[发明专利]基于深度残差神经网络卷积的视频监控人群行为的识别方法

说明书

本发明公开了一种基于深度残差神经网络卷积的视频监控人群行为的识别方法，将数据源输入至残差神经网络进行图像处理后，划分为不同类别的子人群行为特征；使用PCA在每个所述子人群行为特征中创建子类，计算子类内的散布矩阵以提取关键的子类，判断所有子类的异常状况，并结合其子类的人群行为，输出安全指数；检测模块对于安全指数较低的人群子类，找到其提取出的对应帧图像，通过背景差分法和区域光流法检测视频帧图像是否有异常行为；在余弦距离度量上找到两个不同行为群体的帧图像的之间的相似性度量，以追踪异常人群行为的动态视频，本发明有效提取有用的人群行为类别的信息，对于公共安全和人群管理能够及时提供关键决策和支持。

技术领域

本发明涉及监控视频中的人群行为识别与分析技术领域，具体而言，涉及一种基于深度残差神经网络卷积的视频监控人群行为的识别方法。

背景技术

对于人类观察者来说，要监视大量个体，他们的行为和来自大型摄像机拓扑的活动是极其困难的。存在行为异常的地区通常是高度拥挤的城市地区，密集人群行为智能检测技术提取有用的行为模式信息对于公共安全，安全，人群管理，及时提供关键决策和支持已变得至关重要。

现有的研究主要集中在稀疏且大多为舞台的场景上，相对较少的精力用于可靠分类和理解真实和非常拥挤场景中的人类活动。在人满为患的场景中，通常检测到的目标(人物和感兴趣的对象)非常小，研究对象主要关注在检测或者跟踪单个人物或车辆的目标识别任务上，在人群行为分析上具有挑战性，例如表征聚集人群的行为互动。

目前，研究人员提出了两种分析此类复杂场景中行为的方法。第一种是从整体上考虑人群和场景目标，其中人群对象、位置、场景，不对它们的行为或互动之类的单个目标单独识别或分类，而是根据其整体外观进行处理，在不了解个人行为的情况下理解人群行为通常是有利且简单的。第二种则基于对象的方法，其中每个个体(人和/或对象)都被检测并分段以执行运动和/或行为分析，这种在人群拥挤的视频中对个人进行复杂的细分和跟踪是一项非常具有挑战性的任务。

发明内容

本发明旨在一定程度上解决上述技术问题。

有鉴于此，本发明提供了一种基于深度残差神经网络卷积的视频监控人群行为的识别方法，该方法有效提取有用的人群行为类别的信息，对于公共安全和人群管理能够及时提供关键决策和支持。

为了解决上述技术问题，本发明提供了一种基于深度残差神经网络卷积的视频监控人群行为的识别方法，其特征在于，包括以下步骤：

S1：多个摄像头采集人群行为视频后进行帧图像的提取，将提取后的图像进行增广和标准化调整后形成数据源；

S2：将数据源输入至残差神经网络进行图像处理后，提取出整体人群行为特征，并基于整体人群行为特征划分为不同类别的子人群行为特征；

S3：使用PCA在每个所述子人群行为特征中创建子类，计算子类内的散布矩阵以提取关键的子类，对关键的子类内形成的方差进行学习，并使用Fisher准则对方差进行优化；

S4：对所述关键的子人群行为特征进行正则化处理，以对优化后的方差进行建模，求得建模后的模型特征值；

S5：基于所求得的每个子类的特征值，判断所有子类的异常状况，并结合其子类的人群行为，输出安全指数；

S6：将安全指数发送给人群行为检测模块，检测模块对于安全指数较低的人群子类，找到其提取出的对应帧图像，通过背景差分法和区域光流法检测视频帧图像是否有异常行为；

S7：在余弦距离度量上使用动态时间规整和第一近邻分类器来找到两个不同行为群体的帧图像的之间的相似性度量，以追踪异常人群行为的动态视频。

进一步，所述步骤S4中，对优化后的方差进行建模，求得建模后的特征值包括以下步骤：