一种群体异常行为识别方法技术

本发明专利技术涉及一种群体异常行为识别方法，基于获取的视频流进行串联行人检测，当判断为多人时，基于运动历史图，计算能量值E，当E大于等于设定能量阈值时判断为多人异常行为，进行告警。本发明专利技术从整体角度出发，找到区分异常行为和正常行为的显著特征进行分析判断，结合人群密度估计和运动历史图的能量值，对群体正常行为和群体异常行为进行区分，识别算法准确率高，满足系统实时性要求。

A method of identifying abnormal group behavior

【技术实现步骤摘要】
一种群体异常行为识别方法
本专利技术涉及数据识别；数据表示；记录载体；记录载体的处理的
，特别涉及一种群体异常行为识别方法。
技术介绍
异常行为识别方法一般可以分为两类，包括基于模型匹配的行为识别方法和基于相似度度量的行为识别方法。基于模型的行为识别方法是从包含人体行为，如行走、跳跃、跑步、摔倒等的视频序列中，提取运动目标的外形、特征点、光流等信息进行人工建模作为已知行为的参考模型，然后将视频中的行为与已知模型进行匹配分类从而达到行为识别的目的；人工建模常用的模型有隐马尔科夫模型以及它的改进方法。Chen等通过提取目标的步态特征进行建模，利于步态特征模型进行异常行为检测；Piciarelli等提提取目标的运动轨迹进行建模，利用单类支持向量机(SVM)实现异常行为的识别的方法。基于模型的行为识别方法的检测效果取决于每个模型是否有足够多的样本，在训练样本足够多的前提下，该类算法的识别效果较好，但提取多维特征进行建模以及大量样本的训练需要足够的时间和较大的内存。基于相似性度量的行为分析方法将异常行为识别看成一个二分类问题，即人的行为只有两种，正常行为和异常行为；该方法无需定义人体行为模型，而是通过自动的从视频图像序列中学习正常行为的模式达到异常行为识别的目的；将视频进行分段处理，提取每一小段视频的特征组成矢量特征，运用聚类以及相似性度量的方法进行行为分析，把类别少的视频段作为异常行为视频段。朱旭东等提出了基于主题隐马尔科夫模型的人体异常行为识别方法，该方法通过无任何人工标注的视频训练集自动学习人体行为模型实时检测异常行为；王燕妮等提出一种基于模糊迭代自组织数据分析聚类结合直方图熵值算法的异常行为智能检测方法，通过模糊迭代自组织数据分析聚类方法获取视频关键帧，根据分类结果采用直方图熵值法对异常行为进行判断。基于相似性度量的行为分析方法对异常判断较为准确，但不能对具体是何种异常行为进行分类，容易受到目标被遮挡、人体四肢运动的随意性的影响，所以该类算法不适宜做具体异常行为的分析，也不适宜做指定目标的行为分析。公共场所发生打架斗殴、群体恐慌等多人异常行为，常常伴随着人员伤亡和财产损失，造成不良社会影响，因此对公共场所的多人异常行为进行智能监测和预警对保护人民人身财产安全，维护社会秩序稳定有重大意义。多人异常行为是指在非单人场景下的打架斗殴行为、多人恐慌行为，若提取监控场景下每个人的特征进行行为分析，将产生巨大的运算量，直接影响检测的实时性。
技术实现思路
为了解决现有技术中存在的问题，本专利技术提供一种优化的群体异常行为识别方法，采用基于相似性度量的识别算法，分别通过设计能量函数计算视频序列运动历史图的能量值来来判定多人异常行为是否发生。本专利技术所采用的技术方案是，一种群体异常行为识别方法，所述方法包括以下步骤：步骤1：获取视频流；步骤2：基于视频流进行串联行人检测；若为多人，则进行下一步，否则，重复步骤2；步骤3：基于运动历史图，计算能量值E；步骤4：若E小于设定能量阈值，则为正常行为，返回步骤2，否则，进行下一步；步骤5：判断为多人异常行为，进行告警。优选地，所述步骤2包括以下步骤：步骤2.1：对视频流进行处理，获得前景二值图；步骤2.2：对前景二值图进行连通域检测，获得代表行人的白色像素；步骤2.3：计算人群密度C，其中，pwhite表示前景二值图中的白色像素，psum表示监控区域总像素的个数；步骤2.4：当C超过设定值时，表示为多人，进行步骤3，否则，重复步骤2。优选地，所述步骤3中，其中，λ为增加能量放大系数，p(i)表示灰度值为i的像素占像素总数的比例，i的取值范围和灰度值的取值范围相同，均为0到255。优选地，所述步骤4中，能量阈值为21。本专利技术提供了一种优化的群体异常行为识别方法，基于获取的视频流进行串联行人检测，当判断为多人时，基于运动历史图，计算能量值E，当E大于等于设定能量阈值时判断为多人异常行为，进行告警。本专利技术从整体角度去出发，找到区分异常行为和正常行为的显著特征进行分析判断，结合人群密度估计和运动历史图(MHI)的能量值，对群体正常行为和群体异常行为进行区分，识别算法准确率高，满足系统实时性要求。附图说明图1为本专利技术的流程图；图2为在CASIA数据集采样一段40帧的抢劫行为视频序列后，设衰减参数δ为5、更新阈值ξ为25，最高灰度值τ分别为120、200、255时呈现的提取效果，τ为120、200、255分别对应左图、中图和右图；图3为在CASIA数据集采样一段40帧的抢劫行为视频序列后，设最大灰度值τ为200、更新阈值ξ为25，衰减参数δ为2、5、10时呈现的提取效果，衰减参数δ为2、5、10分别对应左图、中图和右图；图4为在CASIA数据集采样一段40帧的抢劫行为视频序列后，设最大灰度值τ为225，衰减参数δ为5，更新阈值ξ为15、25、60时呈现的提取效果，更新阈值ξ为15、25、60分别对应左图、中图和右图；图5为在不同场景下，视频序列发生动态多人异常行为时图像能量的变化情况，其中，以Te对应的虚线表示异常行为分界线，实线曲线的两人打架行为发生在30帧到60帧范围的室内，虚线曲线的两人打架行为发生在55帧到95帧范围的室外，以星号连接的曲线的多人恐慌行为发生在75到88帧范围的室外，通过阈值Te可区分不同人数、场景的多人异常行为。具体实施方式下面结合实施例对本专利技术做进一步的详细描述，但本专利技术的保护范围并不限于此。本专利技术涉及一种群体异常行为识别方法，所述方法包括以下步骤。步骤1：获取视频流。步骤2：基于视频流进行串联行人检测；若为多人，则进行下一步，否则，重复步骤2。所述步骤2包括以下步骤：步骤2.1：对视频流进行处理，获得前景二值图；步骤2.2：对前景二值图进行连通域检测，获得代表行人的白色像素；步骤2.3：计算人群密度C，其中，pwhite表示前景二值图中的白色像素，psum表示监控区域总像素的个数；步骤2.4：当C超过设定值时，表示为多人，进行步骤3，否则，重复步骤2。本专利技术中，在不同人群密度的场景下采用相同判定规则对人群行为进行描述并不准确，为了准确区分不同人群密度下的异常行为，提出将人群密度特征作为评估异常行为的特征之一。本专利技术中，对于目标的触发可以采用区域入侵行为检测进行，在指定区域内实时进行人体检测，指定区域出现行人即判定有区域入侵行为，即触发目标检测。本专利技术中，人群密度即在固定场景下的人群密集程度，基于视频图像确定若干与行人对应的检测区域，获得代表行人的白色像素后，完成目标识别，进行目标密度测算。本专利技术中，行人所占监控区域面积越大人群密度值C就越高。步骤3：基于运动历史图，计算能量值E。所述步骤3中，其中，λ为增加能量放大系数，p(i)表示灰度值为i的像素占像素总数的比例，i的本文档来自技高网...

