[发明专利]一种复杂环境的个体行为识别的方法及系统

说明书

本发明公开了一种复杂环境的个体行为识别的方法，设置图像信息分类器，根据获取的图像信息的纹理信息对所述选取的图像进行分类，确定复杂环境的图像的个体的密集度等级；可以将所述图像信息按照时间顺序和/或相关性顺序分为n段，对每段视频信息提取像素点的移动轨迹，根据所述复杂环境的图像的个体的密集度等级对视频信息进行选段，若所述密集度等级越高则选段内容越小，若所述密集度等级越小，则选择分段的内容越多，对复杂环境中的个体运动轨迹进行分解，得到正对于复杂环境的个体运动的数据点集合，构建个体行为分析模型并进行训练，将所述检测运动模式分解为轨迹点集的形式，作为测试集输入到所述分析模型以此完成特定行为动作的识别。

技术领域

本发明涉及图像识别及深度学习技术领域，尤其涉及一种复杂环境的个体行为识别的方法及系统。

背景技术

近年来世界各地发生的多起大型恐怖事件都发生在人群密集的公共场所。特别是大型公共场所，如广场、街道、体育场馆的出入口处的人群监控日益成为公共安全管理的重要方面。在火车站、公园以及人流量比较大的场所，持刀伤人、人群冲突及恐怖袭击等问题时刻威胁着人民群众的生命安全。虽然多数的公众场合都安装有监控系统，能为调查取证提供重要线索，但还无法智能报警。由于监控视频数据量庞大，通过人工查看监控视频的方式效率低下，随着智能监控技术的发展，监控视频下的人群异常行为的检测技术将有助于解决上述问题。

正常情况下，人群中的个体在广场的运动呈现随机游走的状态，同时受周边环境的吸引，呈现小规模聚集的现象。例如，在重要观景点、花坛周围会有较多的群众聚集，但人群整体仍呈现较为松散形态。而当异常事件发生时，人群的运动呈现群体效应。当人群处于高度密集状态时，发生的异常事件会造成整个群体的整体运动呈现出一种波动状态。因此对人群密度的高度关注和对异常事件的实时监控与识别是公共场所人群管理的当务之急。

现有的人群异常行为的检测方法，一是通过跟踪算法跟踪视频中的目标，获得目标在视频中的运动轨迹，分析运动轨迹从而来判断场景中是否存在异常事件。但是该方法只适用于人群密度低的场景，对于高密度人群场景，运动目标较多，且容易发生遮挡，很难获得精准的运动轨迹；二是通过光流法来提取视频中的运动速度大小，设置固定阈值，大于阈值的运动速度被判断为异常事件。由于现实场景容易受到背景和光照变化干扰，并且由于监控摄像头的视频角度问题，同一场景中距离摄像头远近不同但运动速度相同的人群在检测中获得的运动速度却不同，固定阈值无法准确地将人群异常事件监测出来。

然而，现有的人群行为的行为识别方法计算量巨大，导致运算过程很慢，即使追踪至像素点进行轨迹分析，为了定位相关像素点及相关像素运动同样需要复杂运算，不利于在大型公共场所，如广场、街道、体育场馆的出入口处的推广和使用。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明公开了一种复杂环境的个体行为识别的方法，所述识别的方法包括：

步骤1，获取复杂环境的图像信息，设置图像信息分类器，用于根据所述获取的图像信息的纹理信息对所述选取的图像进行分类，确定复杂环境的图像的个体的密集度等级，其中，图像信息包括视频信息及视频信息的固定帧图像；

步骤2，可以将所述图像信息按照时间顺序和/或相关性顺序分为n段，其中，对每段视频信息提取像素点的移动轨迹，根据所述复杂环境的图像的个体的密集度等级对视频信息进行选段，若所述密集度等级越高则选段内容越小，若所述密集度等级越小，则选择分段的内容越多，其中，所述选段内容包括时间间隔和/或复杂环境变化率；

步骤3，对复杂环境中的个体运动轨迹进行分解，得到正对于复杂环境的个体运动的数据点集合，构建个体行为分析模型并进行训练，将所述检测运动模式分解为轨迹点集的形式，作为测试集输入到所述分析模型；

步骤4，对于相同的分类标记的像素点，具有相同分析模型返回测试集与预设特定行为动作的匹配结果，若匹配成功则认定为预定义行为以此完成特定行为动作的识别。