一種人群行為識(shí)別方法
【專利摘要】本發(fā)明提出一種人群行為識(shí)別方法。將預(yù)定義運(yùn)動(dòng)模式中包含的運(yùn)動(dòng)軌跡分解為數(shù)據(jù)點(diǎn)集，將所述數(shù)據(jù)點(diǎn)集作為貝葉斯（Bayes）分類器的訓(xùn)練樣本，由所述貝葉斯分類器訓(xùn)練得到訓(xùn)練模型；從視頻序列中獲取人群運(yùn)動(dòng)信息；利用滑動(dòng)窗口遍歷所述人群運(yùn)動(dòng)信息以得到運(yùn)動(dòng)軌跡，利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式；將所述檢測(cè)運(yùn)動(dòng)模式分解為軌跡點(diǎn)集的形式，作為測(cè)試集輸入到所述訓(xùn)練模型；所述訓(xùn)練模型返回測(cè)試集與預(yù)定義運(yùn)動(dòng)模式的匹配結(jié)果，如果匹配成功，則認(rèn)定為正常行為，否則認(rèn)定為異常行為。
【專利說(shuō)明】一種人群行為識(shí)別方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于數(shù)字圖像處理【技術(shù)領(lǐng)域】，特別是一種人群行為識(shí)別方法。
【背景技術(shù)】
[0002]人群行為檢測(cè)與識(shí)別是城市安全保障、智能視頻監(jiān)控的重要內(nèi)容，也是實(shí)現(xiàn)自主性人群管理和調(diào)控的基本要求。在監(jiān)控視頻分析中，當(dāng)前的行為檢測(cè)與識(shí)別主要針對(duì)單個(gè)人的行為和少數(shù)多個(gè)人的行為進(jìn)行檢測(cè)與識(shí)別，由于人群具有高密度和復(fù)雜多樣的運(yùn)動(dòng)情況的特性，在實(shí)際分析中有一定的難度，目前最為常用的方法為針對(duì)人群目標(biāo)建立模型，通過(guò)模型完成人群行為識(shí)別和人群異常檢測(cè)等。
[0003]當(dāng)前面向人群目標(biāo)的研究方法，將人群作為一個(gè)整體來(lái)研究，這種方法對(duì)特定場(chǎng)景下的視頻進(jìn)行特征提取，建立群體的模型，然后用采集到的數(shù)據(jù)訓(xùn)練學(xué)習(xí)模型，根據(jù)得到的學(xué)習(xí)模型進(jìn)行后續(xù)的處理，如異常事件檢測(cè)、估計(jì)人群的混亂程度等，其處理的大致流程圖如圖1所示。
[0004]在現(xiàn)有技術(shù)中，人群模型的建立是最為關(guān)鍵的步驟。一般通過(guò)大量的訓(xùn)練得到人群模型，但是由于視頻中運(yùn)動(dòng)情況復(fù)雜多變，為視頻序列建立具有較強(qiáng)適應(yīng)性的人群模型具有極大的難度，很難在實(shí)際場(chǎng)景中廣泛應(yīng)用。
[0005]因此，在實(shí)際應(yīng)用中，現(xiàn)有技術(shù)對(duì)于不同的應(yīng)用場(chǎng)景適應(yīng)性較差。當(dāng)場(chǎng)景發(fā)生變化時(shí)，往往需要重新進(jìn)行模型訓(xùn)練，而這會(huì)顯著增加成本以及開(kāi)發(fā)難度。

【發(fā)明內(nèi)容】

[0006]本發(fā)明實(shí)施方式提出一種人群行為識(shí)別方法，以增加適應(yīng)性。
[0007]本發(fā)明實(shí)施方式的技術(shù)方案如下:
[0008]一種人群行為識(shí)別方法，該方法包括:
[0009]將預(yù)定義運(yùn)動(dòng)模式中包含的運(yùn)動(dòng)軌跡分解為數(shù)據(jù)點(diǎn)集，將所述數(shù)據(jù)點(diǎn)集作為貝葉斯Bayes分類器的訓(xùn)練樣本，由所述貝葉斯分類器訓(xùn)練得到訓(xùn)練模型；
[0010]從視頻序列中獲取人群運(yùn)動(dòng)信息；
