本發明專利技術公開了一種中高密度人群的異常狀態檢測方法，首先對特征點提取和跟蹤，根據特征點在前一幀和當前幀監控視頻圖像的坐標計算特征點的速度，然后采用圖分析得到特征點間的行為一致性，基于行為一致性剔除離散點，對剩余特征點進行聚類，然后計算聚類中所有特征點的人群聚集度、人群運動強度、人群運動方向方差，然后根據若干幀監控視頻圖像中這三個參數以及人群聚類數量的大小和增幅判斷人群的異常狀態。本發明專利技術基于圖分析法進行人群狀態分析，實現對人群疏散狀態、人群聚集狀態和人群騷亂狀態三種人群狀態的檢測。
【技術實現步驟摘要】
本專利技術屬于人群聚集狀態檢測領域，更為具體地講，涉及一種中高密度人群的異 常狀態檢測方法。
技術介紹
隨著人們生活水平的提高以及精神文化需求的發展，規模大而高度密集的人群隨 處可見：商場、寺廟、火車站以及各種各樣慶祝活動中。這些公共場所具有的空間有限，卻常 常出現人山人海、熙熙攘攘的景象，其背后隱藏著巨大的安全隱患，其中，游行、群毆、踩踏 等性質嚴重的人群異常狀態發生頻率更是在迅速增加，給人們的生命財產安全帶來了嚴重 的損害。因此面對嚴峻的形勢，如何有效的預防人群異常狀態的發生、控制事故發展是一個 重大的科研課題和社會課題，此外，中高密度人群異常狀態的檢測具有極大的現實意義，可 以應用到公共安全領域中，及時發現檢測區域的異常狀態，最大限度減少公眾的人身與財 產損失。 中高密度人群的異常狀態檢測與低密度或個體的異常行為檢測有著顯著的不同。 中高密度場景中大量的人相互影響導致沖突、碰撞發生的頻率更高，運動目標目標模糊、相 互遮擋，并且不同人員的行為方式也更為復雜，這些都使得中高密度人群狀態的檢測更為 復雜。 目前，傳統的人群異常狀態檢測算法主要存在以下不足：1)檢測的群體對象非常 局限。一方面，局限于某個或某種場景下的人群異常狀態檢測；另一方面，局限于小群體聚 集研宄，如場景中整體或局部的人群目標人數不多于50個，且經常性人群密度小于lp/m 2。 2)算法本身參數復雜，參數的選擇是否得當，直接影響算法的檢測結果。3)算法往往受限 于行人間的遮擋、擁擠、低分辨率等因素，并且忽視了行人間的相互作用。
技術實現思路
本專利技術的目的在于克服現有技術的不足，提供一種中高密度人群的異常狀態檢測 方法，基于圖分析法進行人群狀態分析，實現對人群疏散狀態、人群聚集狀態和人群騷亂狀 態三種人群狀態的檢測。 為實現上述專利技術目的，本專利技術，包括以下步 驟： S1 :獲取被檢測場所的監控視頻圖像作為檢測樣本，將其中若干張圖像的平均圖 像作為背景圖像； S2 :根據步驟S1得到的背景圖像對每幀監控視頻圖像提取特征點并進行跟蹤，記 當前監控視頻圖像t中和前一幀監控視頻圖像t-1匹配的有效特征點數量為n，特征點集C =[PuPfpJ ;根據n個特征點在監控視頻圖像t和前一幀監控視頻圖像t-1中的坐標計 算得到第i個特征點Pi的速度i的取值范圍為i = 1，2,…，n ; S3 :對步驟S2得到的特征點進行圖分析，得到特征點的行為一致性，具體步驟為： S3. 1 :根據特征點坐標之間的距離，采用KNN算法得到聚類中每個特征點的K個鄰 接特征點集合； S3. 2 :根據步驟S3. 1中得到的各個特征點的鄰接特征點集合建立的人群網絡圖 G，每個特征點作為人群網絡圖中的節點，特征點與其鄰接特征點連接，與其非鄰接特征點 不連接； S3. 