一種行人異常行為檢測方法及系統技術方案

本發明專利技術涉及一種行人異常行為檢測方法，包括：采用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤；分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離；根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離，判斷是否發生異常行為。本發明專利技術還涉及一種行人異常行為檢測系統。本發明專利技術能夠檢測出行人在行走過程中出現的徘徊或逗留行為，提高了監控人員查找造成安全問題的原因的效率，節約了人力。

【技術實現步驟摘要】

本專利技術涉及一種行人異常行為檢測方法及系統。
技術介紹
近年來，隨著安全問題受到社會的日益關注，視頻中的異常行為檢測也越來越重要。同周圍行人的行為不一致，存在徘徊或者逗留的行為，而這些行為可能引發一些安全問題。通過對監控視頻進行分析，進而對一些造成安全問題的異常行為進行判定，可以將監控視頻中大量的對安防無用的信息過濾掉，節約大量的人力。目前對于行人的異常行為的檢測，通常是對目標行人進行跟蹤，獲得目標行人的軌跡，通過軌跡和場景模型的一致性檢測目標行人的行為異常，或通過模型實現對異常行為的檢測。可見，目前的行人異常行為檢測方式大都需要建立復雜的模型，然后進行模型學習，效率較低而且過程復雜。
技術實現思路
有鑒于此，有必要提供一種行人異常行為檢測方法及系統。本專利技術提供一種行人異常行為檢測方法，該方法包括如下步驟：a.采用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤；b.分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離；c.根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動
距離，判斷是否發生異常行為。其中，所述的步驟a具體包括：根據所述視頻幀生成行人的軌跡片段；采用社會關系分布SAM特征，對生成的行人的軌跡片段進行關聯，實現對所述目標行人的跟蹤。所述的周圍行人是指：在對目標行人開始跟蹤時，存在于目標行人周圍三米之內的行人，并且這些行人運動的最終目的地與該目標行人相同。所述的步驟b中計算視頻幀中的目標行人在整個跟蹤過程的運動距離s具體包括：每間隔N幀，利用公式計算一次目標行人運動距離，其中，x，y為目標行人的位置坐標，L為在N幀內目標行人運動距離；目標行人在整個跟蹤過程中的運動的距離s為：S＝L1+L2+…+Ln。所述的步驟c具體包括：對目標行人和其周圍行人在整個跟蹤過程的運動距離通過β函數進行計算；將該目標行人的運動距離s和計算得到的β函數的值進行差值計算；如果差值大于預先設定的閾值T，則判斷為有異常行為發生；如果若差值小于預先設定的閾值T，則判斷為無異常行為發生。本專利技術還提供一種行人異常行為檢測系統，該系統包括跟蹤模塊、計算模塊及判斷模塊，其中：所述跟蹤模塊用于采用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤；所述計算模塊用于分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離；所述判斷模塊用于根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離，判斷是否發生異常行為。其中，所述跟蹤模塊具體用于：根據所述視頻幀生成行人的軌跡片段；采用社會關系分布SAM特征，對生成的行人的軌跡片段進行關聯，
實現對所述目標行人的跟蹤。所述的周圍行人是指：在對目標行人開始跟蹤時，存在于目標行人周圍三米之內的行人，并且這些行人運動的最終目的地與該目標行人相同。所述計算模塊中計算視頻幀中的目標行人在整個跟蹤過程的運動距離s具體為：每間隔N幀，利用公式計算一次目標行人運動距離，其中，x，y為目標行人的位置坐標，L為在N幀內目標行人運動距離；目標行人在整個跟蹤過程中的運動的距離s為：S＝L1+L2+…+Ln。所述判斷模塊具體用于：對目標行人和其周圍行人在整個跟蹤過程的運動距離通過β函數進行計算；將該目標行人的運動距離s和計算得到的β函數的值進行差值計算；如果差值大于預先設定的閾值T，則判斷為有異常行為發生；如果若差值小于預先設定的閾值T，則判斷為無異常行為發生。本專利技術一種行人異常行為檢測方法及系統，基于對目標行人的跟蹤，不是通過模型實現對異常行為的檢測,而是通過比較行人與其周圍行人運動的不一致進行異常行為檢測，從而避免了復雜模型學習的過程。本專利技術能夠檢測出行人在行走過程中出現的徘徊或逗留行為，提高了監控人員查找造成安全問題的原因的效率，節約了人力。附圖說明圖1為本專利技術一種行人異常行為檢測方法的流程圖；圖2為本專利技術一種行人異常行為檢測系統的硬件架構圖。具體實施方式下面結合附圖及具體實施例對本專利技術作進一步詳細的說明。參閱圖1所示，是本專利技術一種行人異常行為檢測方法較佳實施例的作業流程圖。步驟S1，采用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤。具體而言：第一步，根據所述視頻幀生成行人的軌跡片段：通過HOG(Histogram of Oriented Gradient，方向梯度直方圖)方法在所述視頻幀中進行行人檢測，然后通過光流法對行人進行跟蹤。由于遮擋的存在，光流法跟蹤很容易停止，生成行人的軌跡片段。第二步，采用社會關系分布SAM(social affinity map)特征，對生成的行人的軌跡片段進行關聯，實現對所述目標行人的跟蹤：其中，所述的社會關系(social affinity)是指：周圍行人的運動關系，社會關系可以由朋友、親戚、工作伙伴組成，如couple walking，Leader-follower現象。首先，對生成的行人的軌跡片段進行矢量化，得到該軌跡片段的SAM特征。其中，所述生成的行人的軌跡片段包含所要跟蹤的行人，即目標行人的軌跡片段。接著，對在同一時刻該目標行人的軌跡片段周圍一定范圍內的軌跡片段通過聚類方法按照SAM特征進行聚類。其中，范圍大小通常設置為3米，這樣可以避免一些異常值。需要注意的是，該目標行人的軌跡片段周圍一定范圍內的軌跡片段的運動方向和時間應與該軌跡片段一致。然后，將上述聚類的結果用一個徑向直方圖描述，按照SAM特征最常見的類別將該徑向直方圖分為十個區域，也即十個類別，同時該徑向直方圖表示出了所述十個類別的空間位置分布。然后，對所述徑向直方圖進行二進制矢量化，得到SAM特征的矢
量。最后，通過馬爾科夫鏈模型(Markov-chain model)對上述軌跡片段進行關聯，在上述軌跡片段關聯時，通過漢明距離(Hamming distance)比較兩個軌跡片段的SAM特征的矢量，以便將運動在相似的社會關系分布中的兩個軌跡片段進行關聯，形成目標的長軌跡，最終實現對目標行人的跟蹤。步驟S2，分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離。值得注意的是，本實施例是基于社會關系的，所以在軌跡片段關聯時，涉及到目標行人周圍三米之內的行人的軌跡。本實施例所述的目標行人周圍行人是指：在對目標行人開始跟蹤時，存在于目標行人周圍三米之內的行人，并且這些行人運動的最終目的地與該目標行人相同。以下以目標行人運動距離的具體計算為例進行說明：所述計算的目標行人運動距離是指在整個跟蹤過程中目標行人運動距離。每間隔N幀，計算一次目標行人運動距離，公式如下： L = ( x i + N - 1 - x i ) 2 + 本文檔來自技高網...