[0011]利用滑動(dòng)窗口遍歷所述人群運(yùn)動(dòng)信息以得到運(yùn)動(dòng)軌跡，利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式；
[0012]將所述檢測(cè)運(yùn)動(dòng)模式分解為軌跡點(diǎn)集的形式，作為測(cè)試集輸入到所述訓(xùn)練模型；
[0013]所述訓(xùn)練模型返回測(cè)試集與預(yù)定義運(yùn)動(dòng)模式的匹配結(jié)果，如果匹配成功，則認(rèn)定為正常行為，否則認(rèn)定為異常行為。
[0014]所述從視頻序列中獲取人群運(yùn)動(dòng)信息包括:
[0015]將視頻序列分為多個(gè)視頻片段；
[0016]采用光流法計(jì)算每個(gè)視頻片段的光流值，并對(duì)每個(gè)視頻片段的光流值進(jìn)行中值濾波；
[0017]根據(jù)各個(gè)視頻片段的光流值獲取該運(yùn)動(dòng)序列的光流值集合，并得到該運(yùn)動(dòng)序列光流圖；
[0018]由該運(yùn)動(dòng)序列光流圖確定人群運(yùn)動(dòng)信息，所述人群運(yùn)動(dòng)信息包含人群運(yùn)動(dòng)區(qū)域和人群運(yùn)動(dòng)方向。
[0019]所述利用滑動(dòng)窗口遍歷所述人群運(yùn)動(dòng)信息以得到運(yùn)動(dòng)軌跡，利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式包括:
[0020]采用滑動(dòng)窗口方式，遍歷所述人群運(yùn)動(dòng)信息的運(yùn)動(dòng)向量，并計(jì)算滑動(dòng)窗口中所包含的運(yùn)動(dòng)向量的平均運(yùn)動(dòng)信息，再根據(jù)該平均運(yùn)動(dòng)信息決定下一個(gè)滑動(dòng)窗口的位置，以得到運(yùn)動(dòng)軌跡；
[0021]利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式。
[0022]所述預(yù)定義運(yùn)動(dòng)模式包括直線型、環(huán)繞型、聚集型、發(fā)散性、向左轉(zhuǎn)、向右轉(zhuǎn)或U型。
[0023]在本發(fā)明中，將預(yù)定義運(yùn)動(dòng)模式中包含的運(yùn)動(dòng)軌跡分解為數(shù)據(jù)點(diǎn)集，將所述數(shù)據(jù)點(diǎn)集作為貝葉斯(Bayes)分類器的訓(xùn)練樣本，由所述貝葉斯分類器訓(xùn)練得到訓(xùn)練模型；從視頻序列中獲取人群運(yùn)動(dòng)信息；利用滑動(dòng)窗口遍歷所述人群運(yùn)動(dòng)信息以得到運(yùn)動(dòng)軌跡，利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式；將所述檢測(cè)運(yùn)動(dòng)模式分解為軌跡點(diǎn)集的形式，作為測(cè)試集輸入到所述訓(xùn)練模型；所述訓(xùn)練模型返回測(cè)試集與預(yù)定義運(yùn)動(dòng)模式的匹配結(jié)果，如果匹配成功，則認(rèn)定為正常行為，否則認(rèn)定為異常行為。
[0024]由此可見(jiàn)，應(yīng)用本發(fā)明之后，事先預(yù)定義運(yùn)動(dòng)模式作為模板，對(duì)視頻場(chǎng)景進(jìn)行處理得到當(dāng)前場(chǎng)景的運(yùn)動(dòng)模式并可視化顯示以便更好的觀察和分析；然后與預(yù)定義模板進(jìn)行匹配，得到匹配相似度，從而判定人群行為的異常情況，因此可以增強(qiáng)適應(yīng)性。當(dāng)場(chǎng)景發(fā)生變化時(shí)，無(wú)需重新進(jìn)行模型訓(xùn)練，從而還可以顯著降低成本以及開(kāi)發(fā)難度。
