[发明专利]基于高斯混合模型的人群中异常行为的检测方法

说明书

本发明基于高斯混合模型的人群中异常行为的检测方法，涉及应用电子设备进行识别图形的方法，首先在预处理阶段使用高斯混合模型对输入视频进行背景建模来提取ROI，并利用形态学方法消除背景的影响，然后将人群看作整体来提取ROI光流运动特征和SIFT运动特征，再对输入视频序列中的图像进行分块，按图像子块分配运动特征，对不同子块建立高斯混合模型，利用最大期望EM算法训练高斯混合模型，检测人群中异常行为的图像，克服了现有技术中在高密度场景下人群存在遮挡和光照变化给行人运动分析带来的干扰，同时监控视频下不同区域运动状态的不同也给人群异常行为检测模型的建立带来了干扰，容易造成误检的缺陷。

技术领域

本发明的技术方案涉及应用电子设备进行识别图形的方法，具体地说是基于高斯混合模型的人群中异常行为的检测方法。

背景技术

近年来，公众场所的安全保障问题日益得到广泛关注。在火车站、公园以及人流量比较大的场所，持刀伤人、人群冲突及恐怖袭击等问题时刻威胁着人民群众的生命安全。虽然多数的公众场合都安装有监控系统，能为调查取证提供重要线索，但还无法智能报警。由于监控视频数据量庞大，通过人工查看监控视频的方式效率低下，随着智能监控技术的发展，监控视频下的人群异常行为的检测技术将有助于解决上述问题。

现有的人群异常行为的检测方法，一是通过跟踪算法跟踪视频中的目标，获得目标在视频中的运动轨迹，分析运动轨迹从而来判断场景中是否存在异常事件。但是该方法只适用于人群密度低的场景，对于高密度人群场景，运动目标较多，且容易发生遮挡，很难获得精准的运动轨迹；二是通过光流法来提取视频中的运动速度大小，设置固定阈值，大于阈值的运动速度被判断为异常事件。由于现实场景容易受到背景和光照变化干扰，并且由于监控摄像头的视频角度问题，同一场景中距离摄像头远近不同但运动速度相同的人群在检测中获得的运动速度却不同，固定阈值无法准确地将人群异常事件监测出来。2008年，Antoni B.Chan等人提出了混合动态纹理特征MDT(Mixture of Dynamic Textures)，该特征结合了运动信息和纹理信息，进行视频分割，将不同的运动形态分割开；在2010年，VijayMahadevan和Weixin Li等人受GMM背景建模思想启发，将MDT特征运用到视频监控的人群异常行为检测上，从时间异常和空间异常两方面对监控视频进行分析从而检测人群异常事件，但该方法也只能适用于低密度人群的场景；在2014年，Weixin Li等人进一步改进完善了混合动态纹理特征，克服了异常种类在不同人群规模下定义模糊的问题，提出H-MDT((Hierarchical Mixture of Dynamic Texture)模型，以多尺度空间规模定义异常图，但该方法的缺点是计算耗时，实时性差；CN104636751提出的基于时间递归神经网络的人群异常检测和定位系统及方法，通过划分时空块构造多规模光流直方图和Gabor小波纹理特征，来训练时间递归神经网络模型判断人群异常，但该方法只能检测预先标注好的人群异常，检测的人群异常种类受限；CN102799863A公开了视频监控中的团体人群异常行为检测方法，利用MGHMM模型对人群轨迹建立模型，通过模型判断人群轨迹是否异常，由于该方法依赖于跟踪算法得到运动轨迹，高密度人群中存在遮挡，难以获得较为准确的轨迹，因此难适用于高密度场景。CN104156979A提出了一种基于高斯混合模型的视频中异常行为在线检测方法，先合成原图像的低分辨率图像，分别计算原图像和低分辨率图像的光流，再对图像分块计算高斯混合模型，最后计算待检测图像的高斯混合模型与标准高斯混合模型的差异得分，通过差异得分与固定阈值的比较来判断待检测图像中是否有异常，但该方法采用单一的光流特征，光流特征容易受光照变化和场景中背景因素的影响，因此难以适用于环境复杂的场景。

总之，现有技术的人群异常行为的检测方法能检测稀疏场景的人群异常行为，但仍然没有克服高密度场景下人群存在遮挡和光照变化带来的影响，同时监控视频下不同区域运动状态的不同也给人群异常行为检测模型的建立带来了干扰，容易造成误检。

发明内容