一种行人异常行为检测方法及系统技术方案

本发明专利技术涉及一种行人异常行为检测方法，包括：采用轨迹片段关联方法，对视频帧中的目标行人进行跟踪；分别计算视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离；根据上述计算的视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离，判断是否发生异常行为。本发明专利技术还涉及一种行人异常行为检测系统。本发明专利技术能够检测出行人在行走过程中出现的徘徊或逗留行为，提高了监控人员查找造成安全问题的原因的效率，节约了人力。

【技术实现步骤摘要】

本专利技术涉及一种行人异常行为检测方法及系统。
技术介绍
近年来，随着安全问题受到社会的日益关注，视频中的异常行为检测也越来越重要。同周围行人的行为不一致，存在徘徊或者逗留的行为，而这些行为可能引发一些安全问题。通过对监控视频进行分析，进而对一些造成安全问题的异常行为进行判定，可以将监控视频中大量的对安防无用的信息过滤掉，节约大量的人力。目前对于行人的异常行为的检测，通常是对目标行人进行跟踪，获得目标行人的轨迹，通过轨迹和场景模型的一致性检测目标行人的行为异常，或通过模型实现对异常行为的检测。可见，目前的行人异常行为检测方式大都需要建立复杂的模型，然后进行模型学习，效率较低而且过程复杂。
技术实现思路
有鉴于此，有必要提供一种行人异常行为检测方法及系统。本专利技术提供一种行人异常行为检测方法，该方法包括如下步骤：a.采用轨迹片段关联方法，对视频帧中的目标行人进行跟踪；b.分别计算视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离；c.根据上述计算的视频帧中的目标行人和其周围行人在整个跟踪过程的运动
距离，判断是否发生异常行为。其中，所述的步骤a具体包括：根据所述视频帧生成行人的轨迹片段；采用社会关系分布SAM特征，对生成的行人的轨迹片段进行关联，实现对所述目标行人的跟踪。所述的周围行人是指：在对目标行人开始跟踪时，存在于目标行人周围三米之内的行人，并且这些行人运动的最终目的地与该目标行人相同。所述的步骤b中计算视频帧中的目标行人在整个跟踪过程的运动距离s具体包括：每间隔N帧，利用公式计算一次目标行人运动距离，其中，x，y为目标行人的位置坐标，L为在N帧内目标行人运动距离；目标行人在整个跟踪过程中的运动的距离s为：S＝L1+L2+…+Ln。所述的步骤c具体包括：对目标行人和其周围行人在整个跟踪过程的运动距离通过β函数进行计算；将该目标行人的运动距离s和计算得到的β函数的值进行差值计算；如果差值大于预先设定的阈值T，则判断为有异常行为发生；如果若差值小于预先设定的阈值T，则判断为无异常行为发生。本专利技术还提供一种行人异常行为检测系统，该系统包括跟踪模块、计算模块及判断模块，其中：所述跟踪模块用于采用轨迹片段关联方法，对视频帧中的目标行人进行跟踪；所述计算模块用于分别计算视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离；所述判断模块用于根据上述计算的视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离，判断是否发生异常行为。其中，所述跟踪模块具体用于：根据所述视频帧生成行人的轨迹片段；采用社会关系分布SAM特征，对生成的行人的轨迹片段进行关联，
实现对所述目标行人的跟踪。所述的周围行人是指：在对目标行人开始跟踪时，存在于目标行人周围三米之内的行人，并且这些行人运动的最终目的地与该目标行人相同。所述计算模块中计算视频帧中的目标行人在整个跟踪过程的运动距离s具体为：每间隔N帧，利用公式计算一次目标行人运动距离，其中，x，y为目标行人的位置坐标，L为在N帧内目标行人运动距离；目标行人在整个跟踪过程中的运动的距离s为：S＝L1+L2+…+Ln。所述判断模块具体用于：对目标行人和其周围行人在整个跟踪过程的运动距离通过β函数进行计算；将该目标行人的运动距离s和计算得到的β函数的值进行差值计算；如果差值大于预先设定的阈值T，则判断为有异常行为发生；如果若差值小于预先设定的阈值T，则判断为无异常行为发生。本专利技术一种行人异常行为检测方法及系统，基于对目标行人的跟踪，不是通过模型实现对异常行为的检测,而是通过比较行人与其周围行人运动的不一致进行异常行为检测，从而避免了复杂模型学习的过程。本专利技术能够检测出行人在行走过程中出现的徘徊或逗留行为，提高了监控人员查找造成安全问题的原因的效率，节约了人力。附图说明图1为本专利技术一种行人异常行为检测方法的流程图；图2为本专利技术一种行人异常行为检测系统的硬件架构图。具体实施方式下面结合附图及具体实施例对本专利技术作进一步详细的说明。参阅图1所示，是本专利技术一种行人异常行为检测方法较佳实施例的作业流程图。步骤S1，采用轨迹片段关联方法，对视频帧中的目标行人进行跟踪。具体而言：第一步，根据所述视频帧生成行人的轨迹片段：通过HOG(Histogram of Oriented Gradient，方向梯度直方图)方法在所述视频帧中进行行人检测，然后通过光流法对行人进行跟踪。由于遮挡的存在，光流法跟踪很容易停止，生成行人的轨迹片段。第二步，采用社会关系分布SAM(social affinity map)特征，对生成的行人的轨迹片段进行关联，实现对所述目标行人的跟踪：其中，所述的社会关系(social affinity)是指：周围行人的运动关系，社会关系可以由朋友、亲戚、工作伙伴组成，如couple walking，Leader-follower现象。首先，对生成的行人的轨迹片段进行矢量化，得到该轨迹片段的SAM特征。其中，所述生成的行人的轨迹片段包含所要跟踪的行人，即目标行人的轨迹片段。接着，对在同一时刻该目标行人的轨迹片段周围一定范围内的轨迹片段通过聚类方法按照SAM特征进行聚类。其中，范围大小通常设置为3米，这样可以避免一些异常值。需要注意的是，该目标行人的轨迹片段周围一定范围内的轨迹片段的运动方向和时间应与该轨迹片段一致。然后，将上述聚类的结果用一个径向直方图描述，按照SAM特征最常见的类别将该径向直方图分为十个区域，也即十个类别，同时该径向直方图表示出了所述十个类别的空间位置分布。然后，对所述径向直方图进行二进制矢量化，得到SAM特征的矢
量。最后，通过马尔科夫链模型(Markov-chain model)对上述轨迹片段进行关联，在上述轨迹片段关联时，通过汉明距离(Hamming distance)比较两个轨迹片段的SAM特征的矢量，以便将运动在相似的社会关系分布中的两个轨迹片段进行关联，形成目标的长轨迹，最终实现对目标行人的跟踪。步骤S2，分别计算视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离。值得注意的是，本实施例是基于社会关系的，所以在轨迹片段关联时，涉及到目标行人周围三米之内的行人的轨迹。本实施例所述的目标行人周围行人是指：在对目标行人开始跟踪时，存在于目标行人周围三米之内的行人，并且这些行人运动的最终目的地与该目标行人相同。以下以目标行人运动距离的具体计算为例进行说明：所述计算的目标行人运动距离是指在整个跟踪过程中目标行人运动距离。每间隔N帧，计算一次目标行人运动距离，公式如下： L = ( x i + N - 1 - x i ) 2 + 本文档来自技高网...