[0025]而且，本發(fā)明提出了一種智能視頻監(jiān)控中基于運(yùn)動(dòng)模式匹配的人群行為分析方法。和現(xiàn)有的方法相比，本發(fā)明在人群運(yùn)動(dòng)場(chǎng)景下，能夠直觀地顯示人群運(yùn)動(dòng)模式和規(guī)律，只需將需要判定的運(yùn)動(dòng)模式進(jìn)行建模而避免建立統(tǒng)一的人群模型，提高了程序運(yùn)行效率。
[0026]另外，本發(fā)明中，把智能視頻監(jiān)控中的人群行為檢測(cè)和識(shí)別分成兩個(gè)組成部分，每部分都由對(duì)應(yīng)的算法構(gòu)成，通過(guò)在大量實(shí)際場(chǎng)景進(jìn)行實(shí)驗(yàn)，驗(yàn)證了本發(fā)明所提到的方法是有效的，能夠在實(shí)際的場(chǎng)景中推廣和應(yīng)用。
【專利附圖】

【附圖說(shuō)明】
[0027]圖1為現(xiàn)有技術(shù)的群體分析框架示意圖。
[0028]圖2為根據(jù)本發(fā)明人群行為識(shí)別方法流程圖。
[0029]圖3為本發(fā)明人群行為檢測(cè)與識(shí)別的流程示意圖。
[0030]圖4為常見(jiàn)的運(yùn)動(dòng)模式示意圖。
[0031]圖5為本發(fā)明人群運(yùn)動(dòng)信息檢測(cè)流程圖。
[0032]圖6為本發(fā)明人群行為判定流程示意圖。
[0033]圖7為本發(fā)明商場(chǎng)視頻幀示意圖。
[0034]圖8為本發(fā)明視頻片段運(yùn)動(dòng)信息圖。[0035]圖9為本發(fā)明滑動(dòng)窗口示意圖。
[0036]圖10為本發(fā)明運(yùn)動(dòng)軌跡示意圖。
[0037]圖11為本發(fā)明軌線文件(trajectory, txt)示意圖。
【具體實(shí)施方式】
[0038]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述。
[0039]現(xiàn)有的人群行為檢測(cè)和識(shí)別方面的工作還非常有限，而人群行為分析是智能視頻監(jiān)控與分析中針對(duì)視頻語(yǔ)義上層信息捕捉和挖掘的研究重點(diǎn)，對(duì)智能城市管理與統(tǒng)籌具有廣泛而深遠(yuǎn)的意義。
[0040]本發(fā)明嘗試解決現(xiàn)有技術(shù)中存在的以下幾個(gè)問(wèn)題中的一個(gè)或多個(gè):
[0041](I)已有的人群行為檢測(cè)得到的訓(xùn)練模型比較抽象，無(wú)法給出直觀的訓(xùn)練結(jié)果。
[0042]( 2 )由于視頻場(chǎng)景的多樣性和復(fù)雜性，加之特征提取與模型訓(xùn)練的方法眾多，得到的人群模型比較有局限性。
[0043](3)在實(shí)際應(yīng)用中，對(duì)人群行為進(jìn)行分析多應(yīng)用于異常行為檢測(cè)。不同的應(yīng)用場(chǎng)景，對(duì)于異常行為的判定具有差異性，現(xiàn)有技術(shù)在適應(yīng)性方面有欠缺。
[0044]在日常生活場(chǎng)景中，如地鐵、機(jī)場(chǎng)、商場(chǎng)等公共場(chǎng)所的進(jìn)出口處，人群密度較高、流動(dòng)性較強(qiáng)，需要對(duì)人群運(yùn)動(dòng)行為進(jìn)行檢測(cè)，挖掘出人群的運(yùn)動(dòng)規(guī)律，并進(jìn)行可視化顯示?’另一方面，在不同的場(chǎng)景下，人群的運(yùn)動(dòng)模式有所不同，需要斷定為異常的情況也有所不同，因此現(xiàn)有技術(shù)的方法不能較好的適應(yīng)實(shí)際情況。
[0045]在本申請(qǐng)中，事先預(yù)定義運(yùn)動(dòng)模式作為模板，對(duì)視頻場(chǎng)景進(jìn)行處理得到當(dāng)前場(chǎng)景的運(yùn)動(dòng)模式并可視化顯示以便更好的觀察和分析；然后與預(yù)定義模板進(jìn)行匹配，得到匹配相似度，從而判定人群行為的異常情況。
