[发明专利]基于余弦角距离加权复杂网络的小规模人群行为识别方法

说明书

技术领域

本发明涉及智能监控与视频分析领域，尤其是一种采用余弦角距离构成加权复杂网络来识别小规模人群行为的方法。

背景技术

人群行为识别渐渐成为计算机视觉领域和智能监控领域的研究热点与难点。根据人群规模的程度把人群行为分析的方法分为两类。一类是从微观角度分析，即通过检测个体的姿势或个体的相关特征量如轨迹、位置等来分析极小规模人群行为。另一类是从宏观角度入手，即将大规模含有共同行为的人群看成一个整体，提取整体的特性(如人流密度，人流速度，人流方向等)来理解和表达大规模人群行为。

这两类人群行为分析方法都有各自的缺点。第一类方法对整个人群场景的理解和表达整个宏观层次存在不足；第二类方法忽略了对人和人之间的交互及单独个人的分析，在微观方面的研究略有欠缺。而识别小规模人群行为既包括了分析人与人之间的交互也包含了理解和表达整体人群的行为，巧妙的消除了这两方面的缺陷，达到宏观和微观这两者优势的结合。

复杂网络是由节点和连接节点的边组成地图论，节点和边反映的是微观信息，网络的特征参数反映的是宏观信息，因此复杂网络是一个用微观信息来反映宏观信息的有力工具。用复杂网络识别小规模人群行为是用节点和边理解人群行为中个体与个体间的关系，用复杂网络的特征参数分析小规模人群的整体行为。

发明内容

本发明目的是提供一种设计合理、计算简单、准确度高的基于余弦角距离加权复杂网络的小规模人群行为识别方法。

为实现上述目的，采用了以下技术方案：本发明所述方法步骤如下：

步骤1，依据向量模型衡量余弦角，表达人群个体的运动状态和构建余弦角距离模型；

步骤2，定量评估余弦角距离，表达人群个体与个体间的关联程度，从而构建余弦角距离加权复杂网络；

步骤3，分析人群加权复杂网络的特征参数，提取能理解与表达人群行为的特征值，构建特征向量识别小规模人群行为。

进一步的，步骤1中，用余弦角来表达人群个体与个体间的相互运动状态，余弦角由向量模型来衡量，而向量模型是在运动轨迹信息的基础上由参考向量和位移向量构成。位移向量是轨迹位移矢量，参考向量所在的直线是由两个目标的轨迹起点相连构成。

运动目标i的参考向量是运动目标i轨迹起点指向运动目标j轨迹起点，公式如下：

N_i＝(x_j(0)，y_j(0))-(x_i(0)，y_i(0))

其中，(x_j(0)，y_j(0))表示0时刻运动目标j在视频场景中二维平面的位置坐标。(x_i(0)，y_i(0))表示0时刻运动目标i在视频场景中二维平面的位置坐标。

运动目标i的位移向量是运动目标i轨迹起点指向轨迹终点，具体公式如下：

S_i＝(x_i(n)，y_i(n))-(x_i(0)，y_i(0))

其中，(x_i(n)，y_i(n))表示n时刻运动目标i在视频场景中二维平面的位置坐标。(x_i(0)，y_i(0))表示0时刻运动目标i在视频场景中二维平面的位置坐标。

运动目标i的余弦角用弧度制表示结果如下：

对于运动目标j而言，其参考向量是运动目标j轨迹起点指向运动目标i轨迹起点，其它量与运动目标i一样，余弦角弧度制表示结果如下：

进一步的，在余弦角衡量人群个体与个体间相互运动状态的基础上用余弦角距离表达人群个体与个体间相互关联程度。余弦角距离计算公式如下：

d_ij＝δ×(θ_i+θ_j)

其中，θ_i为目标i运动状态的余弦角，θ_j为目标j运动状态的余弦角，δ为受两个目标轨迹方向影响的方向系数。

为了确定方向系数，将运动轨迹方向分为两类：若两个运动目标的轨迹方向相对于参考向量同向，那么δ取值较小；若两个运动目标的轨迹方向相对于参考向量异向，那么δ取值较大；