一種人群異常行為與人群密度識別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，具體涉及一種人群異常行為與人群密度識別方法。
【背景技術(shù)】
[0002]計(jì)算機(jī)視覺技術(shù)是一種研究如何使用計(jì)算機(jī)及其相關(guān)設(shè)備模擬生物視覺的技術(shù)。通過攝像機(jī)等成像設(shè)備采集圖片或視頻并進(jìn)行處理，獲得相應(yīng)場景的三維信息，再交由計(jì)算機(jī)代替大腦完成處理和理解。該技術(shù)涉及多個(gè)學(xué)科，包括圖像處理、模式識別、圖像分析和圖像理解等。目前，計(jì)算機(jī)視覺技術(shù)已廣泛應(yīng)用于各個(gè)領(lǐng)域，如醫(yī)療圖像處理、視頻監(jiān)控、電子卡口、虛擬現(xiàn)實(shí)、智能交通等。
[0003]隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展以及監(jiān)控儀器在地鐵站、飛機(jī)場等公共場所的的普及，人群異常行為以及人群密度識別技術(shù)已經(jīng)成功實(shí)現(xiàn)。但是相關(guān)的理論及產(chǎn)品仍然很少，目前的技術(shù)主要是通過采樣粒子移動方向和粒子移動速度等指標(biāo)綜合評價(jià)人群異常以及人群密度。
[0004]對于人群密度評價(jià)，具體方案包括:
1.利用三維黑塞矩陣檢測出人群視頻中時(shí)空變化劇烈的特征點(diǎn)；
2.用時(shí)空局部二值化模式方法提取出特征點(diǎn)的動態(tài)紋理，再對動態(tài)紋理進(jìn)行譜分析從而得到圖像的局部特征；
3.利用直方圖統(tǒng)計(jì)對整幅圖像的局部特征進(jìn)行分析，得到人群全局特征向量，然后將得到的人群全局特征向量輸入支持向量機(jī)從而估計(jì)出人群的整體密度等級；
4.將局部特征進(jìn)行處理并轉(zhuǎn)換到彩色空間，即可得到人群局部密度分布的色譜圖顯不ο
[0005]對于人群異常評價(jià)，具體方案包括:
1.對于不同尺寸的視頻，采用不同規(guī)格的網(wǎng)格進(jìn)行采樣，將每個(gè)采樣粒子視為一個(gè)個(gè)體，結(jié)合局部密度信息計(jì)算粒子之間的加權(quán)互作用力；
2.對每個(gè)采樣點(diǎn)處的局部特征(加權(quán)互作用力)進(jìn)行直方圖統(tǒng)計(jì)，將作用力方向分為Ν個(gè)區(qū)間，大小分為Μ個(gè)區(qū)間，統(tǒng)計(jì)生成NX Μ維的全局特征向量，輸入支持向量機(jī)訓(xùn)練進(jìn)行特征分類；
3.對支持向量機(jī)的分類結(jié)果進(jìn)行中值濾波以去除分類結(jié)果中的跳變點(diǎn)。
[0006]上述方案雖然能夠進(jìn)行人群異常行為和人群密度的識別，但由于受外界復(fù)雜環(huán)境的干擾、人群分布不均勻、視頻幀間跳變大等不利于識別的因素的限制，存在較多缺陷，包括:
1.無法提取前景與背景，只能對整個(gè)視頻幀均勻采樣，導(dǎo)致得到的信息中存在很多無效信息，使得算法整體效率不高。
[0007]2.對于人群密度與人群異常是采用兩種不相干的算法進(jìn)行計(jì)算，為此需要進(jìn)行兩輪機(jī)器學(xué)習(xí)訓(xùn)練:第一輪是對人群密度進(jìn)行學(xué)習(xí)訓(xùn)練，這一輪的人群密度識別訓(xùn)練必須完成并且取得較好的成果，這樣才可以進(jìn)行第二輪人群異常識別的訓(xùn)練，導(dǎo)致整個(gè)流程比較繁瑣，在實(shí)際環(huán)境中實(shí)用性較差，并且由于采用算法較多，運(yùn)算量較大，導(dǎo)致CPU負(fù)荷高，算法耗時(shí)長。
