[发明专利]一种基于深度学习的人群异常检测方法

说明书

本发明提出一种基于深度学习的人群异常检测方法，通过现有的OverFeat算法和Faster R‑CNN算法，引出了一种基于ReInspect算法的对于多个运行目标的检测方法，该算法不仅可应用于不同的场合，还对传统的重叠、遮挡等问题具有较好地抗干扰能力，方便进行更加高效以及精准的人群异常检测方法，建模时除了空间因素，还加入了时间因素，对空间和时间进行统一建模，大大提高了检测效果和检测效率。

技术领域

本发明涉及计算机视频图像技术领域，尤其涉及一种基于深度学习的人群异常检测方法。

背景技术

随着人口数量以及其流动性的增加,密集人群现象越来越常见,这就对治理公共空间和社会安全提出了巨大的挑战。智能视频监控系统在该领域所包含内容丰富算法，人群场景分析又在现实生活中存在巨大的应用价值,近年来吸引了大量研究者的关注。人群密度高、模式变化快、场景中存在着巨大的遮挡等使得传统视频监控技术不能直接应用于人群场景。现有智能分析技术一般使用背景模型、Ka lman滤波、粒子滤波算法、Vi Be算法等算法识别和追踪人群。

但是现有技术存在缺点：在复杂场景尤其是在存在部分遮挡或者重叠情况下无法做到精准追踪。

发明内容

本发明的目的在于提出一种对传统的重叠、遮挡等问题具有较好地抗干扰能力的基于深度学习的人群异常检测方法。

为达到上述目的，本发明提出一种基于深度学习的人群异常检测方法，其特征在于，包括以下步骤：

步骤1：检测人群目标；

步骤2：获取人群行为特征；

步骤3：训练神经网络。

优选的，步骤1包括以下步骤：

步骤1.1：采用ReInspect算法构建卷积网络模型；

步骤1.2：在所述卷积网络模型上使用循环LSTM网络对同一网络生成特征序列表示遮挡目标；

步骤1.3：对所述遮挡目标进行检测完成去遮挡处理；

步骤1.4：获取运动目标。

优选的，步骤2包括以下步骤：

步骤2.1：基于光流算法获得光流场：

步骤2.2：将所述光流场每个网格中的像素量化成多尺度光流直方图；

步骤2.3：构建人群动态的时间序列表示。

优选的，步骤3包括以下步骤：

步骤3.1：建立空间以及时间维度模型；

步骤3.2：建立时间递归神经网络模型；

步骤3.3：使用BPTT训练所述时间递归神经网络模型。

优选的，在步骤1.2中，为了保留重复目标检测结果，单次移除操作中一个网格检测结果移除一个来自另一个网格的重复检测结果；考虑到一个检测结果可能会与多个不同网格的检测结果重复，检测后处理方法再一次使用了匈牙利算法实现不同网格重复检测结果的移除；考虑到同一目标可能出现多次重复检测，后处理算法采用了置信度分段的方式对检测结果进行了多次匹配移除。

优选的，在步骤2.2中，计算所述光流直方图的公式为：

其中，p表示方向数，r(x,y)和θ(x,y)分别表示光流在像素点(x,y)上的大小和方向。对于直方图的层数，采用经验值即3层的光流直方图，采用3层的光流直方图,并将p设置为8，τ设置为1，设置为3,总共有24个区间。