面向拥挤场景的无监督异常轨迹检测方法和装置制造方法及图纸

本申请公开了一种面向拥挤场景的无监督异常轨迹检测方法和装置，涉及异常轨迹检测领域。该方法包括：获取拥挤场景视频的多个帧；使用多物体跟踪器在每个帧内确定多个包含人群区域的候选框，每个帧的所有候选框均不重叠；在每个候选框内检测低级特征，跟踪检测到的所有特征点的质心，得到跟踪物体的运动轨迹；根据运动轨迹的密度、形状、平均位置和标准偏差，对运动轨迹上的所有数据点进行聚类分析；在得到的所有聚类中，根据香农熵检测出异常轨迹，使用投票机制对检测出的异常轨迹进行筛选。该装置包括：获取模块、确定模块、跟踪模块、聚类模块和检测模块。本申请提高了检测的准确率，解决了现有方法面向拥挤场景时检测准确率降低的问题。

【技术实现步骤摘要】
面向拥挤场景的无监督异常轨迹检测方法和装置
本申请涉及异常轨迹检测领域，特别是涉及一种面向拥挤场景的无监督异常轨迹检测方法和装置。
技术介绍
计算机视觉旨在融合类似人类的能力，从描述性的一组视觉数据中解释和提取有关行为模式和行为异常的有用信息，然而在分析共同变化的多信号数据时，人的能力有明显的局限性。例如人群，它表现为一个相当大的同时变化的参数集合，其特征通常是一般的主导模式和某些异常模式。随着与人群相关的暴力事件的增加，扩大研究以分析人群错综复杂的本质是至关重要的，安全是了解人群动态和隔离异常模式的主要原因。了解拥挤场景中的异常情况可以实现更好的公共空间设计，可以构建更好的监控系统，并且可以帮助人们了解人群中的异常模式规律。目前可以使用概率主成分分析器来学习局部人群的模式，然后通过马尔可夫随机场验证一致性；可以使用光流的多尺度直方图作为特征描述符，并将其用作稀疏重建的基础；可以使用拉格朗日粒子动力学模拟相干人群流动作为流体流动。但是这些方法都是有监督的，需要大量的带标记数据，这些数据可以直接用于构建数据视频功能和视频标签之间的连接。但在实际情况中，并不是所有领域的视频数据都有公开的带标记的数据集，因此监督学习的方法在异常轨迹检测方面的实用价值相对较小。因此，开发无监督异常检测系统比监督系统更具挑战性且应用价值也更高。拥挤场景中的异常轨迹可以根据其组成的行人和物体的运动模式来确定。分析轨迹数据使人们能够以极高的准确度预测和识别异常。有学者提出使用层次聚类框架，用于基于成对相似性对车辆运动轨迹进行分类，但仅限于使用单个特征进行聚类。现有技术大多数属于监督学习范畴，但无监督的方法却更具实际意义。已有的少数无监督异常轨迹检测方法，在面向拥挤场景时往往准确率降低，如何在拥挤场景中准确快速的检测异常轨迹成为需要解决的问题。
技术实现思路
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。根据本申请的一个方面，提供了一种面向拥挤场景的无监督异常轨迹检测方法，包括：获取拥挤场景视频的多个帧；使用多物体跟踪器在每个帧内确定多个包含人群区域的候选框，所述每个帧的所有候选框均不重叠；在每个候选框内检测低级特征，跟踪检测到的所有特征点的质心，得到跟踪物体的运动轨迹；根据所述运动轨迹的密度、形状、平均位置和标准偏差，对所述运动轨迹上的所有数据点进行聚类分析；在得到的所有聚类中，根据香农熵检测出异常轨迹，使用投票机制对检测出的异常轨迹进行筛选。可选地，对所述运动轨迹上的所有数据点进行聚类分析，包括：采用MeanShift聚类算法对所述运动轨迹上的所有数据点进行聚类分析。可选地，在得到的所有聚类中，根据香农熵检测出异常轨迹，包括：使用所述运动轨迹和所有聚类中心之间的距离来建立概率分布，评估所述概率分布的香农熵，如果超过指定阈值，则将该熵对应的运动轨迹归类为异常轨迹。可选地，在得到的所有聚类中，根据香农熵检测出异常轨迹，使用投票机制对检测出的异常轨迹进行筛选，包括：在得到的所有聚类中，多次进行香农熵检测得到异常轨迹，使用投票机制在所述多次香农熵检测出的异常轨迹中，筛选出被标记异常的次数超过指定次数的异常轨迹。可选地，所述方法还包括：将所述运动轨迹的坐标更新为所述平均位置的坐标。根据本申请的另一个方面，提供了一种面向拥挤场景的无监督异常轨迹检测装置，包括：获取模块，其配置成获取拥挤场景视频的多个帧；确定模块，其配置成使用多物体跟踪器在每个帧内确定多个包含人群区域的候选框，所述每个帧的所有候选框均不重叠；跟踪模块，其配置成在每个候选框内检测低级特征，跟踪检测到的所有特征点的质心，得到跟踪物体的运动轨迹；聚类模块，其配置成根据所述运动轨迹的密度、形状、平均位置和标准偏差，对所述运动轨迹上的所有数据点进行聚类分析；检测模块，其配置成在得到的所有聚类中，根据香农熵检测出异常轨迹，使用投票机制对检测出的异常轨迹进行筛选。可选地，所述聚类模块具体配置成：采用MeanShift聚类算法对所述运动轨迹上的所有数据点进行聚类分析。可选地，所述检测模块具体配置成：使用所述运动轨迹和所有聚类中心之间的距离来建立概率分布，评估所述概率分布的香农熵，如果超过指定阈值，则将该熵对应的运动轨迹归类为异常轨迹。可选地，所述检测模块具体配置成：在得到的所有聚类中，多次进行香农熵检测得到异常轨迹，使用投票机制在所述多次香农熵检测出的异常轨迹中，筛选出被标记异常的次数超过指定次数的异常轨迹。可选地，所述跟踪模块还配置成：将所述运动轨迹的坐标更新为所述平均位置的坐标。根据本申请的又一个方面，提供了一种计算设备，包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如上所述的方法。根据本申请的又一个方面，提供了一种计算机可读存储介质，优选为非易失性可读存储介质，其内存储有计算机程序，所述计算机程序在由处理器执行时实现如上所述的方法。根据本申请的又一个方面，提供了一种计算机程序产品，包括计算机可读代码，当所述计算机可读代码由计算机设备执行时，导致所述计算机设备执行上述的方法。本申请提供的技术方案，通过获取拥挤场景视频的多个帧，使用多物体跟踪器在每个帧内确定多个包含人群区域的候选框，所述每个帧的所有候选框均不重叠，在每个候选框内检测低级特征，跟踪检测到的所有特征点的质心，得到跟踪物体的运动轨迹，根据所述运动轨迹的密度、形状、平均位置和标准偏差，对所述运动轨迹上的所有数据点进行聚类分析，在得到的所有聚类中，根据香农熵检测出异常轨迹，使用投票机制对检测出的异常轨迹进行筛选，能够更适用于拥挤场景中的异常轨迹检测，提高了检测的准确率，解决了现有方法面向拥挤场景时检测准确率降低的问题。根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。附图说明后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：图1是根据本申请一个实施例的面向拥挤场景的无监督异常轨迹检测方法流程图；图2是根据本申请另一个实施例的面向拥挤场景的无监督异常轨迹检测方法流程图；图3是根据本申请另一个实施例的面向拥挤场景的无监督异常轨迹检测装置结构图；图4是根据本申请另一个实施例的计算设备结构图；图5是根据本申请另一个实施例的计算机可读存储介质结构图。具体实施方式图1是根据本申请一个实施例的面向拥挤场景的无监督异常轨迹检测方法流程图。参见图1，该方法包括：101：获取拥挤场景视频的多个帧；102：使用多物体跟踪器在每个帧内本文档来自技高网...

