一种人群异常行为分析方法技术

本发明专利技术有关一种人群异常行为分析方法，该方法包括：步骤一、采集监控场景图像，并以特征点形式对监控场景图像内群体目标进行跟踪；步骤二、通过计算特征点的位置变化来获取群体目标的运动信息；步骤三、根据时间信息以及所述群体目标的运动信息建立当前场景运动信息的三维统计直方图；步骤四、重复步骤一至三，对多个三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本；步骤五、对当前场景运动信息的三维统计直方图与预设的人群行为模式码本进行相似性度量，判断当前场景人群行为是否正常。将具有代表性的行为模式从大量统计运动特征中挖掘出来，构成人群行为模式码本，降低了对人群异常行为的检测的不确定性。

【技术实现步骤摘要】

本专利技术涉及计算机视觉领域，特别是涉及一种人群异常行为分析方法。
技术介绍
利用计算技术对场景中的人群行为展开自动分析是计算机视觉及公共安全相关领域的重要研究课题。目前，面向个体的行为分析还没有得到完全解决，对群体行为的分析由于受到诸多额外因素的影响则更加困难。现有研究中，对场景中的人群行为进行分析主要有两种不同的思路。一是“基于个体”的自底向上分析方法。通过将群体行为看作是个体行为的有机组合，在对群体行为进行分析时，首先对其中的个体展开检测及跟踪，然后根据个体运动轨迹的分析对异常行为作出推断。在分析中小规模人群的行为时，这类方法可以获得较为满意的分析结果。然而当场景中的群体目标规模越来越大，个体间的相互遮挡会严重影响检测及跟踪的表现，自底向上的行为分析方法就会面临很大的困难。另一类方法采用“全局性”的自顶向下分析思路，通过将群体目标看做一个整体，实现面向群体的目标跟踪。近年来在这方面的研究主要建立在利用粒子平移思路的基础上。通过在视频画面上平铺一层粒子，并让其按照光流场的约束进行运动，克服了密集人群场景下的目标检测及跟踪难题。在异常行为检测方面，主要是利用社会力模型计算粒子间的相互作用力，并通过相互作用力的异常实现对场景中所发生的异常行为的检测。进一步的利用HOG(HistogramofOrientedGradient，方向梯度直方图)特征描述子对特征点进行跟踪，并通过对常见行为预先建模的方式实现对群体行为的识别。有些方法从粒子点的轨迹展开建模分析，引入了混乱不变量以训练场景模型，实现了对异常行为的识别。还有通过引入粒子蜂群优化，改善社会力模型中相互作用力的计算，提高了对异常行为识别的准确率。以上方法虽然规避了个体检测的技术难题，但是在群体行为的表征方面仍然缺乏有效的建模思路，这使得其对人群行为的分析缺乏依据，对人群异常行为的检测存在较大的不确定性。
技术实现思路
有鉴于上述现有技术所存在的缺陷，本专利技术的目的在于，提供一种人群异常行为分析方法，以解决上述问题。为了实现上述目的，依据本专利技术提出的一种人群异常行为分析方法，该方法包括：步骤一、采集监控场景图像，并以特征点形式对监控场景图像内群体目标进行跟踪；步骤二、通过计算特征点的位置变化来获取群体目标的运动信息；步骤三、根据时间信息以及所述群体目标的运动信息建立当前场景运动信息的三维统计直方图；步骤四、重复步骤一至三，对多个所述三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本；步骤五、将当前场景运动信息的三维统计直方图与预设的人群行为模式码本进行相似性度量，判断当前场景人群行为是否正常。本专利技术与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本专利技术所公开的人群异常行为分析方法，对多个所述三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本。通过对群体运动特征的统计特性展开类聚分析，将具有代表性的行为模式从大量统计运动特征中挖掘出来，构成人群行为模式码本，成为对群体目标展开行为分析的重要依据，降低了对人群异常行为的检测的不确定性。