[0008]3.計(jì)算人群異常時(shí)以“社會力模型”理論為基礎(chǔ)提出“壓力模型”，本質(zhì)是將人群密度與人群異常行為進(jìn)行融合，人群密度越高人群異常行為的判斷越敏感，相反人群密度越低人群行為異常的判斷越靈敏度越低，這樣籠統(tǒng)地將人群密度和人群異常結(jié)合增大了誤檢率(FN)和漏檢率(FP)。

【發(fā)明內(nèi)容】

[0009]本發(fā)明的目的是解決現(xiàn)有技術(shù)的缺陷，提供一種高效率和精確度的人群異常行為與人群密度識別方法，采用的技術(shù)方案如下:
一種人群異常行為與人群密度識別方法，包括:
51.計(jì)算待檢測的視頻第i幀和第i+Ι幀間每個(gè)像素點(diǎn)的位移矢量；
52.提取運(yùn)動區(qū)域前景并進(jìn)行二值化處理，獲得二值化后的運(yùn)動區(qū)域前景圖像；
53.計(jì)算二值化后的運(yùn)動區(qū)域前景圖像的每個(gè)像素點(diǎn)的位移距離，剔除位移較小的像素點(diǎn)；
54.對于剩余的像素點(diǎn)，求X方向和y方向的二階微分，得到空間特征點(diǎn)；
55.計(jì)算以每個(gè)空間特征點(diǎn)為核心的一定規(guī)格鄰域的沿X軸方向和沿y軸方向的平均位移矢量；
56.對于第i+Ι幀和第i+2幀視頻，重復(fù)步驟S1至S5;
57.計(jì)算第i幀至第i+Ι幀間視頻的矢量和第i+Ι幀至第i+2幀間視頻的矢量的差，并進(jìn)行統(tǒng)計(jì)生成全局特征向量；
58.將全局特征向量輸入支持向量機(jī)訓(xùn)練，分別對人群異常和人群密度進(jìn)行分類訓(xùn)練，以實(shí)現(xiàn)對人群密度和人群異常的同時(shí)識別。
[0010]作為優(yōu)選，所述步驟S1中，使用光流法計(jì)算待檢測的視頻第i幀和第i+Ι幀間每個(gè)像素點(diǎn)的位移矢量。
[0011]作為優(yōu)選，所述步驟S2中，使用幀間差方法提取運(yùn)動區(qū)域前景。
[0012]作為優(yōu)選，所述步驟S5中，計(jì)算以每個(gè)空間特征點(diǎn)為核心的3X3鄰域的沿X軸方向和沿1軸方向的平均位移矢量。
[0013]作為優(yōu)選，所述步驟S7中，使用直方圖對第i幀至第i+Ι幀間視頻的矢量和第i+1幀至第i+2幀間視頻的矢量的差進(jìn)行統(tǒng)計(jì)。
[0014]作為優(yōu)選，所述步驟S8中，對人群異常分為正常和異常兩類結(jié)果，對人群密度分為極低、低、中、高和極高五類結(jié)果。
[0015]與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果:本發(fā)明進(jìn)行了運(yùn)動區(qū)域前景提取，排除了大量無用信息和干擾；通過采用一種算法同時(shí)進(jìn)行人群異常和人群密度的計(jì)算，大大減少了運(yùn)算量，提升了效率，且相互之間沒有干擾；通過將每個(gè)采樣點(diǎn)的位移方向和位移大小兩個(gè)參數(shù)轉(zhuǎn)化為對連續(xù)兩個(gè)幀間視頻圖像位移矢量差再進(jìn)行比對，即將二維數(shù)據(jù)轉(zhuǎn)換為一維數(shù)據(jù)，使得算法的魯棒性更好。傳統(tǒng)技術(shù)對采樣點(diǎn)的位移方向和位移大小兩個(gè)特征進(jìn)行統(tǒng)計(jì)，共分為9個(gè)不同方向，每個(gè)方向分7個(gè)不同的速度大小位移值，導(dǎo)致在每個(gè)方向的分隔線附近由細(xì)小角度變化引起的誤差較大，并且傳統(tǒng)技術(shù)是對每個(gè)方向的位移大小用歸一化方法分為7個(gè)等級，而本方法將位移大小分為50個(gè)區(qū)間，并且是以像素為單位的絕對值，使得統(tǒng)計(jì)更加精確，且消除了由歸一化引發(fā)的相似性。