【技术保护点】
1.一种群体异常行为识别方法，其特征在于：所述方法包括以下步骤：/n步骤1：获取视频流；/n步骤2：基于视频流进行串联行人检测；若为多人，则进行下一步，否则，重复步骤2；/n步骤3：基于运动历史图，计算能量值E；/n步骤4：若E小于设定能量阈值，则为正常行为，返回步骤2，否则，进行下一步；/n步骤5：判断为多人异常行为，进行告警。/n

【技术特征摘要】
1.一种群体异常行为识别方法，其特征在于：所述方法包括以下步骤：
步骤1：获取视频流；
步骤2：基于视频流进行串联行人检测；若为多人，则进行下一步，否则，重复步骤2；
步骤3：基于运动历史图，计算能量值E；
步骤4：若E小于设定能量阈值，则为正常行为，返回步骤2，否则，进行下一步；
步骤5：判断为多人异常行为，进行告警。


2.根据权利要求1所述的一种群体异常行为识别方法，其特征在于：所述步骤2包括以下步骤：
步骤2.1：对视频流进行处理，获得前景二值图；
步骤2.2：对前景二值图进行连通域检测...

【专利技术属性】
技术研发人员：李文书，
申请(专利权)人：杭州视鑫科技有限公司，
类型：发明
国别省市：浙江;33