此外，本专利技术所公开的人群异常行为分析方法以特征点形式对监控场景图像内群体目标进行跟踪，并对所述特征点进行动态层次类聚。以动态层次类聚的方法解决了特征点的“漂移”问题，巧妙的规避了人群场景中所面临的目标检测难题，实现了对群体运动特征的准确捕获。附图说明图1是本专利技术公开的一种人群异常行为分析方法示意图；图2是本专利技术对特征点进行动态层次类聚的示意图。具体实施方式为更进一步阐述本专利技术为达成预定专利技术目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本专利技术提出的个人异常行为检测方法和系统的具体实施方式、步骤、结构、特征及其功效详细说明。实施例一本实施例公开了一种人群异常行为分析方法，如图1所示，该方法包括：步骤一、采集监控场景图像，并以特征点形式对监控场景图像内群体目标进行跟踪。本实施例对人群行为的相关研究是将流体力学的建模方法应用于人群建模。其主要思路是将群体中的每个个体视作流体中的单个分子，当人群的规模足够庞大时，这种近似就能够准确的描述人群的行为。这种类比的思路在应对跟踪问题时同样适用。如果能够避免对单个目标的检测，以特征点的跟踪替代个体跟踪，也就巧妙的避开了人群中进行个体检测的难题。当特征点的密度选取适当时，由于其在运动趋势上同个体本身的相似性，特征点的运动就能够近似的反映个体运动状态。如果对整个人群场景都运用类似的方法进行跟踪，就可以实时的获得场景中人群的运动状态。这种近似的跟踪手段在应对单个目标时或许会存在一定误差，但当目标规模不断上升，从统计意义上讲误差所带来的影响会不断减小，因此可以客观的反映人群的运动状态。基于上述分析，本实施例中，在采集到监控场景图像后，以特征点形式对监控场景图像内群体目标进行跟踪，具体表现为：平铺一层网状粒子(即网格布点)在某一帧的输入图像上，在一个跟踪周期内，通过光流法对所述特征点进行跟踪。所谓的特征点是根据图像尺寸及网格密度，计算出网格中每个交叉点的位置(x,y)，这些位置的像素点即选取为特征点。这里提到的跟踪周期，是指网格布点的更新间隔T，一般取T＝0.6s，以帧率为25的视频为例，即每隔15帧图像，跟踪网格更新一次。跟踪网格的更新一方面保证所有新进入场景的物体都能得到有效的检测及追踪，另一方面，由于跟踪过程中存在特征点的丢失，通过更新可以对丢失位置进行有效补充。视频监控感兴趣的是进入场景的前景目标，对于前景外的区域，网格布点的方式存在一定的冗余，也因此带来了诸多不必要的计算。因此，本实施例中所述监控场景图像内群体目标进行跟踪过程，还包括：将监控场景图像内的运动目标与背景目标进行分离，提取运动目标。以减少特征点个数，有效缩小跟踪区域。本实施例可以通过混合高斯背景建模的方法将监控场景图像内的运动目标与背景目标进行分离，提取运动目标。进一步的，实际跟踪过程中会发现，由于网格布点的方式所选取的特征点并非通常意义上的角点(二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点)，因此在逐帧的检测过程中特征点会发生“漂移”，并逐步在某些角点位置聚集。这种汇聚一方面会导致有效跟踪位置的减少，另一方面由于网格更新会不断有新的特征点产生，特征点的总数在不断增加，给计算带来了很大的负担。基于此，通过引入动态的层次类聚，将距离小于终止阈值dth的特征点合并，仅保留生存周期较长的特征点。假设在当前时刻场景中存在N个特征点，则初始类别数P＝N，当类间距离小于中止阈值时类聚结束。所以，本实施例所述以特征点形式对监控场景图像内群体目标进行跟踪过程，还包括：对所述特征点进行动态层次类聚。如图2所示，对所述特征点进行动态层次类聚的过程具体包括：步骤11、计算特征点下三角类间距离矩阵DP×P，其中，P为特征点的初始类别；步骤12、在距离矩阵DP×P中寻找最小的非对角线元素dmin＝di,j；步骤13、判断dmin是否大于终止阈值dth，若否(dmin≤dth)，则将dmin行列坐标(i，j)对应的类别合并为一类，类别数P减1，回到步骤11；若是(dmin＞dth)，则终止。动态层次类聚算法的距离矩阵如表一所示，动本文档来自技高网...

