本发明专利技术提出了一种聚类角点加权面积的群体聚散检测方法，包括如下步骤：A.获取视频帧图像；B.通过混合高斯背景建模方法计算出人群前景区域；C.通过Harris角点检测算法计算图像的角点；D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；E.使用DBSCAN对角点进行聚类；F.使用加权法计算角点面积；G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。本发明专利技术的方法通过使用角点描述人群分布，避免了对人群个体分割的不准确性；通过对人群角点进行聚类，并从人群类簇的个数可以分析出当前场景中人群整体的密集程度。通过计算角点面积变化曲线的斜率来进行事件决策，决策简单有效。事件决策过程中还增加了类簇个数变化情况进行辅助，增加了决策结果的准确性。
【技术实现步骤摘要】
一种基于聚类角点加权面积的群体聚散检测的方法与装置
本专利技术属于人群检测领域，涉及一种群体聚散检测的方法与装置。
技术介绍
目前，已有的人群行为分析系统主要是进行人数统计或者密度统计。少有的人群聚散检测系统也是根据统计人数或者密度来进行决策的。但是这种系统在分割人群个体方面很容易受到人群遮挡等因素的影响，无法保证人群个数计算的准确性。而且一般的人数统计系统都需要有训练分类器过程，这类系统给实际应用带来很多不便。
技术实现思路
为了解决现有技术中通过人数统计来进行群体聚散检测的不准确性，同时也无法表达出人群聚集这个过程的变化趋势和需要训练分类的过程。本专利技术提供了一种聚类角点加权面积的群体聚散检测方法与装置。本专利技术通过如下技术方案实现：一种聚类角点加权面积的群体聚散检测方法，包括如下步骤：A.获取视频帧图像；B.通过混合高斯背景建模方法计算出人群前景区域；C.通过Harris角点检测算法计算图像的角点；D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；E.使用DBSCAN聚类算法对角点进行聚类；F.使用加权法计算角点面积；G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。进一步地，所述步骤B和步骤C的顺序可以互换。进一步地，所述步骤F包含以下子步骤：F1.根据步骤E中聚类结果的类簇个数情况，若类簇个数大于某个阈值（取5）时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于某个阈值（取5）时，则认为人群已经初具规模，此时使用加权计算角点面积。F2.通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值，即为角点面积。进一步地，所述Harris角点检测算法为C.Harris和M.Stephens提出了Harris角点检测算法。作为本专利技术的进一步改进，所述DBSCAN聚类算法使用R*-tree算法实现。进一步地，所述步骤E中，将距离满足的两角点视为相似的角点。进一步地，加权计算角点面积具体为：计算整个图像中的所有角点的中心及每个类簇的中心位置计算每个类簇到所有角点中心的距离Dk，并求出离中心最远的类簇的距离Dmax;对每个类簇设置权值wk；然后计算，每个类簇用权重wk对面积S进行加权。进一步地，所述步骤G具体为：角点面积的变化曲线的斜率为当前帧计算的角点面积Stw和前T帧计算的角点面积的比值；人群聚集必须满足K<Kf，聚集阈值Kf为一个负值，并且类簇个数在T帧内呈减小趋势；人群疏散必须满足K>Ke，其中疏散阈值Ke是一个大的正值，并且类簇个数在T帧内呈增加趋势。另一方面，本专利技术提供了一种基于聚类角点加权面积的群体聚散检测装置，包括视频获取模块、角点检测模块、人群角点获取模块、加权角点面积计算模块、聚散事件检测模块；其中，所述视频获取模块，用于获取视频帧图像；角点检测模块，用于混合高斯背景建模方法计算出人群前景区域并通过Harris角点检测算法计算图像的角点；人群角点获取模块，用于使用人群前景作为掩膜算子计算出图像的人群角点；角点聚类模块，用于通过DBSCAN聚类算法对人群运动向量进行聚类；加权角点面积计算模块，用于加权法计算角点面积；聚散事件检测模块，用于计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。本专利技术的有益效果是：通过使用角点描述人群分布，避免了对人群个体分割的不准确性；通过对人群角点进行聚类，并从人群类簇的个数可以分析出当前场景中人群整体的密集程度。通过计算角点面积变化曲线的斜率来进行事件决策，决策简单有效。事件决策过程中还增加了类簇个数变化情况进行辅助，增加了决策结果的准确性。附图说明图1是本专利技术的基于聚类角点加权面积的群体聚散检测方法流程示意图；图2是本专利技术的基于聚类角点加权面积的群体聚散检测装置结构示意图。具体实施方式下面结合附图说明及具体实施方式对本专利技术进一步说明。本专利技术的基于聚类角点加权面积的群体聚散检测方法包括以下步骤：A、通过摄像头获取视频帧图像；B、通过混合高斯背景建模方法计算出人群前景区域；C、Harris角点检测；鉴于Harris角点检测算法计算简单，提取的角点特征分布均匀而且合理等有点，算法使用C.Harris和M.Stephens提出了Harris角点检测算法。D、使用人群前景作为掩膜算子计算出图像中的人群角点；使用人群前景区域作为掩膜算子，保留前景区域中的角点，即人群角点；滤除背景区域中的角点。