[发明专利]基于子群组划分与动量特征融合的人群运动行为识别方法

权利要求书

1.一种基于子群组划分与动量特征融合的人群运动行为识别方法，其特征在于，该方法包括以下步骤：

步骤1)：用户输入连续的视频，将视频划分成连续的视频帧，将上述每一个视频帧每单个行人作为一个特征跟踪点P，点P的运动信息用一个四维向量P＝(P_x,P_y,P_v,P_d)来表示，所述P_x、P_y表示特征跟踪点的空间坐标，P_v表示该点的位移大小，P_d表示该点的运动方向，P_d值为图像帧所有特征跟踪点的点集记为O_I＝{P₁,P₂,P₃,P₄}；

步骤2)：子群体的移动特征由动量特征决定，以子群体和子群体内的特征跟踪点为基础，定义三种不同的动量特征：运动方向一致性、空间稳定性、人群摩擦冲突性；每个子群体中包含H个特征跟踪点，即C_k＝(P₁,P₂,...,P_H)；

步骤3)：计算连续5帧内的描述因子的平均值，用三个平均值构造一个向量(ω(C),ρ(C))，共同组成一个三通道的图像，形成224×224×3维数据输入至微分递归卷积神经网络DRCNN进行训练，转化为4096维特征向量，所述微分递归卷积神经网络是将VGG—16模型和3层堆叠的长短期记忆递归神经网络LSTM连接到端对端的模型中，最后采用输出函数将特征向量转化为人群行为标签，采用人工标记的方法将训练视频片段根据行为发生主体，行为发生地点，行为本身的不同，标记为不同的描述词汇，用带标记的数据调整微分循环卷积神经网络的结果，实现人群运动行为识别；

所述的步骤1)具体为：

步骤1.1)：通过哈里斯角点检测算法得到连续视频帧中特征跟踪点的位置信息，获取目标群组的前景特征，哈里斯角点跟踪算法是使用一个固定窗口在图像上进行任意方向上的滑动，比较滑动前与滑动后两种情况，窗口中的像素灰度变化程度，当存在任意方向上的滑动时灰度变化程度较大，则认为该窗口中存在角点，将连续视频帧中每个特征跟踪点的位置串联起来，得到每个特征跟踪点的运动轨迹T，所有特征跟踪点运动轨迹集合为T_I＝{T₁,T₂,T₃,T₄}；

步骤1.2)：利用混合高斯背景建模方法进行前景提取，对于当前视频帧中像素的灰度值，当高斯混合背景中第S个高斯分布的均值的差值满足公式：就认为匹配成功，即该像素为背景，其中I(x,y,t)表示该像素点(x,y)在t时刻的像素值，表示第S个高斯分布t时刻的平均灰度值，λ表示标准差的倍数系数，表示第S个高斯分布t时刻灰度值的方差，通过前景提取获取目标群体的空间大小以及和周围群体的距离关系，称为前景斑块，斑块集合记为B_I＝{B₁,B₂,B₃,...,B_k}，通过空间上的关系变化划分出空间上临近的个体；

步骤1.3)：利用划分出的两种时空信息，对密集群体进行划分。