專利名稱：視頻監(jiān)控中的團體人群異常行為檢測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種人群異常行為的檢測方法，具體是一種基于視頻監(jiān)控分析的團體人群異常行為檢測方法，屬于視頻監(jiān)控應用和技術(shù)集成領(lǐng)域。
背景技術(shù)：
盡管當前的智能監(jiān)控系統(tǒng)對人群識別在近些年受到一些關(guān)注，但大多數(shù)的研究都集中在確定一個小的空間區(qū)域(已經(jīng)在人群計算及跟蹤范例中計算)中人的數(shù)目。對人群行為分析相對來說研究較少，更很少有相關(guān)的能解決在中等密度或者稱小團體層面的人群檢測跟蹤研究。用于人群智能監(jiān)控系統(tǒng)由四個主要的部分組成人群檢測、人群跟蹤和人群分類和人群異常行為識別。由于后續(xù)的分類識別過程非常依賴于準確的目標跟蹤，正確的檢測和跟蹤目標是很重要的。目前，視頻中人群目標識別借鑒了靜止圖像目標識別的方法，也有一些視頻人群目標識別系統(tǒng)應用了基于學習模型的方法以期獲得較好的檢測跟蹤效果。然而，在運動人群中存在著人群的動態(tài)移動問題，遮擋或局部聚集問題，環(huán)境干擾問題等都會影響著人群目標識別系統(tǒng)的有效運行。而且,據(jù)N. R. Johnson、C. McPhail等研究指出，在社會人群中一個事件的發(fā)生有89%情況下不止有一個人存在，而52%的情況有不下于2個人，32%有至少3個人存在。所以本發(fā)明提出的通過識別小團體人群的方法為進一步人群異常行為識別提供了一種新 的方法。

發(fā)明內(nèi)容
為了解決現(xiàn)有技術(shù)中存在的在運動人群中存在著人群的動態(tài)移動問題，遮擋或局部聚集問題，環(huán)境干擾等影響著人群目標識別系統(tǒng)的問題，本發(fā)明提供了一種基于視頻監(jiān)控中的團體人群異常行為檢測方法，包括步驟如下
(1)視頻目標檢測通過相繼幀中的邊緣信息差異檢測得到視頻對象，和通過前景幀與背景幀的幀差得到運動變化的視頻對象，結(jié)合兩種視頻對象檢測結(jié)果得到相對精確的運動目標；
(2)視頻目標跟蹤通過基于視頻粒子的長周期的運動估計方法，對目標進行跟蹤得到相應的運動軌跡；
(3)團體人群檢測通過團體人群在視頻中的運動特性，對軌跡間距離，行進速度信息進行譜聚類分析；
(4)人群異常行為識別使用MGHMM模型對人群軌跡建立模型，通過正常軌跡的突然變化來進行堵塞和跌倒的識別。進一步的，所述通過相繼幀中的邊緣信息差異檢測得到視頻對象包括Canny邊緣求取，運動邊緣求取，運動目標的獲取這三個步驟。進一步的，在人群區(qū)域中，存在兩個或更多的粒子的相似性在一定的時間長度中保持一定的相似性，就可判斷它們是屬于同一群體。進一步的，MGHMM模型的參數(shù)是
a = (Th Cbs) , A 是狀態(tài)^ = ! Ar 的初始概率，％ (J = II，J = II)是狀態(tài)轉(zhuǎn)移