E、DBSCAN角点聚类；鉴于同一块人群密度相连性，使用基于密度的DBSCAN聚类方法对人群角点进行聚类。通过聚类之后，若人群在场景中比较分散，则人群类簇个数很多；若人群在场景中分布比较集中，则人群类簇个数比较少。DBSCAN聚类算法使用R*-tree实现，时间复杂度为O(nlogn)。聚类的另一个好处是可以滤除一些比较独立的噪声点。本专利技术使用DBSCAN聚类时，将距离满足公式（1-1）条件的角点视为相似：即位于(xi,yi)的角点i和位于(xj,yj)的角点j的欧式距离小于Thresh，这里取Thresh=40。F、使用加权法计算角点面积；根据步骤E中聚类结果的类簇个数情况，若类簇个数大于某个阈值时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于某个阈值时，则认为人群已经初具规模，此时使用加权计算角点面积。之所以提出对角点面积进行加权，是因为在不使用加权的情况下使用角点面积法进行人群聚散检测会出现很多误报。当人群聚集以后，如果远处有人群个体朝人群走近时，会出现人群角点面积先变大，然后又逐渐减小，即可能出现聚集或者疏散误报。角点面积的可以反映人群在场景中的分布情况。用角点坐标集的协方差矩阵行列式的值来表征目标角点的面积，角点面积随时间的变化曲线即为人群的运动特征。角点面积的计算方法如下：假设目标角点坐标集为D，D为一个n×2的矩阵，其每行为一个角点的横、纵坐标，设角点的坐标为(x,y)，令Sxx为所有角点横坐标x的方差，Syy为所有角点纵坐标y的方差，Sxy为角点集坐标(x,y)的协方差，则协方差矩阵定义为：协方差矩阵的行列式值为行列式的值S就表示场景中角点的面积。角点面积可以反映角点的分布情况，而角点的分布情况又反映了人群的分布情况。角点面积越大，说明角点越分散，人群也就越分散；反之，角点面积越小，说明角点越密集，人群也就越密集。角点面积从大逐渐变小，说明角点从分散到聚拢，人群正在聚集；反之如果角点面积从小变大，说明角点从聚拢到分散，人群正在分散；如果角点面积维持在一个特定水平上下波动，且波动范围很小，说明人群可能在原地活动或者同向移动等。总之，通过考察角点面积的变化情况，可以分析人群的运动情况。添加权重的最主要作用就是在人群聚集以后，由于远处出现行人或者远处行人的走动造成角点面积的变化。当人群已经聚集在一起以后，远处出现了行人，进入摄像头的视野范围，这时候角点面积会出现增大的趋势，具体增大程度视行人在图像中所占的比例。这种情况在实际场景中非常常见，但是实际场景中远处行人一般都是单个或者很少的个体。对人群角点进行聚类分析之后，本专利技术提出一种加权机制，根据聚类后的类别数决定是否使用加权法。假设在第t帧图像时，通过聚类算法得到ct个类本文档来自技高网...
【技术保护点】
一种基于聚类角点加权面积的群体聚散检测方法，包括如下步骤：A.获取视频帧图像；B.通过混合高斯背景建模方法计算出人群前景区域；C.通过Harris角点检测算法计算图像的角点；D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；E.使用DBSCAN聚类算法对角点进行聚类；F.使用加权法计算角点面积；G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
【技术特征摘要】
1.一种基于聚类角点加权面积的群体聚散检测方法，包括如下步骤：A.获取视频帧图像；B.通过混合高斯背景建模方法计算出人群前景区域；C.通过Harris角点检测算法计算图像的角点；D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；E.使用DBSCAN聚类算法对角点进行聚类；F.使用加权法计算角点面积；G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别；其中，所述步骤F包含以下子步骤：F1.根据步骤E中聚类结果的类簇个数情况，若类簇个数大于第一阈值时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于等于第一阈值时，则认为人群已经初具规模，此时使用加权计算角点面积；F2.通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值作为角点面积；所述加权计算角点面积具体为：计算整个图像中的所有角点的中心及每个类簇的中心位置计算每个类簇到所有角点中心的距离Dk，并求出离中心最远的类簇的距离Dmax；对每个类簇设置权值wk；然后计算，每个类簇用权重wk对面积S进行加权。2.根据权利要求1所述的方法，其特征在于：所述步骤B、步骤C的执行无先后顺序。3.根据权利要求1所述的方法，其特征在于：所述第一阈值为5。4.根据权利要求1所述的方法，其特征在于：所述Harris角点检测算法为C.Harris和M.Stephens提出了Harris角点检测算法。5.根据权利要求1所述的方法，其特征在于：所述DBSCAN聚类算法使用R*-tree算法实现。6.根据权利要求1所述的方法，其特征在于：所述步骤E中，将距离满足的两角点视为相似的角点。7.根据权利要求1所述...
【专利技术属性】
技术研发人员：徐勇，何丽文，
申请(专利权)人：哈尔滨工业大学深圳研究生院，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。