【附圖說明】
[0016]圖1是本發(fā)明流程圖；
圖2是本實(shí)施例實(shí)驗(yàn)用圖；
圖3是對提取的運(yùn)動區(qū)域前景進(jìn)行二值化處理得到的圖像；
圖4是對像素點(diǎn)求X方向和y方向的二階微分，得到的空間特征點(diǎn)的示意圖；
圖5是計(jì)算第i幀至第i+Ι幀間視頻的矢量和第i+Ι幀至第i+2幀間視頻的矢量的差，并使用特征直方圖進(jìn)行統(tǒng)計(jì)得到的圖像。
【具體實(shí)施方式】
[0017]下面結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步詳細(xì)描述。
[0018]實(shí)施例:如圖1所示，使用本發(fā)明的方法對圖2進(jìn)行處理，包括:
51.計(jì)算待檢測的視頻第i幀和第i+Ι幀間每個(gè)像素點(diǎn)的位移矢量；
52.提取運(yùn)動區(qū)域前景并進(jìn)行二值化處理，獲得二值化后的運(yùn)動區(qū)域前景圖像，如圖3所示；
53.計(jì)算二值化后的運(yùn)動區(qū)域前景圖像的每個(gè)像素點(diǎn)的位移距離，剔除位移較小的像素點(diǎn)；
54.對于剩余的像素點(diǎn)，求X方向和1方向的二階微分，得到空間特征點(diǎn)，如圖4所示；
55.計(jì)算以每個(gè)空間特征點(diǎn)為核心的一定規(guī)格鄰域的沿X軸方向和沿y軸方向的平均位移矢量；
56.對于第i+Ι幀和第i+2幀視頻，重復(fù)步驟S1至S5;
57.計(jì)算第i幀至第i+Ι幀間視頻的矢量和第i+Ι幀至第i+2幀間視頻的矢量的差，并進(jìn)行統(tǒng)計(jì)生成全局特征向量；
58.將全局特征向量輸入支持向量機(jī)訓(xùn)練，分別對人群異常和人群密度進(jìn)行分類訓(xùn)練，以實(shí)現(xiàn)對人群密度和人群異常的同時(shí)識別。
[0019]所述步驟S1中，使用光流法計(jì)算待檢測的視頻第i幀和第i+Ι幀間每個(gè)像素點(diǎn)的位移矢量。
[0020]所述步驟S2中，使用幀間差方法提取運(yùn)動區(qū)域前景。
[0021]所述步驟S5中，計(jì)算以每個(gè)空間特征點(diǎn)為核心的3X3鄰域的沿X軸方向和沿y軸方向的平均位移矢量。
[0022]所述步驟S7中，使用直方圖對第i幀至第i+Ι幀間視頻的矢量和第i+Ι幀至第i+2幀間視頻的矢量的差進(jìn)行統(tǒng)計(jì)，如圖5所示。
[0023]所述步驟S8中，對人群異常分為正常和異常兩類結(jié)果，對人群密度分為極低、低、中、高和極高五類結(jié)果。
[0024]本實(shí)施例進(jìn)行了運(yùn)動區(qū)域前景提取，排除了大量無用信息和干擾；通過采用一種算法同時(shí)進(jìn)行人群異常和人群密度的計(jì)算，大大減少了運(yùn)算量，提升了效率，且相互之間沒有干擾；通過將每個(gè)采樣點(diǎn)的位移方向和位移大小兩個(gè)參數(shù)轉(zhuǎn)化為對連續(xù)兩個(gè)幀間視頻圖像位移矢量差再進(jìn)行比對，即將二維數(shù)據(jù)轉(zhuǎn)換為一維數(shù)據(jù)，使得算法的魯棒性更好。
【主權(quán)項(xiàng)】
