[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

说明书

本发明公开了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，该方法首先利用角点跟踪和背景建模的方法，获取视频图像帧中运动目标的时空信息，利用前景中群体分布的空间区域信息，将空间上相邻近的人群划分为若干子群体，子群体通过一段时间内的运动相关性进行进一步的分割，得到具有运动一致性的子群体；其次在子群体分割的基础上，提取出人群运动三个动量特征进行融合；最后将融合的特征以及视频帧的像素特征作为微分循环卷积神经网络的输入进行训练，采用人工标记的方法将训练视频片段标记成不同的描述词汇，用带标记的数据调整微分循环卷积神经网络的结果，得到了良好的训练成果，能够有效识别人群的运动行为，达到较好的效果。

技术领域

本发明涉及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，主要利用Harris角点检测算法提取人群运动轨迹，混合高斯背景建模提取场景的前景特征，进行子群组划分。在子群组基础上进行动量特征提取，将提取出三维动量特征视频数据输入至微分循环卷积神经网络训练，转化为人群行为标签，达到人群运动行为识别的目标，属于图像处理、视频检测和人工智能交叉技术应用领域。

背景技术

人群运动行为识别的目的是从序列图像中通过运动轨迹和前景提取将密集人群划分成子群组，在子群组的基础上进行人群运动行为识别。对群组级别的活动识别日益成为计算机视觉领域的一个热点问题，在智能视频监控，公共安全、体育竞技等方面有着广泛的应用。对于视频图像帧中人群运动行为识别算法主要有Harris角点检测算法、混合高斯背景建模方法、动量特征融合方法。

(1)哈里斯角点检测算法：该算法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。角点在保留图像图形重要特征的同时，可以有效地减少信息的数据量，使其信息的含量很高，有效地提高了计算的速度，有利于图像的可靠匹配，使得实时处理成为可能。

(2)混合高斯背景建模方法：其基本思想在于将输入图像和背景模型相比较，根据差值等信息来判断不符合背景模型的异常情况，从而区别出前景像素和背景像素。该方法用灰度直方图表示一个图像中灰度值的分布情况，利用这种统计结果，假设图像序列中像素灰度值的分布服从正态分布函数，对图像进行分割的。

(3)动量特征融合方法：该方法从人群子群组层面出发，将人群聚集的群组作为研究目标，构建以子群组为单位的动量特征。通过最大期望优化算法检测出场景中的所有子群组，针对检测到的群组提取出群组的集体性、稳定性和冲突性等动量特征，构成面向子群组的动量特征，群组动量特征能够改善由于个人动量特征对场景的依赖性，用群组单位构建场景独立的动量特征，提升人群运动行为分析的鲁棒性和可扩展性。

发明内容

本发明目的在于人群运动行为识别方法，提出了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，解决了在人群密集场景下微观分割中人群重叠导致的划分失误以及宏观分割中分割粒度过大造成的人群行为细节忽略的问题，并且在此基础上提出来群体运动动量特征融合训练模型，能够有效的识别人群的运动行为。

本发明所述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}；