[发明专利]基于综合光流特征描述符及轨迹的人群异常行为检测方法

说明书

针对复杂背景及遮挡等原因所引起的人群异常行为检测性能低的问题，本发明提出一种基于综合光流特征描述符(简称SOFD)及轨迹的人群异常行为检测方法。本方法首先根据人群光流场变化计算人群运动速度、加速度、方向和能量，并利用上述特征设计新的时空特征描述符(即SOFD)；第二，利用KLT(Kanade‑Lucas‑Tomasi)追踪算法获得人群运动轨迹单帧图；最后基于所获取的特征，设计双流卷积神经网络(简称TS‑CNN)以检测人群异常行为。仿真实验结果表明，本方法在复杂人群环境中比现有主流算法显著提高人群异常行为检测的准确性及鲁棒性，为控制突发事件引发的人群骚动，引导人群合理避险提供依据。

技术领域

本发明属于基于特定计算模型的计算机系统领域，具体涉及一种基于综合光流特征描述符及轨迹的人群异常行为检测方法。

背景技术

随着城市规模扩大和人口增加，人口密度大的公共区域发生交通事故、拥堵、踩踏等突发事件的概率也随之增加。为妥当处理突发事件，保障公共场所安全，智能监控技术的发展显得愈发重要。然而，现存用于捕捉和检测异常事件的监控系统受光照变化、复杂背景及遮挡等影响，导致异常行为识别准确率较低，且鲁棒性较差。因此，如何提高公共场所人群异常行为检测准确性及鲁棒性是智能监控领域的研究热点和难点之一。

近年来，为提高由于爆炸、恐怖袭击等突发事件引起的人群异常行为检测性能，众多基于视频序列的人群异常行为检测算法相继提出。相关算法大致可分为两类：一类是基于视觉特征提取方法，其利用视觉及图像处理相关技术提取人群特征而后进行异常检测。其中，Solera等人利用空间关心理论、格兰杰因果关系、动态时间规整和热图以激发群体相关性特征，而后使用支持向量机(support vector machine，SVM)进行人群异常行为检测。该方法可从宏观角度直观反应人群形态，然因其所获取运动信息单一且行为特征不完整，从而存在准确性较差、训练效率较低、数据处理能力有限等问题。为完善行为特征，提高检测准确性，Wu等人提出一种基于贝叶斯模型(Bayesian model，BM)的人群异常行为检测方法，通过引入潜在目标和发散中心两个概念来表征人群运动以完善行为特征完整性。然而，高密度人群中易受人群遮挡、光照变化等因素影响，从而导致异常行为检出率降低。

另一类是基于物理特征分析方法，其通过构建物理模型模拟人群行为以检测人群异常行为。其中，Zhang等人提出一种基于社会力模型(social force model，SFM)的社会属性感知模型，其利用社会障碍和拥塞属性描述社会行为间相互作用以精确表达人群行为，然而该模型参数较多，建模复杂，且实时性难以控制。针对此问题，Xiong等人基于势能模型(energy model，EM)将人口统计结果与人群熵相结合并设置人群分布指数阈值以检测人群聚集状态从而进行人群异常行为检测。该方法对训练数据具有较好鲁棒性，且计算量较低，但需特定视频剪辑以估计阈值，从而导致算法的复杂度较高，存在计算效率低的问题。为降低计算复杂度，Zhou等人基于量化群体流形拓扑结构以设计具有较低计算复杂度的群体性描述符进而检测人群异常行为。该集群性模型(collectiveness model，CM)对高密度人群表征能力较强，但随着群体中行人数量减少，行为一致性估计精度有所下降，从而导致模型对人群特征表征能力显著降低,降低了模型表征的准确度。针对此问题，基于局部邻间粒子行为一致性特征，Wang等人提出一种全局方向描述子以提取群体整体运动，而后将局部及全局描述子进行特征融合以建立方向-集群性模型(direction-collectiveness model，D-CM)从而增强模型对人群特征的表征能力。然而，因其对运动方向过度聚类导致在检测方向混乱的人群行为时性能显著下降。上述现有检测人群异常行为的方法普遍存在局限性，难以快速且平衡地表征人群异常行为的特征及趋势。