1.一種人群異常行為與人群密度識別方法，其特征在于，包括: 51.計(jì)算待檢測的視頻第i幀和第i+Ι幀間每個(gè)像素點(diǎn)的位移矢量； 52.提取運(yùn)動區(qū)域前景并進(jìn)行二值化處理，獲得二值化后的運(yùn)動區(qū)域前景圖像； 53.計(jì)算二值化后的運(yùn)動區(qū)域前景圖像的每個(gè)像素點(diǎn)的位移距離，剔除位移較小的像素點(diǎn)； 54.對于剩余的像素點(diǎn)，求X方向和y方向的二階微分，得到空間特征點(diǎn)； 55.計(jì)算以每個(gè)空間特征點(diǎn)為核心的一定規(guī)格鄰域的沿X軸方向和沿y軸方向的平均位移矢量； 56.對于第i+Ι幀和第i+2幀視頻，重復(fù)步驟S1至S5; 57.計(jì)算第i幀至第i+Ι幀間視頻的矢量和第i+Ι幀至第i+2幀間視頻的矢量的差，并進(jìn)行統(tǒng)計(jì)生成全局特征向量； 58.將全局特征向量輸入支持向量機(jī)訓(xùn)練，分別對人群異常和人群密度進(jìn)行分類訓(xùn)練，以實(shí)現(xiàn)對人群密度和人群異常的同時(shí)識別。2.根據(jù)權(quán)利要求1所述的一種人群異常行為與人群密度識別方法，其特征在于，所述步驟S1中，使用光流法計(jì)算待檢測的視頻第i幀和第i+Ι幀間每個(gè)像素點(diǎn)的位移矢量。3.根據(jù)權(quán)利要求1所述的一種人群異常行為與人群密度識別方法，其特征在于，所述步驟S2中，使用幀間差方法提取運(yùn)動區(qū)域前景。4.根據(jù)權(quán)利要求1所述的一種人群異常行為與人群密度識別方法，其特征在于，所述步驟S5中，計(jì)算以每個(gè)空間特征點(diǎn)為核心的3X3鄰域的沿X軸方向和沿y軸方向的平均位移矢量。5.根據(jù)權(quán)利要求1所述的一種人群異常行為與人群密度識別方法，其特征在于，所述步驟S7中，使用直方圖對第i幀至第i+Ι幀間視頻的矢量和第i+Ι幀至第i+2幀間視頻的矢量的差進(jìn)行統(tǒng)計(jì)。6.根據(jù)權(quán)利要求1所述的一種人群異常行為與人群密度識別方法，其特征在于，所述步驟S8中，對人群異常分為正常和異常兩類結(jié)果，對人群密度分為極低、低、中、高和極高五類結(jié)果。
【專利摘要】本發(fā)明公開一種人群異常行為與人群密度識別方法，包括：計(jì)算待檢測的視頻第i幀和第i+1幀間每個(gè)像素點(diǎn)的位移矢量；提取運(yùn)動區(qū)域前景并進(jìn)行二值化處理，獲得二值化后的運(yùn)動區(qū)域前景圖像；計(jì)算二值化后的運(yùn)動區(qū)域前景圖像的每個(gè)像素點(diǎn)的位移距離，剔除位移較小的像素點(diǎn)；對于剩余的像素點(diǎn)，求x方向和y方向的二階微分，得到空間特征點(diǎn)；計(jì)算以每個(gè)空間特征點(diǎn)為核心的一定規(guī)格鄰域的沿x軸方向和沿y軸方向的平均位移矢量；對于第i+1幀和第i+2幀視頻，重復(fù)前面的步驟;計(jì)算第i幀至第i+1幀間視頻的矢量和第i+1幀至第i+2幀間視頻的矢量的差，并進(jìn)行統(tǒng)計(jì)生成全局特征向量；將全局特征向量輸入支持向量機(jī)訓(xùn)練，分別對人群異常和人群密度進(jìn)行分類訓(xùn)練。
【IPC分類】G06K9/00
【公開號】CN105426811
【申請?zhí)枴緾N201510640197
【發(fā)明人】毛亮, 陳吉宏, 楊焰, 汪剛, 劉雙廣
【申請人】高新興科技集團(tuán)股份有限公司
【公開日】2016年3月23日
【申請日】2015年9月28日