【技術保護點】
一種行人異常行為檢測方法，其特征在于，該方法包括如下步驟：a.采用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤；b.分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離；c.根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離，判斷是否發生異常行為。

【技術特征摘要】
1.一種行人異常行為檢測方法，其特征在于，該方法包括如下步驟：a.采用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤；b.分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離；c.根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離，判斷是否發生異常行為。2.如權利要求1所述的方法，其特征在于，所述的步驟a具體包括：根據所述視頻幀生成行人的軌跡片段；采用社會關系分布SAM特征，對生成的行人的軌跡片段進行關聯，實現對所述目標行人的跟蹤。3.如權利要求1所述的方法，其特征在于，所述的周圍行人是指：在對目標行人開始跟蹤時，存在于目標行人周圍三米之內的行人，并且這些行人運動的最終目的地與該目標行人相同。4.如權利要求3所述的方法，其特征在于，所述的步驟b中計算視頻幀中的目標行人在整個跟蹤過程的運動距離s具體包括：每間隔N幀，利用公式 L = ( x i + N - 1 - x i ) 2 + ( y i + N - 1 - y i ) 2 ]]>計算一次目標行人運動距離，其中，x，y為目標行人的位置坐標，L為在N幀內目標行人運動距離；目標行人在整個跟蹤過程中的運動的距離s為：S＝L1+L2+…+Ln。5.如權利要求4所述的方法，其特征在于，所述的步驟c具體包括：對目標行人和其周圍行人在整個跟蹤過程的運動距離通過β函數進行計算；將該目標行人的運動距離s和計算得到的β函數的值進行差值計算；如果差值大于預先設定的閾值T，則判斷為有異常行為發生；如果差值小于預先設定的閾值T，則判斷為無異常行為發生。6.一種行人異常行為檢測系統，其特征在...

【專利技術屬性】
技術研發人員：董露，李娜，馮良炳，
申請(專利權)人：中國科學院深圳先進技術研究院，
類型：發明
國別省市：廣東;44