[发明专利]一种人群异常行为与人群密度识别方法

说明书

本发明公开一种人群异常行为与人群密度识别方法，包括：计算待检测的视频第i帧和第i+1帧间每个像素点的位移矢量；提取运动区域前景并进行二值化处理，获得二值化后的运动区域前景图像；计算二值化后的运动区域前景图像的每个像素点的位移距离，剔除位移较小的像素点；对于剩余的像素点，求x方向和y方向的二阶微分，得到空间特征点；计算以每个空间特征点为核心的一定规格邻域的沿x轴方向和沿y轴方向的平均位移矢量；对于第i+1帧和第i+2帧视频，重复前面的步骤;计算第i帧至第i+1帧间视频的矢量和第i+1帧至第i+2帧间视频的矢量的差，并进行统计生成全局特征向量；将全局特征向量输入支持向量机训练，分别对人群异常和人群密度进行分类训练。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种人群异常行为与人群密度识别方法。

背景技术

计算机视觉技术是一种研究如何使用计算机及其相关设备模拟生物视觉的技术。通过摄像机等成像设备采集图片或视频并进行处理，获得相应场景的三维信息,再交由计算机代替大脑完成处理和理解。该技术涉及多个学科,包括图像处理、模式识别、图像分析和图像理解等。目前，计算机视觉技术已广泛应用于各个领域，如医疗图像处理、视频监控、电子卡口、虚拟现实、智能交通等。

随着计算机视觉技术的发展以及监控仪器在地铁站、飞机场等公共场所的的普及，人群异常行为以及人群密度识别技术已经成功实现。但是相关的理论及产品仍然很少，目前的技术主要是通过采样粒子移动方向和粒子移动速度等指标综合评价人群异常以及人群密度。

对于人群密度评价，具体方案包括：

1.利用三维黑塞矩阵检测出人群视频中时空变化剧烈的特征点；

2.用时空局部二值化模式方法提取出特征点的动态纹理，再对动态纹理进行谱分析从而得到图像的局部特征；

3.利用直方图统计对整幅图像的局部特征进行分析，得到人群全局特征向量，然后将得到的人群全局特征向量输入支持向量机从而估计出人群的整体密度等级；

4.将局部特征进行处理并转换到彩色空间，即可得到人群局部密度分布的色谱图显示。

对于人群异常评价，具体方案包括：

1.对于不同尺寸的视频，采用不同规格的网格进行采样，将每个采样粒子视为一个个体，结合局部密度信息计算粒子之间的加权互作用力；

2.对每个采样点处的局部特征(加权互作用力)进行直方图统计，将作用力方向分为N个区间，大小分为M个区间，统计生成N×M维的全局特征向量，输入支持向量机训练进行特征分类；

3.对支持向量机的分类结果进行中值滤波以去除分类结果中的跳变点。

上述方案虽然能够进行人群异常行为和人群密度的识别，但由于受外界复杂环境的干扰、人群分布不均匀、视频帧间跳变大等不利于识别的因素的限制，存在较多缺陷，包括：

1.无法提取前景与背景，只能对整个视频帧均匀采样，导致得到的信息中存在很多无效信息，使得算法整体效率不高。

2.对于人群密度与人群异常是采用两种不相干的算法进行计算，为此需要进行两轮机器学习训练：第一轮是对人群密度进行学习训练，这一轮的人群密度识别训练必须完成并且取得较好的成果，这样才可以进行第二轮人群异常识别的训练，导致整个流程比较繁琐，在实际环境中实用性较差，并且由于采用算法较多，运算量较大，导致CPU负荷高，算法耗时长。

3.计算人群异常时以“社会力模型”理论为基础提出“压力模型”，本质是将人群密度与人群异常行为进行融合，人群密度越高人群异常行为的判断越敏感，相反人群密度越低人群行为异常的判断越灵敏度越低，这样笼统地将人群密度和人群异常结合增大了误检率(FN)和漏检率(FP)。

发明内容