[发明专利]视频监控中的团体人群异常行为检测方法

说明书

技术领域

      本发明涉及一种人群异常行为的检测方法，具体是一种基于视频监控分析的团体人群异常行为检测方法，属于视频监控应用和技术集成领域。

背景技术

       尽管当前的智能监控系统对人群识别在近些年受到一些关注，但大多数的研究都集中在确定一个小的空间区域（已经在人群计算及跟踪范例中计算）中人的数目。对人群行为分析相对来说研究较少，更很少有相关的能解决在中等密度或者称小团体层面的人群检测跟踪研究。

用于人群智能监控系统由四个主要的部分组成：人群检测、人群跟踪和人群分类和人群异常行为识别。由于后续的分类识别过程非常依赖于准确的目标跟踪，正确的检测和跟踪目标是很重要的。目前，视频中人群目标识别借鉴了静止图像目标识别的方法，也有一些视频人群目标识别系统应用了基于学习模型的方法以期获得较好的检测跟踪效果。然而，在运动人群中存在着人群的动态移动问题，遮挡或局部聚集问题，环境干扰问题等都会影响着人群目标识别系统的有效运行。

而且，据N. R. Johnson、C. McPhail等研究指出，在社会人群中一个事件的发生有89%情况下不止有一个人存在，而52%的情况有不下于2个人，32%有至少3个人存在。所以本发明提出的通过识别小团体人群的方法为进一步人群异常行为识别提供了一种新的方法。

发明内容

为了解决现有技术中存在的在运动人群中存在着人群的动态移动问题，遮挡或局部聚集问题，环境干扰等影响着人群目标识别系统的问题，本发明提供了一种基于视频监控中的团体人群异常行为检测方法，包括步骤如下：

（1）视频目标检测：通过相继帧中的边缘信息差异检测得到视频对象，和通过前景帧与背景帧的帧差得到运动变化的视频对象，结合两种视频对象检测结果得到相对精确的运动目标；

（2）视频目标跟踪：通过基于视频粒子的长周期的运动估计方法，对目标进行跟踪得到相应的运动轨迹；

（3）团体人群检测：通过团体人群在视频中的运动特性，对轨迹间距离，行进速度信息进行谱聚类分析；

（4）人群异常行为识别：使用MGHMM模型对人群轨迹建立模型，通过正常轨迹的突然变化来进行堵塞和跌倒的识别。

进一步的，所述通过相继帧中的边缘信息差异检测得到视频对象包括Canny边缘求取，运动边缘求取，运动目标的获取这三个步骤。

进一步的，在人群区域中，存在两个或更多的粒子的相似性在一定的时间长度中保持一定的相似性，就可判断它们是属于同一群体。

进一步的，MGHMM模型的参数是                                                ，是状态的初始概率，（是状态转移概率，是混合系数，是均值向量，是高斯模型在状态的协方差矩阵。

进一步的，通过比较由MGHMM得到的观察值的似然值和监测阈值的大小，对正常和异常事件进行分类。

本发明集成了人群目标检测、人群目标跟踪、模式识别、机器学习方面的技术，提供了一种基于视频内容分析的团体人群异常行为检测方法。本发明结合前背景帧和相继帧的运动检测，以检测运动人群目标，通过长周期的运动估计的粒子视频技术做人群跟踪，然后通过团体人群的在视频中的特性，对轨迹间距离，行进速度等信息进行自适应谱聚类分析，分类得到团体人群，最后学习模型对人群异常行为进行有效识别。

1．人群目标检测，通过相继帧中的运动检测得到运动的视频对象，通过前景帧与背景帧的帧差得到不属于背景的视频对象，融合两种视频目标检测的结果得到更加准确的人群对象。

2.人群目标跟踪，结合基于粒子视频技术的长周期运动估计对得到的人群区域的进行目标跟踪，得到相应的运动轨迹。

3.人群分类，在一些公共场所，行人通常会因一些相同的运动特性从而形成了人群，小团体人群通过对轨迹间距离，行进速度等信息进行谱聚类分析而得到。

4.人群行为识别，学习模型对人群行为进行有效识别。

所述的人群目标检测：

人群目标检测由两种不同但能做有效补充的方法结合：通过相继帧中的运动边缘检测得到人群；通过前景帧与背景帧的帧差得到不属于背景的目标人群。

       相继帧中的运动检测利用了运动边缘特征，主要的过程有Canny边缘求取，运动边缘求取，运动目标的获取。 

       Canny边缘求取的过程是首先对图像做高斯卷积平滑，接着运用梯度值非最大值压抑细化边缘，最后用滞后的阀值将与强边缘相连的弱边缘加入边缘图像。