3 :計算各個特征點之間的行為相似度，對于特征點Pi，特征點&與其行為相似 度wt(i，j)的計算公式為： 其中，Ct(i，j)是特征點pJPh的速度夾角余弦值，N(i)指特征點個鄰接 特征點集合； 將行為相似度《t(i，j)作為人群網絡圖G中對應兩個特征點連線的權重，從而得 到加權鄰接矩陣W; 33.4:計算得到矩陣2 = (1-^)-1-1，其中1為單位矩陣，2為預設的常數，取值 范圍為0 < z <1/P(Wk)，P (Wk)表示Wk的譜半徑；矩陣Z中的元素z(i，j)為特征A Pi 與h的行為一致性； S4 :對矩陣Z進行閾值化處理，得到二值矩陣Y，其方法為： 其中，y(i，j)表示二值化的一致性，e表示預設的閾值； S5 :基于一致性進行特征點聚類，具體步驟包括： S5. 1 :從二值矩陣Y中剔除與其他所有特征點的元素y (i，j) = 0的特征點，將剩 余的特征點構成集合P'; S5. 2 :令特征點類的序號M = 1 ; S5. 3:初始化類集合CM為空集，從P'中取出一個特征點記為p/加入類CM，遍歷 P'中其他所有特征點，判斷各特征點與P/的二值化一致性是否等于1，如果是，則此特征 點屬于類C M，否則不屬于類CM;然后繼續以類C M中新增特征點為基準，判斷集合P'中其他 所有特征點與新增特征點的二值化一致性是否等于1，如果是，則此特征點屬于類C M，否則 不屬于類CM;如此循環，直到類c M不再有新增特征點為止； S5.4:令P' =P' -CM，判斷P'是否為空集，如果是，聚類結束，此時的M即為聚 類數量，如果不是，令M = M+1，返回步驟S5. 3。 S6 :計算人群聚集度〇,計算公式為： 其中，W'表示M個聚類中所有特征點的鄰接矩陣，e表示單位列向量，n'表示M 個聚類中包含的特征點的總數； 計算M個聚類中所有特征點的平均運動速度大小，作為人群運動強度V;然后計算 M個聚類中所有特征點的運動方向方差，作為人群運動方向方差〇， S7:如果人群聚集度、人群運動強度、人群運動方向方差和人群聚類數量分別滿足 以下條件，則該監控視頻圖像中的人群狀態為人群疏散狀態：監控視頻圖像t-a到當前監 控視頻圖像t的人群聚集度增加幅度AO = Ot-〇t_a> On，On為人群聚集度增幅閾 值，a表示預設的監控視頻圖像間隔幀數；監控視頻圖像t-a到當前監控視頻圖像t中 平均人群運動強度，VT表示監控視頻圖像t的人群運動強度，VT表示預 設的人群運動強度閾值；監控視頻圖像t-a到當前監控視頻圖像t中平均人群運動方向 方差，〇 T表示監控視頻圖像t的人群運動方向方差，〇 n表示預設的 人群運動方向方差閾值；監控視頻圖像t-a到當前監控視頻圖像t中平均人群聚類數量，MT表示監控視頻圖像t的人群聚類數量，|^表示預設的人群聚類數 量閾值； 如果人群聚集度、人群運動強度、人群運動方向方差和人群聚類數量分別滿足以 下條件，則該監控視頻圖像中的人群狀態為人群聚集狀態：監控視頻圖像t-a到當前監控 視頻圖像t的人群聚集度增加幅度AO > On;監控視頻圖像t-a到當前監控視頻圖像t 中平均人群運動強度^ ;監控視頻圖像t_ a到當前監控視頻圖像t中平均人群運動方 向方差crn ;監控視頻圖像t_ a到當前監控視頻圖像t中平均人群聚類數量叔> 如果人群聚集度、人群運動強度、人群運動方向方差和人群聚類數量分別滿足以 下條件，則該監控視頻圖像中的人群狀態為人群騷亂狀態：監控視頻圖像t-a到當前監控 視頻圖像t中平均人群聚集度，其中〇12表示預設的人群聚集度閾值； 監控視頻圖像t_ a到當前監控視頻圖像t中平均人群運動強度;監控視頻圖像t_ a 到當前監控視頻圖像t的人群聚集度增加幅度A o = 〇t-〇t_a> o T2, 〇T2表示人群運動 強度增幅閾值；監控視頻圖像t-a到當前監控視頻圖像t中平均人群聚類數量及> M,。 本專利技術，首先對特征點提取和跟蹤，根據特征 點在前一幀和當前幀監控視頻圖像的坐標計算特征點的速度，然后采用圖分析得到特征點 間的行為一致性，基于行為一致性剔除離散點，對剩余特征點進行聚類，然后計算聚類中所 有特征點的人當前第1頁1 2 3 4 本文檔來自技高網...
