量和第i+1帧至第i+2帧间视频的矢量的差，并进行统计生成全局特征向量；将全局特征向量输入支持向量机训练，分别对人群异常和人群密度进行分类训练。

【技术实现步骤摘要】

本专利技术涉及计算机视觉
，具体涉及。
技术介绍
计算机视觉技术是一种研究如何使用计算机及其相关设备模拟生物视觉的技术。通过摄像机等成像设备采集图片或视频并进行处理，获得相应场景的三维信息，再交由计算机代替大脑完成处理和理解。该技术涉及多个学科，包括图像处理、模式识别、图像分析和图像理解等。目前，计算机视觉技术已广泛应用于各个领域，如医疗图像处理、视频监控、电子卡口、虚拟现实、智能交通等。随着计算机视觉技术的发展以及监控仪器在地铁站、飞机场等公共场所的的普及，人群异常行为以及人群密度识别技术已经成功实现。但是相关的理论及产品仍然很少，目前的技术主要是通过采样粒子移动方向和粒子移动速度等指标综合评价人群异常以及人群密度。对于人群密度评价，具体方案包括: 1.利用三维黑塞矩阵检测出人群视频中时空变化剧烈的特征点； 2.用时空局部二值化模式方法提取出特征点的动态纹理，再对动态纹理进行谱分析从而得到图像的局部特征； 3.利用直方图统计对整幅图像的局部特征进行分析，得到人群全局特征向量，然后将得到的人群全局特征向量输入支持向量机从而估计出人群的整体密度等级； 4.将局部特征进行处理并转换到彩色空间，即可得到人群局部密度分布的色谱图显不ο对于人群异常评价，具体方案包括: 1.对于不同尺寸的视频，采用不同规格的网格进行采样，将每个采样粒子视为一个个体，结合局部密度信息计算粒子之间的加权互作用力； 2.对每个采样点处的局部特征(加权互作用力)进行直方图统计，将作用力方向分为Ν个区间，大小分为Μ个区间，统计生成NX Μ维的全局特征向量，输入支持向量机训练进行特征分类； 3.对支持向量机的分类结果进行中值滤波以去除分类结果中的跳变点。上述方案虽然能够进行人群异常行为和人群密度的识别，但由于受外界复杂环境的干扰、人群分布不均匀、视频帧间跳变大等不利于识别的因素的限制，存在较多缺陷，包括: 1.无法提取前景与背景，只能对整个视频帧均匀采样，导致得到的信息中存在很多无效信息，使得算法整体效率不高。2.对于人群密度与人群异常是采用两种不相干的算法进行计算，为此需要进行两轮机器学习训练:第一轮是对人群密度进行学习训练，这一轮的人群密度识别训练必须完成并且取得较好的成果，这样才可以进行第二轮人群异常识别的训练，导致整个流程比较繁琐，在实际环境中实用性较差，并且由于采用算法较多，运算量较大，导致CPU负荷高，算法耗时长。3.计算人群异常时以“社会力模型”理论为基础提出“压力模型”，本质是将人群密度与人群异常行为进行融合，人群密度越高人群异常行为的判断越敏感，相反人群密度越低人群行为异常的判断越灵敏度越低，这样笼统地将人群密度和人群异常结合增大了误检率(FN)和漏检率(FP)。
技术实现思路
本专利技术的目的是解决现有技术的缺陷，提供一种高效率和精确度的人群异常行为与人群密度识别方法，采用的技术方案如下: ，包括: 51.计算待检测的视频第i帧和第i+Ι帧间每个像素点的位移矢量； 52.提取运动区域前景并进行二值化处理，获得二值化后的运动区域前景图像； 53.计算二值化后的运动区域前景图像的每个像素点的位移距离，剔除位移较小的像素点； 54.对于剩余的像素点，求X方向和y方向的二阶微分，得到空间特征点； 55.计算以每个空间特征点为核心的一定规格邻域的沿X轴方向和沿y轴方向的平均位移矢量； 56.对于第i+Ι帧和第i+2帧视频，重复步骤S1至S5; 57.计算第i帧至第i+Ι帧间视频的矢量和第i+Ι帧至第i+2帧间视频的矢量的差，并进行统计生成全局特征向量； 58.将全局特征向量输入支持向量机训练，分别对人群异常和人群密度进行分类训练，以实现对人群密度和人群异常的同时识别。作为优选，所述步骤S1中，使用光流法计算待检测的视频第i帧和第i+Ι帧间每个像素点的位移矢量。作为优选，所述步骤S2中，使用帧间差方法提取运动区域前景。作为优选，所述步骤S5中，计算以每个空间特征点为核心的3X3邻域的沿X轴方向和沿1轴方向的平均位移矢量。