[0046]圖3為本發(fā)明人群行為檢測(cè)與識(shí)別的流程示意圖。
[0047]本申請(qǐng)?zhí)岢鲆环N在智能視頻監(jiān)控中基于運(yùn)動(dòng)模式匹配的人群行為檢測(cè)和識(shí)別方法。該方法主要鎖定在人群行為檢測(cè)和人群行為識(shí)別這兩個(gè)主要部分，其中對(duì)人群行為檢測(cè)主要有以下幾個(gè)部分:
[0048]1、人群運(yùn)動(dòng)信息和目標(biāo)區(qū)域獲?。?br> [0049]2、人群運(yùn)動(dòng)模式提取；
[0050]3、檢測(cè)和表征人群運(yùn)動(dòng)模式。
[0051]在人群行為識(shí)別方面，主要米用Kullback-Leibler Divergence (簡(jiǎn)稱KLD)方法完成運(yùn)動(dòng)模式匹配，最終識(shí)別出場(chǎng)景中正?；虍惓５娜巳哼\(yùn)動(dòng)行為。
[0052]圖2為根據(jù)本發(fā)明人群行為識(shí)別方法流程圖。
[0053]如圖2所示，該方法包括:
[0054]步驟201:將預(yù)定義運(yùn)動(dòng)模式中包含的運(yùn)動(dòng)軌跡分解為數(shù)據(jù)點(diǎn)集，將所述數(shù)據(jù)點(diǎn)集作為貝葉斯(Bayes)分類器的訓(xùn)練樣本，由所述貝葉斯分類器訓(xùn)練得到訓(xùn)練模型。
[0055]不同的場(chǎng)景具有不同的運(yùn)動(dòng)模式，要進(jìn)行運(yùn)動(dòng)模式識(shí)別就要先對(duì)典型的運(yùn)動(dòng)模式進(jìn)行定義和學(xué)習(xí)。
[0056]本申請(qǐng)可以采用基于概率統(tǒng)計(jì)的Bayes分類器實(shí)現(xiàn)運(yùn)動(dòng)模式的匹配判別。由于軌跡的長(zhǎng)度不確定，將典型的運(yùn)動(dòng)模式包含的軌跡樣本分解為數(shù)據(jù)點(diǎn)集的形式作為Bayes分類器的訓(xùn)練樣本，通過(guò)大量的訓(xùn)練得到典型運(yùn)動(dòng)模式的分類模式。在人群運(yùn)動(dòng)過(guò)程中模式具有方向性，因此訓(xùn)練數(shù)據(jù)的屬性要包含方向信息。
[0057]貝葉斯分類器的分類原理是通過(guò)某對(duì)象的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，即該對(duì)象屬于某一類的概率，選擇具有最大后驗(yàn)概率的類作為該對(duì)象所屬的類。
[0058]密集人群的運(yùn)動(dòng)模式大致有直線型、環(huán)繞型、聚集型、發(fā)散性、向左轉(zhuǎn)、向右轉(zhuǎn)、U型等，其中一些運(yùn)動(dòng)模式如圖4所示。
[0059]圖4為常見(jiàn)的運(yùn)動(dòng)模式示意圖。
[0060]這些運(yùn)動(dòng)模式反映了人群的行為和運(yùn)動(dòng)規(guī)律，在監(jiān)控視頻中，通過(guò)對(duì)人群運(yùn)動(dòng)信息的獲取和分析，挖掘出潛在的運(yùn)動(dòng)模式，一方面能夠直觀地反應(yīng)監(jiān)控視頻的語(yǔ)義信息，另一方面能夠?yàn)楫惓Ｐ袨榈呐卸ㄌ峁┮罁?jù)。
[0061]以上雖然詳細(xì)羅列了預(yù)定義運(yùn)動(dòng)模式的典型實(shí)例，本領(lǐng)域技術(shù)人員可以意識(shí)到，這種羅列僅僅是示范性的，并不用于對(duì)本發(fā)明實(shí)施方式進(jìn)行限定。
[0062]通過(guò)將預(yù)定義運(yùn)動(dòng)模式中包含的運(yùn)動(dòng)軌跡分解為數(shù)據(jù)點(diǎn)集，再將所述數(shù)據(jù)點(diǎn)集作為貝葉斯(Bayes)分類器的訓(xùn)練樣本，可以由所述貝葉斯分類器訓(xùn)練得到訓(xùn)練模型。
