[发明专利]基于当前帧粒子加权社会力总和的群体异常事件检测方法

说明书

技术领域

本发明涉及计算机视觉及图像处理领域，尤其涉及一种基于当前帧粒子加权社会力总和的群体异常事件检测方法。

背景技术

近几年来，随着群体事件发生日益频发及人们对社会公共安全意识不断的增强，基于视频的群体异常行为分析受到越来越多国内外学者的关注，并取得了大量的成果。然而在高密度的人群场景中,由于场景中存在严重的遮挡,情景复杂等现象，对于人群异常事件的检测通常都存在着较高的误检率问题。在视频监控领域中，计算机视觉研究人员将群体异常事件检测方法根据其研究对象的不同将之分为两类:基于个体目标的研究和基于群体特征的研究。

第一类是基于个体目标的方法，该类方法将人群看作是由相互独立的个体组成，这样可以结合传统的单个目标行为分析技术进行人群行为的研究。通过对视频中的每个目标进行单独建模和跟踪分析，提取每个行人的姿势和动作等特征，识别其行为，然后将个人看作是人群的一部分，可以通过分析个体的特征来分析人群的行为特征。在简单的环境下，这种方法具有较好的效果。但是在高密度，复杂的人群场景下，由于存在严重的遮挡现象，要实现对多个目标分割、跟踪、行为识别等是非常困难的。另外，计算速度也会受到目标数量的影响，而且这种方法忽略了人与人之间的相互作用性。

而另一类是基于群体特征的方法，把人群看作为一个整体来进行研究，对视频进行特征提取，建立群体的模型，然后对正常人群行为和异常人群行为进行分类。这种方法对人群的整体分析效果较好，比较适用于密度场景中的人群。其中，社会力模型是一个重要的群体仿真模型，由于能够比较真实的体现出群体的运动情况，且对群体运动的建模相对合理，该模型已经引起了国内外学者广泛的关注。Ramin Mehran等人在2009年《IEEE International Conference on Computer Vision and Pattern Recognition》上发表的“Abnormal crowd behavior detection using social force model”文章中提出将社会力模型应用到视频中的人群分析,用来检测人群的异常行为。该算法通过在图片上均匀平铺一层光流粒子，并让它们随光流时空变化进行移动，使用社会力模型估算出粒子间的相互作用力来表征行人间的相互作用力，从而避免了对行人目标的检测、分割和跟踪等复杂过程，因此计算量大大减小且更易实现。该模型主要以牛顿动力学和社会心理学作为基本理论，是一种简单而高效的模型，相比现有方法更加适用于人群拥挤的，遮挡现象严重的场景。另外，该方法采用k-means算法，对得到的社会力聚类得到码书，并用词袋模型的方法来统计每段视频中码书中关键词出现的频率。最后用“Latent Dirichlet allocation”(隐Dirichlet分布)法对视频进行分类。

传统的社会力模型仍存在一些不足之处：(1)忽视了近邻对行人影响因素的不一致性，如：行人与近邻间距离越远，对行人产生的影响越小或近邻位置所在方向和行人的运动方向夹角超过一定阀值将对行人的运动没有影响等因素；(2)没有考虑行人与行人之间的相互作用力与场景中行人的规模的相关性；(3)相互作用力的非对称性，如行人甲试图避让行人乙，这并不意味着行人乙也会试图去避让行人甲，因为是否做出避让行为和行人的视觉角度密切相关的。

发明内容

本发明的目的在于解决上述现有技术存在的缺陷，对社会力模型进行了改进，将行人与近邻间距离，运动方向的视角信息及场景中行人规模这三个要素融入社会力模型，使得改进后的社会力模型能对密集场景中复杂运动，遮挡现象等进行更有效地建模。而且,基于改进社会力模型的异常检测算法具有较好的检测率，能够有效检测出人群异常事件。

本发明提供的一种基于当前帧粒子加权社会力总和的群体异常事件检测方法尤其适用于于人群密度大、场景复杂的异常行为检测。

一种基于当前帧粒子加权社会力总和的群体异常事件检测方法,包括以下几个步骤：

步骤1：将彩色视频帧图片转化为灰度帧图片，将群体中的行人考虑成质量相等的运动的粒子，在灰度帧图片上放置一系列粒子，并对每个粒子进行标记；

步骤2:使用光流法对视频序列中的光流粒子进行跟踪，由两帧间的粒子位移计算出粒子的速度场；

步骤3：根据所述速度场计算改进的加权社会力模型中，每个粒子处受到的交互作用力；

步骤4：对所述每个粒子处受到的交互作用力设定阀值以去除噪声，将去除噪声后的所述交互作用力定义当前帧粒子的加权社会力总和；