作为优选，所述步骤S7中，使用直方图对第i帧至第i+Ι帧间视频的矢量和第i+1帧至第i+2帧间视频的矢量的差进行统计。作为优选，所述步骤S8中，对人群异常分为正常和异常两类结果，对人群密度分为极低、低、中、高和极高五类结果。与现有技术相比，本专利技术的有益效果:本专利技术进行了运动区域前景提取，排除了大量无用信息和干扰；通过采用一种算法同时进行人群异常和人群密度的计算，大大减少了运算量，提升了效率，且相互之间没有干扰；通过将每个采样点的位移方向和位移大小两个参数转化为对连续两个帧间视频图像位移矢量差再进行比对，即将二维数据转换为一维数据，使得算法的鲁棒性更好。传统技术对采样点的位移方向和位移大小两个特征进行统计，共分为9个不同方向，每个方向分7个不同的速度大小位移值，导致在每个方向的分隔线附近由细小角度变化引起的误差较大，并且传统技术是对每个方向的位移大小用归一化方法分为7个等级，而本方法将位移大小分为50个区间，并且是以像素为单位的绝对值，使得统计更加精确，且消除了由归一化引发的相似性。【附图说明】图1是本专利技术流程图； 图2是本实施例实验用图； 图3是对提取的运动区域前景进行二值化处理得到的图像； 图4是对像素点求X方向和y方向的二阶微分，得到的空间特征点的示意图； 图5是计算第i帧至第i+Ι帧间视频的矢量和第i+Ι帧至第i+2帧间视频的矢量的差，并使用特征直方图进行统计得到的图像。【具体实施方式】下面结合附图和实施例对本专利技术作进一步详细描述。实施例:如图1所示，使用本专利技术的方法对图2进行处理，包括: 51.计算待检测的视频第i帧和第i+Ι帧间每个像素点的位移矢量； 52.提取运动区域前景并进行二值化处理，获得二值化后的运动区域前景图像，如图3所示； 53.计算二值化后的运动区域前景图像的每个像素点的位移距离，剔除位移较小的像素点； 54.对于剩余的像素点，求X方向和1方向的二阶微分，得到空间特征点，如图4所示； 55.计算以每个空间特征点为核心的一定规格邻域的沿X轴方向和沿y轴方向的平均位移矢量； 56.对于第i+Ι帧和第i+2帧视频，重复步骤S1至S5; 57.计算第i帧至第i+Ι帧间视频的矢量和第i+Ι帧至第i+2帧间视频的矢量的差，并进行统计生成全局特征向量； 58.将全局特征向量输入支持向量机训练，分别对人群异常和人群密度进行分类训练，以实现对人群密度和人群异常的同时识别。所述步骤S1中，使用光流法计算待检测的视频第i帧和第i+Ι帧间每个像素点的位移矢量。所述步骤S2中，使用帧间差方法提取运动区域前景。所述步骤S5中，计算以每个空间特征点为核心的3X3邻域的沿X轴方向和沿y轴方向的平均位移矢量。所述步骤S7中，使用直方图对第i帧至第i+Ι帧间视频的矢量和第i+Ι帧至第i+2帧间视频的矢量的差进行统计，如图5所示。所述步骤S8中，对人群异常分为正常和异常两类结果，对人群密度分为极低、低、中、高和极高五类结果。本实施例进行了运动区域前景提取，排除了大量无用信息和干扰；通过采用一种算法同时进行人群异常和人群密度的计算，大大减少了运算量，提升本文档来自技高网...

【技术保护点】
一种人群异常行为与人群密度识别方法，其特征在于，包括：S1.计算待检测的视频第i帧和第i+1帧间每个像素点的位移矢量；S2.提取运动区域前景并进行二值化处理，获得二值化后的运动区域前景图像；S3.计算二值化后的运动区域前景图像的每个像素点的位移距离，剔除位移较小的像素点；S4.对于剩余的像素点，求x方向和y方向的二阶微分，得到空间特征点；S5.计算以每个空间特征点为核心的一定规格邻域的沿x轴方向和沿y轴方向的平均位移矢量；S6.对于第i+1帧和第i+2帧视频，重复步骤S1至S5;S7.计算第i帧至第i+1帧间视频的矢量和第i+1帧至第i+2帧间视频的矢量的差，并进行统计生成全局特征向量；S8.将全局特征向量输入支持向量机训练，分别对人群异常和人群密度进行分类训练，以实现对人群密度和人群异常的同时识别。

【技术特征摘要】

【专利技术属性】
技术研发人员：毛亮，陈吉宏，杨焰，汪刚，刘双广，
申请(专利权)人：高新兴科技集团股份有限公司，
类型：发明
国别省市：广东;44