[发明专利]基于行为确定人员角色的方法

摘要

本发明公开了一种基于行为确定人员角色的方法，包括：获取视频源，提取视频源中人员的轨迹，并标注人员的角色，提取所有轨迹中人员进入场景、离开场景的位置集合以及在场景中停留的位置集合，根据期望最大化算法对位置集合进行聚类计算以得到场景的进出口的位置和场景中物体的位置，根据场景的进出口的位置以及场景中物体的位置来定义人员与场景的进出口以及场景中物体之间的空间关系，以及人员在场景中物体处停留时间，根据空间关系和时间关系来定义人员动作，根据人员动作定义人员活动，根据人员活动来定义人员行为，根据人员行为来定义人员的角色的概率。本发明仅依赖于视频信息，利用易于检测的人与环境物体的交互关系，易于实现，效果好。

主权项

1.一种基于行为确定人员角色的方法，其特征在于，包括以下步骤：一、学习过程：(1)获取视频源H_L；(2)提取所述视频源中人员的轨迹其中表示视频H_L中第z个人员第j次出现的运动轨迹，并标注所述人员的角色；(3)提取所述所有轨迹中人员进入场景、离开场景的位置集合以及在场景中停留的位置集合其中N_o表示人员进入场景，离开场景的位置点个数，N_d表示人员在空间中停留的位置点个数；(4)根据期望最大化算法对所述位置集合X_o进行聚类计算以得到场景的进出口的位置，对X_d进行聚类计算以得到场景中物体的位置；(5)根据所述场景的进出口的位置以及场景中物体的位置来定义所述人员与所述场景的进出口以及场景中物体之间三种空间关系：进入场景关系、离开场景关系、与物体的距离关系，以及所述人员在所述场景中物体处停留时间的时间关系，其概率具体定义为：三种空间关系都利用高斯分布定义如下：p(πs)=p(xf,xh;μs,Σs)=12πΣsexp(-12(xf-xh-μs)TΣs-1(xf-xh-μs))]]>其中π_s表示空间关系，具体为进入场景关系由人的位置与入口位置的距离确定，离开场景关系由人的位置与出口的位置的距离确定，与物体的距离关系有人的位置与物体的位置的距离确定，p(π_s)表示发生该空间关系π_s的概率，x_f指构成空间关系π_s的人员在图像中的位置，x_h指构成空间关系λ_s进出口或物体在图像中的位置，μ_s和∑_s分别指高斯分布的均值和方差；时间关系利用高斯分布定义如下：p(πt)=p(xt:μt,Σt)=12πΣtexp(-12(xt-μt)TΣt-1(xt-μt))]]>其中π_t表示时间关系，p(π_t)表示发生该时间关系λ_t的概率，x_t表示人员在物体处停留的时间，μ_t和∑_t分别指高斯分布的均值和方差；(6)根据所述空间关系和所述时间关系来定义人员动作，其概率定义为：p(a)=Ππ∈Ωap(π),]]>其中a表示人员动作，p(a)表示人员动作a的概率，Ω_a＝{π}表示定义动作a所需要的空间关系和时间关系集合；(7)根据人员动作定义人员活动，包括进入场景活动，离开场景活动以及在场景中活动的概率，人员活动的概率定义为：p(s)=Πa∈Ωsp(a)]]>其中s表示人员的活动，p(s)表示人员活动的概率s，Ω_s＝{a}表示定义活动s的动作集合；(8)根据所述人员活动来定义人员行为，每一个人员行为按照时间先后顺序包含一个进入场景活动，一个在场景中活动以及一个离开场景活动，其概率定义为：p(e)=p(s2|s1)p(s3|s2)Πi-13p(si),]]>其中e表示人员的行为，p(e)表示人员行为的概率，s₁表示进入场景活动，s₂表示在场景中的活动，s₃表示离开场景活动，p(s₂|s₁)，p(s₃|s₂)分别表示连续活动之间的转移概率。(9)根据所述人员行为来定义所述人员的角色的概率，具体为：该定义分为两部分，1)在工作时间内该人员所做行为的个数K，该部分概率由泊松分布定义：p(K|r)＝Pois(K，λ_r)，其中r表示人员的角色，λ_r表示泊松分布的参数，2)该人员所做行为的分布情况，该部分概率由多项式分布定义：其中为多项式分布的参数，E表示该人员在工作时间内所做事件集合，r表示人员的角色，N_E表示事件总的种类数，n_i表示第i种事件发生的次数；(10)根据所标注的所述人员的角色利用最大似然估计法学习所述空间关系、所述时间关系、所述人员动作以及所述人员行为的参数：μ_s，∑_s，μ_t，∑_t，p(s₂|s₁)，p(s₃|s₂)，λ_r，ρ_r；二、检测过程：(11)获取视频源H_T；(12)提取所述视频源中人员的轨迹其中表示视频H_T中第z个人员第j次出现的运动轨迹；(13)根据改进的Earley算法以及学习阶段所述空间关系、所述时间关系、所述人员动作、所述人员行为以及学习后的参数来解析所述人员的轨迹以得到所述人员的每一条轨迹所对应的具体行为集合E，以及每一种行为e的发生概率(14)根据所述人员的具体行为集合利用贝叶斯公式确定人员的角色，计算公式如下：p(r|K,TR)∝ΣE∈ΩEp(r)p(K|r)p(E|r)Πei∈Ep(ei|tri)]]>其中r表示人员的角色，K表示该人员所有轨迹的个数，TR表示该人员的轨迹集合，E表示对轨迹集合TR的一种解析情况(即每一条轨迹对应一种解析情况)，Ω_E表示对轨迹集合TR的所有解析情况，e_i表示对轨迹tr_i的一种解析情况，p(r)表示人员角色的先验概率，设为常数1/R，其中R为角色的种类数。