[发明专利]基于视频流的人群数量估计、局部人群聚集状态以及人群跑动状态检测方法

说明书

【技术领域】

本发明涉及图像处理，尤其涉及基于视频流的人群数量估计、局部人群聚集状态以及人群跑动状态检测方法。

【背景技术】

近年来，由于视频监控设备价格的降低，我们的城市布设了成千上万的摄像头，并产生了大量的视频数据；然而，我们并没有也不可能有足够多的人员来处理呈爆炸式增长的视频信息。另一方面，图像和视觉领域涌现了许多有效的新技术，并迅猛发展。基于以上两方面原因，世界各国的研究者开始采用计算机视觉的方法对视频数据进行分析和处理。

准确地估计公共场景中的人群数量对于智能视频应用至关重要。例如，商场中准确、及时的人群数量信息能够帮助管理人员做出及时、正确的决策；地铁站台里准确的人群数量估计有利于优化运行时刻表；十字路口的信号可以根据人群数量自动进行信号切换。

视频流中的人群异常检测方法，有广泛的应用前景。如公共区域的安保系统、煤矿监控系统和智能视频分析。人群异常的自动化检测将极大地改善视频分析的效率，节约大量的人力物力。

关于场景中的人群数量估计目前主要有两大类的方法，一类是基于映射的方法，另一类是基于物体分割和跟踪的方法。基于映射的方法从统计学角度建立人群数量与图像前景像素等特征的映射关系，并通过训练的方法进行实现，训练方法通常有神经网络法(NN)，支持向量机(SVM)，Adaboost等。Hou等人采用大量训练数据并采用神经网络进行学习，确定前景与人群数量的关系。Yang等人采用传感器网络估计人群数量，每个传感器分别提取出场景中的物体，最后进行平面映射并提出一种基于几何关系的算法。Lin等人运用单张图片估计人群密度，首先采用小波变换的方法提取头部区域的特征，随后运用支持向量机(SVM)进行训练和分类。基于分割和跟踪的方法通过采用跟踪、合并和分割，大部分研究者运用一些先验知识检测和跟踪视频流中的行人。Prahlad Kilambi等人提出了一种基于形状的层次结构方法估计人群中组的数目，进一步将组看成一个实体并用扩展的卡尔曼滤波器进行跟踪。Chen和Hsu提出了一种二方向人数估计方法处理彩色图像。Rabaud等人采用Kanade-Lucas-Tomasi跟踪框架跟踪行人，并进取一些扩展的特征确定场景中的运动物体数量。Zhao等人采用了人体形状的先验知识，并在贝叶斯框架下分割前景物体。

现在越来越多的公司和政府机构采用复杂的监控系统监视场景的异常情况，以避免损失和伤害。场景中的群体异常行为检测也可以分为两大类的方法。一类是基于机器学习的方法，另一类是基于阈值分析的方法。近年来，机器学习被越来越多地用到人群活动分析中，如主成分分析(PCA)，K-均值和隐马尔可夫模型(HMM)等。许多论文中的时空表达式都假设图像的局部区域的运动模式是均匀分布的。Kratz等人采用局部时空运动模式的变化构建运动模式，并推导出了基于分布的HMM。Kim和Benezeth等人采用时空马尔可夫随机场(MRF)检测异常活动。Zhong等人提出了一种非监督的技术进行异常检测。Yin等人基于动态条件随机场模型，提出了一种新的时空综合建模的异常检测方法。Wu等人采用支持向量机(SVM)对人类行为进行分类。另一些研究者采用阈值分析的方法检测人群的异常活动。Chen等人提出了一种两步的层次聚类方法将光流特征分组，并采用场模型检测异常。Lu等人采用一种非监督的聚类方法将视频流分成时空小方格，并使用时空形状表达和光流相互关系检测异常活动。Mehran等人提出一种社会力模型检测人群异常。Sharif和Ihaddadene等人同时考虑了人群密度和方向进行异常检测。钟志等人基于运动特征定义出人群能量估计人群密度和检测异常。曹添等人综合动能、运动变化和方向变化进行异常检测。

但是这些人群数量估计方法中基于映射的不但需要大量训练数据，且算法复杂度高，结果粗糙。基于物体分割和跟踪的人群数量估计方法，运算时间长，很难应用到实时系统中，并且当场景复杂或人群数量过多(超过10人)时，这类方法将彻底失效。

现有的人群聚集和跑动的检测方法主要针对单个人或少部分运动物体，如丢包、逗留、翻墙等。但是当场景复杂的时候，这些方法很难处理遮挡问题，所有的跟踪、检测和分割都将失效。

【发明内容】

基于此，有必要提供一种可靠、运算复杂度低的基于视频流的人群数量估计方法。

一种基于视频流的人群数量估计方法，包括以下步骤：

将视频流进行预处理得到前景图像，所述前景图像为人群图像；

根据下述公式计算所述前景图像的图像势能E_p，