基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機視覺及圖像處理領(lǐng)域，尤其涉及一種基于當(dāng)前幀粒子加權(quán)社會 力總和的群體異常事件檢測方法。
【背景技術(shù)】
[0002] 近幾年來，隨著群體事件發(fā)生日益頻發(fā)及人們對社會公共安全意識不斷的增強， 基于視頻的群體異常行為分析受到越來越多國內(nèi)外學(xué)者的關(guān)注，并取得了大量的成果。然 而在高密度的人群場景中，由于場景中存在嚴(yán)重的遮擋，情景復(fù)雜等現(xiàn)象，對于人群異常 事件的檢測通常都存在著較高的誤檢率問題。在視頻監(jiān)控領(lǐng)域中，計算機視覺研宄人員將 群體異常事件檢測方法根據(jù)其研宄對象的不同將之分為兩類：基于個體目標(biāo)的研宄和基 于群體特征的研宄。
[0003] 第一類是基于個體目標(biāo)的方法，該類方法將人群看作是由相互獨立的個體組成， 這樣可以結(jié)合傳統(tǒng)的單個目標(biāo)行為分析技術(shù)進行人群行為的研宄。通過對視頻中的每個目 標(biāo)進行單獨建模和跟蹤分析，提取每個行人的姿勢和動作等特征，識別其行為，然后將個人 看作是人群的一部分，可以通過分析個體的特征來分析人群的行為特征。在簡單的環(huán)境下， 這種方法具有較好的效果。但是在高密度，復(fù)雜的人群場景下，由于存在嚴(yán)重的遮擋現(xiàn)象， 要實現(xiàn)對多個目標(biāo)分割、跟蹤、行為識別等是非常困難的。另外，計算速度也會受到目標(biāo)數(shù) 量的影響，而且這種方法忽略了人與人之間的相互作用性。
[0004] 而另一類是基于群體特征的方法，把人群看作為一個整體來進行研宄，對視頻進 行特征提取，建立群體的模型，然后對正常人群行為和異常人群行為進行分類。這種方法 對人群的整體分析效果較好，比較適用于密度場景中的人群。其中，社會力模型是一個重 要的群體仿真模型，由于能夠比較真實的體現(xiàn)出群體的運動情況，且對群體運動的建模相 對合理，該模型已經(jīng)引起了國內(nèi)外學(xué)者廣泛的關(guān)注。Ramin Mehran等人在2009年《IEEE International Conference on Computer Vision and Pattern Recognition〉〉上發(fā)表的 "Abnormal crowd behavior detection using social force model" 文章中提出將社會 力模型應(yīng)用到視頻中的人群分析，用來檢測人群的異常行為。該算法通過在圖片上均勻平 鋪一層光流粒子，并讓它們隨光流時空變化進行移動，使用社會力模型估算出粒子間的相 互作用力來表征行人間的相互作用力，從而避免了對行人目標(biāo)的檢測、分割和跟蹤等復(fù)雜 過程，因此計算量大大減小且更易實現(xiàn)。該模型主要以牛頓動力學(xué)和社會心理學(xué)作為基本 理論，是一種簡單而高效的模型，相比現(xiàn)有方法更加適用于人群擁擠的，遮擋現(xiàn)象嚴(yán)重的場 景。另外，該方法采用k-means算法，對得到的社會力聚類得到碼書，并用詞袋模型的方法 來統(tǒng)計每段視頻中碼書中關(guān)鍵詞出現(xiàn)的頻率。最后用"Latent Dirichlet allocation"（隱 Dirichlet分布）法對視頻進行分類。
[0005] 傳統(tǒng)的社會力模型仍存在一些不足之處：（1)忽視了近鄰對行人影響因素的不一 致性，如：行人與近鄰間距離越遠，對行人產(chǎn)生的影響越小或近鄰位置所在方向和行人的運 動方向夾角超過一定閥值將對行人的運動沒有影響等因素；（2)沒有考慮行人與行人之間 的相互作用力與場景中行人的規(guī)模的相關(guān)性；（3)相互作用力的非對稱性，如行人甲試圖 避讓行人乙，這并不意味著行人乙也會試圖去避讓行人甲，因為是否做出避讓行為和行人 的視覺角度密切相關(guān)的。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于解決上述現(xiàn)有技術(shù)存在的缺陷，對社會力模型進行了改進，將 行人與近鄰間距離，運動方向的視角信息及場景中行人規(guī)模這三個要素融入社會力模型， 使得改進后的社會力模型能對密集場景中復(fù)雜運動，遮擋現(xiàn)象等進行更有效地建模。而且， 基于改進社會力模型的異常檢測算法具有較好的檢測率，能夠有效檢測出人群異常事件。