【技术保护点】
一种行人异常行为检测方法，其特征在于，该方法包括如下步骤：a.采用轨迹片段关联方法，对视频帧中的目标行人进行跟踪；b.分别计算视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离；c.根据上述计算的视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离，判断是否发生异常行为。

【技术特征摘要】
1.一种行人异常行为检测方法，其特征在于，该方法包括如下步骤：a.采用轨迹片段关联方法，对视频帧中的目标行人进行跟踪；b.分别计算视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离；c.根据上述计算的视频帧中的目标行人和其周围行人在整个跟踪过程的运动距离，判断是否发生异常行为。2.如权利要求1所述的方法，其特征在于，所述的步骤a具体包括：根据所述视频帧生成行人的轨迹片段；采用社会关系分布SAM特征，对生成的行人的轨迹片段进行关联，实现对所述目标行人的跟踪。3.如权利要求1所述的方法，其特征在于，所述的周围行人是指：在对目标行人开始跟踪时，存在于目标行人周围三米之内的行人，并且这些行人运动的最终目的地与该目标行人相同。4.如权利要求3所述的方法，其特征在于，所述的步骤b中计算视频帧中的目标行人在整个跟踪过程的运动距离s具体包括：每间隔N帧，利用公式 L = ( x i + N - 1 - x i ) 2 + ( y i + N - 1 - y i ) 2 ]]>计算一次目标行人运动距离，其中，x，y为目标行人的位置坐标，L为在N帧内目标行人运动距离；目标行人在整个跟踪过程中的运动的距离s为：S＝L1+L2+…+Ln。5.如权利要求4所述的方法，其特征在于，所述的步骤c具体包括：对目标行人和其周围行人在整个跟踪过程的运动距离通过β函数进行计算；将该目标行人的运动距离s和计算得到的β函数的值进行差值计算；如果差值大于预先设定的阈值T，则判断为有异常行为发生；如果差值小于预先设定的阈值T，则判断为无异常行为发生。6.一种行人异常行为检测系统，其特征在...

【专利技术属性】
技术研发人员：董露，李娜，冯良炳，
申请(专利权)人：中国科学院深圳先进技术研究院，
类型：发明
国别省市：广东;44