[0063]步驟202:從視頻序列中犾取人群運(yùn)動(dòng)彳目息。
[0064]在這里，可以針對(duì)給定視頻序列捕獲人群運(yùn)動(dòng)信息。
[0065]比如,可以采用Lucas-Kanade光流法計(jì)算視頻序列的光流值，并采用中值濾波處理得到的光流(比如:對(duì)于360像素*480像素的圖像尺寸，中值濾波采用40*40)。
[0066]優(yōu)選地，在同一場(chǎng)景的不同時(shí)間段，人群運(yùn)動(dòng)的區(qū)域有所不同，因此可以將視頻序列分為不同片段，根據(jù)不同片段的光流值獲取該運(yùn)動(dòng)片段的整體運(yùn)動(dòng)信息，并得到光流圖，即運(yùn)動(dòng)區(qū)域。
[0067]具體地，可以將監(jiān)控視頻序列分為若干片段，每個(gè)片段作為獨(dú)立的個(gè)體進(jìn)行處理。由于監(jiān)控視頻畫(huà)面清晰度不一致，光流法在視頻模糊的情況下仍能得到物體的運(yùn)動(dòng)信息，故可以采用LK光流法，其建立在這樣一個(gè)假設(shè)上:前后兩幀在一個(gè)小的空間領(lǐng)域Ω上運(yùn)動(dòng)矢量保持恒定，這非常適合高密度群體目標(biāo)視頻的特性。
[0068]光流法將圖像上每個(gè)像素點(diǎn)看作一個(gè)運(yùn)動(dòng)點(diǎn)，圖像中目標(biāo)的變化可看作每個(gè)運(yùn)動(dòng)點(diǎn)在短時(shí)間內(nèi)的移動(dòng)。在一定時(shí)間內(nèi)，圖像中像素點(diǎn)位置的變化，可以看成一個(gè)瞬時(shí)的速度場(chǎng)，根據(jù)灰度守恒的定理，可以得到光流的基本方程。因此計(jì)算視頻序列的光流值即可檢測(cè)到該片段的目標(biāo)人群并得到人群的運(yùn)動(dòng)信息。
[0069]對(duì)于給定視頻片段，可以利用LK光流法計(jì)算視頻片段中每一幀的光流值。
[0070]假定視頻中某一幀的一點(diǎn)Pi，其光流向量z=(X，V), X= (X，y)為該點(diǎn)的位置向量；V=(u, V)為該點(diǎn)的速度向量。
[0071]計(jì)算給定視頻片段所得到的所有光流向量構(gòu)成了整體的運(yùn)動(dòng)流場(chǎng)，它代表了視頻片段在該時(shí)間段的運(yùn)動(dòng)信息。由于該運(yùn)動(dòng)流場(chǎng)可能包含數(shù)以千計(jì)的光流向量，其中包含了冗余信息和噪聲信息，為了方便進(jìn)行后續(xù)處理，采用中值濾波去除其中的噪聲信息以減少光流向量的數(shù)目。最終得到的光流向量仍能反應(yīng)整個(gè)流場(chǎng)的幾何結(jié)構(gòu)，并不影響運(yùn)動(dòng)模式的檢測(cè)。
[0072]圖5為人群運(yùn)動(dòng)信息檢測(cè)流程圖。[0073]步驟203:利用滑動(dòng)窗口遍歷所述人群運(yùn)動(dòng)信息以得到運(yùn)動(dòng)軌跡，利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式。
[0074]由于獲取的運(yùn)動(dòng)信息能夠大致反映該場(chǎng)景下的人群運(yùn)動(dòng)情況，并且相鄰的像素點(diǎn)之間，其運(yùn)動(dòng)行為具有相似性。本申請(qǐng)可以采用Sink Seeking方法得到人群整體的運(yùn)動(dòng)軌跡，然后將得到的Sink Seeking進(jìn)行聚類，最終確定場(chǎng)景下存在的運(yùn)動(dòng)模式。
[0075]Sink Seeking處理流程為采用20像素*20像素滑動(dòng)窗口方式，遍歷所有運(yùn)動(dòng)向量，根據(jù)公式(1)計(jì)算窗口中所包含的運(yùn)動(dòng)向量的平均運(yùn)動(dòng)信息即運(yùn)動(dòng)位置信息和運(yùn)動(dòng)速
