[发明专利]一种自适应群体异常行为分析方法

权利要求书

1.一种自适应群体异常行为分析方法，用于对视频图像中的群体行为进行分析，其特征在于：包括以下步骤：

(1)对所述视频图像进行脉线计算：

脉线定义：假设在p点处有一个粒子a，按照光流场方向，粒子流每次移动一个步长，在下一个步长时刻，p点又被新粒子b初始化，然后，a和b两个粒子继续随流体方向移动，重复这一过程，在时间间隔t_s内就得到经过p点处的一定数量的粒子位置，所述一定数量的粒子位置的连线便是脉线；

设为初始点p在t时刻第i帧的一个粒子位置，i,t＝0,1,2…t_s，根据光流方向，移动粒子流，重复初始化p点，脉线计算公式如下：

$\begin{array}{c}{x}_i^p(t+1)=x_i^p\left(t\right)+u\left(x_i^p\right(t),y_i^p(t),t)\\ y_i^p(t+1)=y_i^p\left(t\right)+v\left(x_i^p\right(t),y_i^p(t),t)\end{array}---\left(1\right)$

其中，u，v分别为光流速度矢量场；对所有的i，t＝0,1,2…t_s，采用四阶龙格－库塔方程对式(1)作粒子平流；对流体中每个粒子，我们定义一个包含粒子位置和初始速度的额外粒子P_i与之对应：

P_i＝{x_i(t),y_i(t),u_i,v_i} (2)

其中，

(2)脉线流计算：

脉线流的定义为：Ω_s＝(u_s,v_s)^T，其中，T代表转置，u_s、v_s分别表示脉线流速度矢量场；

设U＝[c_i]，A＝[a₁,a₂,a₃]，其中，c_iIP_i，对任一的i,p，在x方向上计算所有像素的脉线流，根据公式(1)可以得知粒子具有子像素级精度，对每个粒子，需要计算其最邻近三个像素点的相应值，在计算过程中，使用三邻近像素点的线性插值得到c_i，式子定义如下：

c_i＝a₁u_s(k₁)+a₂u_s(k₂)+a₃u_s(k₃) (3)

其中，k_j为邻近像素点的标号，j＝1,2,3，a_j为第j个邻近像素的已知三角基函数，根据该粒子以及其相邻三个像素点，可以通过三角插值公式来求取u_s(k_j)，对U中所有数据点，采用公式(3)，便形成了如下的一组线性方程组：

Au_s＝U (4)

采用最小二乘法对方程组(4)进行求解，得到u_s，v_s求解过程类似；再由Ω_s＝(u_s,v_s)^T得到脉线流Ω_s；

(3)异常行为检测：采用基于径向基核函数的支持向量机进行分类，检测出视频图像中的正常群体行为和异常群体行为；

(4)异常群体行为分级，具体包括以下步骤：

①前景检测：对所述步骤(3)检测出的异常群体行为的视频图像采用三帧帧差法进行处理，获得群体运动前景；

②自适应群体密度估计：获得群体运动前景后，根据前景面积占整个图像面积的实际比例是否大于事先定义好的比例阈值来自适应地选择不同的方法进行密度估计：当该实际比例小于比例阈值时，表明此时前景目标面积较小，群体密度较低，则采用下述A方法对其密度进一步划分；反之，表明此时的群体密度较高，采用下述B方法对其密度进一步划分；

A、基于像素点统计的密度估计算法：步骤如下：

a、采用canny边缘检测算子对相邻两帧灰度图像提取边缘得到边缘图像；

b、通过形态学膨胀和腐蚀操作消除干扰噪声；

c、对两帧边缘图像差分，并将其与当前帧的边缘图像进行与操作，得到前景边缘图像；

d、根据前景边缘图像计算出边缘的总像素数；

e、采用线性拟合的方法拟合出人群人数和人群前景边缘的总像素数的关系，估计出大概的群体密度，并划分为低等和中等两个密度等级；

B、基于纹理分析的密度估计方法：

首先，生成灰度共生矩阵：灰度直方图是对图像上具有某个灰度值的单个像素进行统计的结果，灰度共生矩阵是对图像上保持某一距离的两像素分别具有某灰度的状况进行统计得到，设f(x,y)为一幅二维数字图像，其大小为M×N，M,N分别代表图像的宽度和高度，图像灰度级别为L，则满足一定空间关系的灰度共生矩阵为：

P(m,n)＝#{(x₁,y₁),(x₂,y₂)∈M×N|f(x₁,y₁)＝m,f(x₂,y₂)＝n} (5)

其中，#表示集合中的元素个数，m和n表示图像灰度值，从式(5)中可以看出，P为L×L的矩阵，若(x₁,y₁)与(x₂,y₂)的距离为d，两者与坐标横轴的夹角为q，则可以得到各种间距及角度的灰度共生矩阵P(m,n|d,θ)，其表示图像中一个像素的灰度值为m，另一个像素的灰度值为n，并且相邻距离为d，方向为θ的这样两个像素出现的次数，θ＝0°,45°,90°,135°，d取1；

然后，对生成的灰度共生矩阵进行如下特征提取：

熵

能量

对比度

均匀性

相关性

其中：

${{\mathrm{\σ}}_1}^2=\underset{m=0}{\overset{L-1}{\Σ}}{(m-{\mathrm{\μ}}_1)}^2\underset{n=0}{\overset{L-1}{\Σ}}P(m,n|d,\mathrm{\θ}),{{\mathrm{\σ}}_2}^2=\underset{n=0}{\overset{L-1}{\Σ}}{(n-{\mathrm{\μ}}_2)}^2\underset{m=0}{\overset{L-1}{\Σ}}P(m,n|d,\mathrm{\θ});$

将以上所提取出的特征构造为一特征向量，并将此特征向量输入线性支持向量机，估计出高密度场景中的人群密度，并划分为高等和超高等两个密度等级，从而完成异常群体行为分级；

所述步骤(3)中，所述异常行为检测的方法为：

对输入的每帧视频，利用以下公式(11)计算每个像素点的脉线流幅度R_x,y,t：

$R_{x,y,t}=\sqrt{({u^2}_{s_{x,y,t}}+{v^2}_{s_{x,y,t}})}---\left(11\right)$

式中，分别为在所述步骤(2)中计算得到与u_s、v_s对应的t时刻第i帧中位于的粒子的脉线流值；

然后对公式(11)的计算结果按以下公式(12)进行二值化：

$B_{x,y,t}=\left\{\begin{array}{cc}1& if|R_{x,y,t}-R_{x,y,t-1}|\≥\mathrm{\θ}\\ 0& otherwise\end{array}\right.---\left(12\right)$

式中，θ是根据相邻两帧视频中的平均值自适应设定的一个阈值；

在公式(12)的计算基础上，通过在每一个像素点累计所有帧的B_x,y,t，然后再求平均值，视频帧序列将在相应的像素点上得到一个脉线流幅值平均变化量表示如下：

${\stackrel{\‾}{B}}_{x,y}=\frac{1}{N}\underset{t}{\Σ}{B}_{x,y,t}---\left(13\right)$

其中，N代表视频帧数量；

然后以公式(13)的计算结果为基础，采用基于径向基核函数的支持向量机进行分类，检测出视频图像中的正常群体行为和异常群体行为。