【技术保护点】
一种人群异常行为分析方法，其特征在于，包括：步骤一、采集监控场景图像，并以特征点形式对监控场景图像内群体目标进行跟踪；步骤二、通过计算特征点的位置变化来获取群体目标的运动信息；步骤三、根据时间信息以及所述群体目标的运动信息建立当前场景运动信息的三维统计直方图；步骤四、重复步骤一至三，对多个所述三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本；步骤五、对当前场景运动信息的三维统计直方图与预设的人群行为模式码本进行相似性度量，判断当前场景人群行为是否正常。

【技术特征摘要】
1.一种人群异常行为分析方法，其特征在于，包括：步骤一、采集监控场景图像，并以特征点形式对监控场景图像内群体目标进行跟踪；步骤二、通过计算特征点的位置变化来获取群体目标的运动信息；步骤三、根据时间信息以及所述群体目标的运动信息建立当前场景运动信息的三维统计直方图；步骤四、重复步骤一至三，对多个所述三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本；步骤五、对当前场景运动信息的三维统计直方图与预设的人群行为模式码本进行相似性度量，判断当前场景人群行为是否正常。2.根据权利要求1所述人群异常行为分析方法，其特征在于，所述以特征点形式将对当前监控场景图像内群体目标进行跟踪的过程，包括：平铺一层网状粒子在某一帧的输入图像上，在一个跟踪周期内，通过光流法对所述特征点进行跟踪。3.根据权利要求1所述人群异常行为分析方法，其特征在于，所述运动信息包括个体瞬时速度幅值和相位。4.根据权利要求3所述人群异常行为分析方法，其特征在于，所述步骤二，包括：通过光流法跟踪到第i个特征点当前时刻t的位置为t-1时刻的位置为计算当前时刻t，第i个特征点的个体瞬时速度：Vxi,t=Xti-Xt-1i,Vyi,t=Yti-Yt-1i,]]>其中，为第i个特征点在t时刻、沿X轴方向的瞬时速度，为第i个特征点在t时刻、沿Y轴方向的瞬时速度；获取当前时刻t，第i个特征点的个体瞬时速度幅值rampi,t=(Vxi,t)2+(Vyi,t)2;]]>获取当前时刻t，第i个特征点的相位θit=arctanVyi,tVxi,t.]]>5.根据权利要求4所述人群异常行为分析方法，其特征在于，所述运动信息还包括：个体瞬时加速度、个体平均速度、个体平均加速度、场景平均瞬时速
\t度和场景平均加速度。6.根据权利要求4所述人群异常行为分析方法，其特征在于，所述步骤三，包括：计算在t时刻，整个场景特征点群速度幅值均值和方差Vscet=1NΣi=1NVampi,t,δsce2=1N-1Σi=1N(Vampi,t-Vscet),]]>其中，N为特征点的个数；获取所述特征点群速度幅值均值的分布区间[Vmin,Vmax]：Vmin=max(0,Vscet-3δsce),Vmax=Vscet+3δsce;]]>获取所述特征点群速度幅值均值分布区间的划分间隔：其中K为直方图的维数；按照所述特征点群速度幅值均值分布区间对第i个特征点个体瞬时速度幅值进行投票，则有：K=0,Vampi,t...

【专利技术属性】
技术研发人员：黄志蓓，吴健康，吕东岳，刘东岩，
申请(专利权)人：中国科学院大学，
类型：发明
国别省市：北京;11