[发明专利]基于子群组划分与动量特征融合的人群运动行为识别方法

摘要

本发明公开了一种基于子群组划分与动量特征融合的人群运动行为识别方法，该方法首先利用角点跟踪和背景建模的方法，获取视频图像帧中运动目标的时空信息，利用前景中群体分布的空间区域信息，将空间上相邻近的人群划分为若干子群体，子群体通过一段时间内的运动相关性进行进一步的分割，得到具有运动一致性的子群体；其次在子群体分割的基础上，提取出人群运动三个动量特征进行融合；最后将融合的特征以及视频帧的像素特征作为微分循环卷积神经网络的输入进行训练，采用人工标记的方法将训练视频片段标记成不同的描述词汇，用带标记的数据调整微分循环卷积神经网络的结果，得到了良好的训练成果，能够有效识别人群的运动行为，达到较好的效果。

主权项

1.一种基于子群组划分与动量特征融合的人群运动行为识别方法，其特征在于，该方法包括以下步骤：步骤1)：用户输入连续的视频，将视频划分成连续的视频帧，将上述每一个视频帧每单个行人作为一个特征跟踪点P，点P的运动信息用一个四维向量P＝(P_x，P_y，P_v，P_d)来表示，所述P_x、P_y表示特征特征跟踪点的空间坐标，P_v表示该点的位移大小，P_d表示该点的运动方向，P_d值为图像帧所有特征跟踪点的点集记为O_I＝{P₁，P₂，P₃，P₄}；步骤2)：子群体的移动特征由动量特征决定，以子群体和子群体内的特征跟踪点为基础，定义三种不同的动量特征：运动方向一致性、空间稳定性、人群摩擦冲突性；每个子群体中包含H个特征跟踪点，即Ck＝(P1，P2，...，PH)；步骤3)：计算连续5帧内的描述因子的平均值，用三个平均值构造一个向量ω(C)，ρ(C))，共同组成一个三通道的图像，形成224×224×3维数据输入至微分递归卷积神经网络DRCNN进行训练，转化为4096维特征向量，所述微分循环卷积神经网络是将VGG‑16模型和3层堆叠的长短期记忆递归神经网络LSTM连接到端对端的模型中，最后采用输出函数将特征向量转化为人群行为标签，采用人工标记的方法将训练视频片段根据行为发生主体，行为发生地点，行为本身的不同，标记为不同的描述词汇，用带标记的数据调整微分循环卷积神经网络的结果，实现人群运动行为识别。