度Zi,(Xi,Vi)然后再根據(jù)該運(yùn)動(dòng)信息決定下一個(gè)滑動(dòng)窗口的位置，最終得到一系列運(yùn)動(dòng)軌
跡，每一條運(yùn)動(dòng)軌跡由T=(Z1; Z2, , Zn)表示，其中民為得到的平均運(yùn)動(dòng)向量。
[0076]由于得到的運(yùn)動(dòng)軌跡可能間斷或者分布比較混亂，因此可以采用K-Means聚類方法，將每一條運(yùn)動(dòng)軌跡聚類為若干類別，存在一個(gè)類別中的運(yùn)動(dòng)軌跡即構(gòu)成了該場(chǎng)景的若干運(yùn)動(dòng)模式。
[0077]
【權(quán)利要求】
1.一種人群行為識(shí)別方法，其特征在于，該方法包括: 將預(yù)定義運(yùn)動(dòng)模式中包含的運(yùn)動(dòng)軌跡分解為數(shù)據(jù)點(diǎn)集，將所述數(shù)據(jù)點(diǎn)集作為貝葉斯Bayes分類器的訓(xùn)練樣本，由所述貝葉斯分類器訓(xùn)練得到訓(xùn)練模型； 從視頻序列中獲取人群運(yùn)動(dòng)信息； 利用滑動(dòng)窗口遍歷所述人群運(yùn)動(dòng)信息以得到運(yùn)動(dòng)軌跡，利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式； 將所述檢測(cè)運(yùn)動(dòng)模式分解為軌跡點(diǎn)集的形式，作為測(cè)試集輸入到所述訓(xùn)練模型；所述訓(xùn)練模型返回測(cè)試集與預(yù)定義運(yùn)動(dòng)模式的匹配結(jié)果，如果匹配成功，則認(rèn)定為正常行為，否則認(rèn)定為異常行為。
2.根據(jù)權(quán)利要求1所述的人群行為識(shí)別方法，其特征在于，所述從視頻序列中獲取人群運(yùn)動(dòng)信息包括: 將視頻序列分為多個(gè)視頻片段； 采用光流法計(jì)算每個(gè)視頻片段的光流值，并對(duì)每個(gè)視頻片段的光流值進(jìn)行中值濾波； 根據(jù)各個(gè)視頻片段的光流值獲取該運(yùn)動(dòng)序列的光流值集合，并得到該運(yùn)動(dòng)序列光流圖； 由該運(yùn)動(dòng)序列光流圖確定人群運(yùn)動(dòng)信息，所述人群運(yùn)動(dòng)信息包含人群運(yùn)動(dòng)區(qū)域和人群 向。
3.根據(jù)權(quán)利要求1所述的人群行為識(shí)別方法，其特征在于，所述利用滑動(dòng)窗口遍歷所述人群運(yùn)動(dòng)信息以得到運(yùn)動(dòng)軌跡，利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式包括: 采用滑動(dòng)窗口方式，遍歷所述人群運(yùn)動(dòng)信息的運(yùn)動(dòng)向量，并計(jì)算滑動(dòng)窗口中所包含的運(yùn)動(dòng)向量的平均運(yùn)動(dòng)信息，再根據(jù)該平均運(yùn)動(dòng)信息決定下一個(gè)滑動(dòng)窗口的位置，以得到運(yùn)動(dòng)軌跡； 利用離散的軌跡點(diǎn)表示所述運(yùn)動(dòng)軌跡，并將所述軌跡點(diǎn)聚類，以得到檢測(cè)運(yùn)動(dòng)模式。
4.根據(jù)權(quán)利要求1-3中任一項(xiàng)所述的人群行為識(shí)別方法，其特征在于，所述預(yù)定義運(yùn)動(dòng)模式包括直線型、環(huán)繞型、聚集型、發(fā)散性、向左轉(zhuǎn)、向右轉(zhuǎn)或U型。
【文檔編號(hào)】G06K9/62GK103854027SQ201310502947
【公開(kāi)日】2014年6月11日 申請(qǐng)日期:2013年10月23日 優(yōu)先權(quán)日:2013年10月23日
【發(fā)明者】馬華東, 傅慧源, 牧凈艷 申請(qǐng)人:北京郵電大學(xué)