概率，是混合系數(shù)，是均值向量是高斯模型在狀杏，的協(xié)方差矩陣。進一步的，通過比較由MGHMM得到的觀察值的似然值和監(jiān)測閾值的大小，對正常和異常事件進行分類。本發(fā)明集成了人群目標檢測、人群目標跟蹤、模式識別、機器學習方面的技術(shù)，提供了一種基于視頻內(nèi)容分析的團體人群異常行為檢測方法。本發(fā)明結(jié)合前背景幀和相繼幀的運動檢測，以檢測運動人群目標，通過長周期的運動估計的粒子視頻技術(shù)做人群跟蹤，然后通過團體人群的在視頻中的特性，對軌跡間距離，行進速度等信息進行自適應譜聚類分析，分類得到團體人群，最后學習模型對人群異常行為進行有效識別。I.人群目標檢測，通過相繼幀中的運動檢測得到運動的視頻對象，通過前景幀與背景幀的幀差得到不屬于背景的視頻對象，融合兩種視頻目標檢測的結(jié)果得到更加準確的人群對象。2.人群目標跟蹤，結(jié)合基于粒子視頻技術(shù)的長周期運動估計對得到的人群區(qū)域的進行目標跟蹤，得到相應的運動軌跡。3.人群分類，在一些公共場所，行人通常會因一些相同的運動特性從而形成了人群，小團體人群通過對軌跡間距離，行進速度等信息進行譜聚類分析而得到。4.人群行為識別，學習模型對人群行為進行有效識別。所述的人群目標檢測
人群目標檢測由兩種不同但能做有效補充的方法結(jié)合通過相繼幀中的運動邊緣檢測得到人群；通過前景幀與背景幀的幀差得到不屬于背景的目標人群。相繼幀中的運動檢測利用了運動邊緣特征，主要的過程有Canny邊緣求取，運動邊緣求取，運動目標的獲取。Canny邊緣求取的過程是首先對圖像做高斯卷積平滑，接著運用梯度值非最大值壓抑細化邊緣，最后用滯后的閥值將與強邊緣相連的弱邊緣加入邊緣圖像。運動邊緣的求取過程是對相繼的兩幀視頻圖像的邊緣圖像做差，以消除靜止場景的影響。設相繼的兩幀圖像分別為4和，則運動邊緣可以定義為
小(U-小(fn) I = 0 (V 6^)-0 (VG*fn)
其中G是高斯算子，*是卷積，▽是梯度算子，Q是canny的邊緣檢測算子。在得到的運動邊緣圖像中，運動的物體可以留下一個基本上封閉的邊緣線，對得到的封閉區(qū)域做形態(tài)學處理，可以得到基于相繼幀的視頻對象檢測結(jié)果。通過比較輸入的圖像(前景幀)與無任何目標物體的參考幀(背景幀)，可以得到兩幀圖像的差別，這種差別所在的區(qū)域包括所有的與背景幀顏色不同的區(qū)域，既包括運動的物體，也包括靜止的物體。選取當前每個象素的背景模型中權(quán)重最大的高斯分布的均值作為被維護的背景。前景幀與背景幀的差別需要通過象素的顏色差別算出。相比RGB、YUV等顏色空間，HSV計算象素顏色差別更為合適。設兩個象素的HSV值分別是(H1, S1, V1), (H2, S2, V2X考慮到HSV空間的特點，這里采用的顏色差別的判別公式為
(H1-H2) |*| (S1-S2) I > Thhs or V1-V2 > Thv 其中Thhs和Thv是相應的閥值。兩種視頻對象分割結(jié)果的融合。通過將相繼幀和前背景幀運動檢測得到的區(qū)域求交集，然后做數(shù)學形態(tài)學處理，可以得到兩種視頻對象分割結(jié)果的融合。所述的人群目標跟蹤
對于融合后得到的運動人群分割結(jié)果，用視頻粒子運動估計技術(shù)進行人群運動的跟蹤，跟蹤結(jié)果是則是由一系列的粒子軌跡表現(xiàn)出來。針對每個粒子，它們則是由在起始幀中運動區(qū)域等間隔的采樣獲得的點，依靠著5個圖像通道(圖像灰度值，綠色分量與紅色分量的差值，綠色分量與藍色分量的差值萬向上的梯度，7方向上的梯度)的點匹配，對粒子隨時間變化的位置進行標記定位，且在這個視頻序列中，每個粒子都有自己的起始幀和結(jié)束幀。對于每個處理幀，粒子視頻流的產(chǎn)生應包含以下三個過程，如圖2所示，其中圖中圓形表示粒子，箭頭表示擴散，曲線表示粒子之間的聯(lián)接。粒子擴散相鄰幀的粒子根據(jù)流場的運動會擴散到當前幀 粒子聯(lián)接聯(lián)接粒子間的對應關(guān)系
粒子優(yōu)化更新優(yōu)化粒子的位置，剔除優(yōu)化后高誤差的粒子 團體人群檢測
