[发明专利]基于人群密度分析的地铁群体异常行为检测方法

摘要

本发明公开了提供了一种基于人群密度分析的地铁群体异常行为检测方法，克服了现有技术中实时性较差，适应性不强，识别的异常情况单一的问题，通过群体密度特征和运动特征来进行群体异常行为的检测，使用群体密度估计算法提取群体密度特征与群体人数变化率，采用稀疏光流法提取群体平均动能和群体运动方向熵这两种运动特征，利用ORB特征点提取距离势能，将四种群体运动特征结合密度特征实现异常行为的检测，提高不同人群密度下的检测准确性，适用于不同的场景，效果明显，效果更高，且识别到的异常情况种类更多，便于轨道交通工作人员的管理和布局，是轨道交通智能监控技术领域的一大创新性突破。

主权项

1.基于人群密度分析的地铁群体异常行为检测方法，其特征在于，包括如下步骤：S1，帧图像预处理：所述预处理至少包括色彩空间的转换、噪声消除、图像增强及形态学处理；S2，提取ORB特征点：S21，提取oFAST特征点：对预处理后的帧图像进行金字塔采样，利用FAST算法检测出每一层图像兴趣点的位置，再利用Harris特征点检测评分方法排序所获得的特征点，选取其中N个最好的点，对获得的N个特征点，根据灰度质心法，计算出各个特征点的方向；S22，提取rBRIEF特征：提取BREIF特征，把oFAST特征点的方向作为BRIEF的方向，进行旋转，得到steered BREIF，再利用贪婪学习算法，找出256个像素块对使其相关性最低，并构成所需的特征描述子，筛选出具有高方差和高不相关的steered BEIEF，即为rBRIEF；S23，综合oFAST和rBRIEF描述形成ORB特征点。S3，目标特征点提取与跟踪：利用金字塔Lucas‑Kanade光流法计算特征点处的光流，获取运动目标信息；S4，群体密度分析：利用改进的混合高斯背景模型提取ROI(Region Of Interest)内的二值前景面积，通过网格法矫正并更新二值前景面积，利用ORB特征点密度设定群体密度权重值，完成前景像素面积归一化，在不同权值范围内运用各自的最小二乘法拟合曲线估计出群体密度，并对密度进行分级；S5，人群运动特征提取：所述人群运动特征包括：人群平均动能、人群运动方向熵、人群中个体间距离势能及个体平均加速度。S6，异常行为检测：S61，根据步骤S4得到的群体密度，排除低密度以及高密度人群情况；S62，分析步骤S5提取的人群运动特征，实现对正常或异常情况分类。