【技術保護點】
一種中高密度人群的異常狀態檢測方法，其特征在于，包括以下步驟：S1：獲取被檢測場所的監控視頻圖像作為檢測樣本，將其中若干張圖像的平均圖像作為背景圖像；S2：根據步驟S1得到的背景圖像對每幀監控視頻圖像提取特征點并進行跟蹤，記當前監控視頻圖像t中和前一幀監控視頻圖像t?1匹配的有效特征點數量為n，特征點集C＝[p1,p2…pn]；根據n個特征點在監控視頻圖像t和前一幀監控視頻圖像t?1中的坐標計算得到第i個特征點pi的速度m的取值范圍為i＝1,2,…,n；S3：對步驟S2得到的特征點進行圖分析，得到特征點的行為一致性，具體步驟為：S3.1：根據特征點坐標之間的距離，采用KNN算法得到聚類中每個特征點的K個鄰接特征點集合；S3.2：根據步驟S3.1中得到的各個特征點的鄰接特征點集合建立的人群網絡圖G，每個特征點作為人群網絡圖中的節點，特征點與其鄰接特征點連接，與其非鄰接特征點不連接；S3.3：計算各個特征點之間的行為相似度，對于特征點pi，特征點pj與其行為相似度ωt(i,j)的計算公式為：ωt(i,j)=max(Ct(i,j),0),j∈N(i)0j∉N(i)]]>其中，Ct(i,j)是特征點pi和pj的速度夾角余弦值，N(i)指特征點pi的K個鄰接特征點集合；將行為相似度ωt(i,j)作為人群網絡圖G中對應兩個特征點連線的權重，從而得到加權鄰接矩陣W；S3.4：計算得到矩陣Ζ＝(I?zW)?1?I，其中I為單位矩陣，z為預設的常數，取值范圍為0＜z＜1/ρ(Wk)，ρ(Wk)表示Wk的譜半徑；矩陣Ζ中的元素z(i,j)為特征點pi與pj的行為一致性；S4：對矩陣Z進行閾值化處理，得到二值矩陣Y，其方法為：y(i,j)=1,z(i,j)≥ϵ0,z(i,j)<ϵ]]>其中，y(i,j)表示二值化的一致性，ε表示預設的閾值；S5：基于一致性進行特征點聚類，具體步驟包括：S5.1：從二值矩陣Y中剔除與其他所有特征點的元素y(i,j)＝0的特征點，將剩余的特征點構成集合P′；S5.2：令特征點類的序號M＝1；S5.3：初始化類集合CM為空集，從P′中取出一個特征點記為p′1加入類CM，遍歷P′中其他所有特征點，判斷各特征點與p′1的二值化一致性是否等于1，如果是，則此特征點屬于類CM，否則不屬于類CM；然后繼續以類CM中新增特征點為基準，判斷集合P′中其他所有特征點與新增特征點的二值化一致性是否等于1，如果是，則此特征點屬于類CM，否則不屬于類CM；如此循環，直到類CM不再有新增特征點為止；S5.4：令P′＝P′?CM，判斷P′是否為空集，如果是，聚類結束，此時的M即為聚類數量，如果不是，令M＝M+1，返回步驟S5.3。S6：計算當前監控視頻圖像t的人群聚集度Φt，計算公式為：Φt=1n′eT((I-zW′)-1-I)e]]>其中，W′表示M個聚類中所有特征點的鄰接矩陣，e表示單位列向量，n′表示M個聚類中包含的特征點的總數；計算M個聚類中所有特征點的平均運動速度大小，作為人群運動強度V；然后計算M個聚類中所有特征點的運動方向方差，作為人群運動方向方差σ，S7：如果人群聚集度、人群運動強度、人群運動方向方差和人群聚類數量分別滿足以下條件，則該監控視頻圖像中的人群狀態為人群疏散狀態：監控視頻圖像t?α到當前監控視頻圖像t的人群聚集度增加幅度ΔΦ＝Φt?Φt?α＞ΦT1，ΦT1為人群聚集度增幅閾值，α表示預設的監控視頻圖像間隔幀數；監控視頻圖像t?α到當前監控視頻圖像t中平均人群運動強度Vτ表示監控視頻圖像τ的人群運動強度，VT表示預設的人群運動強度閾值；監控視頻圖像t?α到當前監控視頻圖像t中平均人群運動方向方差στ表示監控視頻圖像τ的人群運動方向方差，σT1表示預設的人群運動方向方差閾值；監控視頻圖像t?α到當前監控視頻圖像t中平均人群聚類數量Mτ表示監控視頻圖像τ的人群聚類數量，MT表示預設的人群聚類數量閾值；如果人群聚集度、人群運動強度、人群運動方向方差和人群聚類數量分別滿足以下條件，則該監控視頻圖像中的人群狀態為人群聚集狀態：監控視頻圖像t?α到當前監控視頻圖像t的人群聚集度增加幅度ΔΦ＞ΦT1；監控視頻圖像t?α到當前監控視頻圖像t中平均人群運動強度監控視頻圖像t?α到當前監控視頻圖像t中平均人群運動方向方差監控視頻圖像t?α到當前監控視頻圖像t中平均人群聚類數量如果人群聚集度、人群運動強度、人群運動方向方差和人群聚類數量分別滿足以下條件，則該監控視頻圖像中的人群狀態為人群騷亂狀態：監控視頻圖像t?α到當前監控視頻圖像t中平均人群聚集度其中ΦT2表示預設的人群聚集度閾值；監控視頻圖像t?α到當...
【技術特征摘要】
【專利技術屬性】
技術研發人員：于力，張鴿，鄒見效，徐紅兵，
申請(專利權)人：電子科技大學，
類型：發明
國別省市：四川;51
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。