通過對正常團體人群視覺感知以及McPhail和Wohlstein相關(guān)研究,得出這樣的推斷在人群區(qū)域中，要是存在兩個或更多的粒子的相似性在一定的時間長度中保持一定的相似性，就可判斷它們是屬于同一群體，也就可判斷所跟蹤的人群屬于同一群體。對于是否是具有相似運動規(guī)律的團體人群的檢測，本發(fā)明采用的方法是對粒子相似性進行分析，而不是傳統(tǒng)的嚴格對人群個體進行分析，因為在有一定人群密度的群體中遮擋問題嚴重使得對個體研究顯得異常困難。在粒子相似性中，主要包含有空間距離s和運動速度V，還有顏色、梯度、光照等粒子通道信息C構(gòu)成，通過對各個權(quán)值系數(shù)W的調(diào)整獲得所期的相似度表現(xiàn)
權(quán)利要求
1.一種基于視頻監(jiān)控中的團體人群異常行為檢測方法，包括步驟如下 (1)視頻目標檢測通過相繼幀中的邊緣信息差異檢測得到視頻對象，和通過前景幀與背景幀的幀差得到運動變化的視頻對象，結(jié)合兩種視頻對象檢測結(jié)果得到相對精確的運動目標； (2)視頻目標跟蹤通過基于視頻粒子的長周期的運動估計方法，對目標進行跟蹤得到相應的運動軌跡； (3)團體人群檢測通過團體人群在視頻中的運動特性，對軌跡間距離，行進速度信息進行譜聚類分析； (4)人群異常行為識別使用MGHMM模型對人群軌跡建立模型，通過正常軌跡的突然變化來進行堵塞和跌倒的識別。
2.如權(quán)利要求I所述的一種基于視頻監(jiān)控中的團體人群異常行為檢測方法，其特征在于所述通過相繼幀中的邊緣信息差異檢測得到視頻對象包括Canny邊緣求取，運動邊緣求取，運動目標的獲取這三個步驟。
3.如權(quán)利要求I所述的一種基于視頻監(jiān)控中的團體人群異常行為檢測方法，其特征在于在人群區(qū)域中，存在兩個或更多的粒子的相似性在一定的時間長度中保持一定的相似性，就可判斷它們是屬于同一群體。
4.如權(quán)利要求I所述的一種基于視頻監(jiān)控中的團體人群異常行為檢測方法，其特征在于MGHMM模型的參數(shù)是 (W紐是狀態(tài)i =1.1的初始概率，% G = = lI)是狀態(tài)轉(zhuǎn)移概率，.是混合系數(shù)，是均值向量，Zim是高斯模型在狀態(tài)i的協(xié)方差矩陣。
5.如權(quán)利要求I所述的一種基于視頻監(jiān)控中的團體人群異常行為檢測方法，其特征在于通過比較由MGHMM得到的觀察值的似然值和監(jiān)測閾值的大小，對正常和異常事件進行分類。
全文摘要
本發(fā)明提供了一種基于視頻監(jiān)控中的團體人群異常行為檢測方法，包括步驟如下視頻目標檢測通過相繼幀中的邊緣信息差異檢測得到視頻對象，和通過前景幀與背景幀的幀差得到運動變化的視頻對象，結(jié)合兩種視頻對象檢測結(jié)果得到相對精確的運動目標；視頻目標跟蹤通過基于視頻粒子的長周期的運動估計方法，對目標進行跟蹤得到相應的運動軌跡；團體人群檢測通過團體人群在視頻中的運動特性，對軌跡間距離，行進速度信息進行譜聚類分析；人群異常行為識別使用MGHMM模型對人群軌跡建立模型，通過正常軌跡的突然變化來進行堵塞和跌倒的識別。本發(fā)明集成了人群目標檢測、人群目標跟蹤、模式識別、機器學習方面的技術(shù)。
文檔編號G06K9/00GK102799863SQ20121022337
公開日2012年11月28日 申請日期2012年7月2日 優(yōu)先權(quán)日2012年7月2日
發(fā)明者章東平, 陳非予, 彭懷亮 申請人:中國計量學院