【技术保护点】
1.一种面向拥挤场景的无监督异常轨迹检测方法，包括：/n获取拥挤场景视频的多个帧；/n使用多物体跟踪器在每个帧内确定多个包含人群区域的候选框，所述每个帧的所有候选框均不重叠；/n在每个候选框内检测低级特征，跟踪检测到的所有特征点的质心，得到跟踪物体的运动轨迹；/n根据所述运动轨迹的密度、形状、平均位置和标准偏差，对所述运动轨迹上的所有数据点进行聚类分析；/n在得到的所有聚类中，根据香农熵检测出异常轨迹，使用投票机制对检测出的异常轨迹进行筛选。/n

【技术特征摘要】
1.一种面向拥挤场景的无监督异常轨迹检测方法，包括：
获取拥挤场景视频的多个帧；
使用多物体跟踪器在每个帧内确定多个包含人群区域的候选框，所述每个帧的所有候选框均不重叠；
在每个候选框内检测低级特征，跟踪检测到的所有特征点的质心，得到跟踪物体的运动轨迹；
根据所述运动轨迹的密度、形状、平均位置和标准偏差，对所述运动轨迹上的所有数据点进行聚类分析；
在得到的所有聚类中，根据香农熵检测出异常轨迹，使用投票机制对检测出的异常轨迹进行筛选。


2.根据权利要求1所述的方法，其特征在于，对所述运动轨迹上的所有数据点进行聚类分析，包括：
采用MeanShift聚类算法对所述运动轨迹上的所有数据点进行聚类分析。


3.根据权利要求1所述的方法，其特征在于，在得到的所有聚类中，根据香农熵检测出异常轨迹，包括：
使用所述运动轨迹和所有聚类中心之间的距离来建立概率分布，评估所述概率分布的香农熵，如果超过指定阈值，则将该熵对应的运动轨迹归类为异常轨迹。


4.根据权利要求1所述的方法，其特征在于，在得到的所有聚类中，根据香农熵检测出异常轨迹，使用投票机制对检测出的异常轨迹进行筛选，包括：
在得到的所有聚类中，多次进行香农熵检测得到异常轨迹，使用投票机制在所述多次香农熵检测出的异常轨迹中，筛选出被标记异常的次数超过指定次数的异常轨迹。


5.根据权利要求1-4中任一项所述的方法，其特征在于，所述方法还包括：
将所述运动轨迹的坐标更新为所述平均位置的坐标。...

【专利技术属性】
技术研发人员：宋旭博，
申请(专利权)人：北京影谱科技股份有限公司，
类型：发明
国别省市：北京;11