[0007] 本發(fā)明提供的一種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測方法尤 其適用于于人群密度大、場景復(fù)雜的異常行為檢測。
[0008] -種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測方法，包括以下幾個 步驟：
[0009] 步驟1 :將彩色視頻幀圖片轉(zhuǎn)化為灰度幀圖片，將群體中的行人考慮成質(zhì)量相等 的運動的粒子，在灰度幀圖片上放置一系列粒子，并對每個粒子進行標(biāo)記；
[0010] 步驟2:使用光流法對視頻序列中的光流粒子進行跟蹤，由兩幀間的粒子位移計 算出粒子的速度場；
[0011] 步驟3 :根據(jù)所述速度場計算改進的加權(quán)社會力模型中，每個粒子處受到的交互 作用力；
[0012] 步驟4:對所述每個粒子處受到的交互作用力設(shè)定閥值以去除噪聲，將去除噪聲 后的所述交互作用力定義當(dāng)前幀粒子的加權(quán)社會力總和；
[0013] 步驟5 :對所述當(dāng)前幀粒子的加權(quán)社會力總和設(shè)定閥值，若當(dāng)前幀粒子加權(quán)社會 力總和大于某一閥值并持續(xù)一段時間，則當(dāng)前幀判斷為異常，否則為正常。
[0014] 進一步地，如上所述的一種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測 方法，
[0015] 步驟1中，通過網(wǎng)格狀采樣標(biāo)記將一系列光流粒子均勻平鋪在灰度幀圖片上，然 后在視頻圖像中平鋪光流粒子，即每隔m個像素放置一個粒子 Pi，m = 5~10，ie (1，N')， Ν'為總粒子數(shù)；其中，放置粒子的規(guī)則為：對視頻圖片中感興趣的像素點進行標(biāo)記。
[0016] 進一步地，如上所述的一種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測 方法，
[0017] 步驟3中，所述改進的加權(quán)社會力模型中，每個粒子處受到的交互作用力為：
[0018]
【主權(quán)項】
1. 一種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測方法，其特征在于，包括 以下幾個步驟： 步驟1 :將彩色視頻幀圖片轉(zhuǎn)化為灰度幀圖片，將群體中的行人考慮成質(zhì)量相等的運 動的粒子，在灰度幀圖片上放置一系列粒子，并對每個粒子進行標(biāo)記； 步驟2:使用光流法對視頻序列中的光流粒子進行跟蹤，由兩幀間的粒子位移計算出 粒子的速度場； 步驟3 :根據(jù)所述速度場計算改進的加權(quán)社會力模型中，每個粒子處受到的交互作用 力； 步驟4:對所述每個粒子處受到的交互作用力設(shè)定閥值以去除噪聲，將去除噪聲后的 所述交互作用力定義當(dāng)前幀粒子的加權(quán)社會力總和； 步驟5 :對所述當(dāng)前幀粒子的加權(quán)社會力總和設(shè)定閥值，若當(dāng)前幀粒子加權(quán)社會力總 和大于某一閥值并持續(xù)一段時間，則當(dāng)前幀判斷為異常，否則為正常。
2. 根據(jù)權(quán)利要求1所述的一種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測 方法，其特征在于， 步驟1中，通過網(wǎng)格狀采樣標(biāo)記將一系列光流粒子均勻平鋪在灰度幀圖片上，然后在 視頻圖像中平鋪光流粒子，即每隔m個像素放置一個粒子Pi，m = 5~10, ie (1，N')， N'為總粒子數(shù)；其中，放置粒子的規(guī)則為：對視頻圖片中感興趣的像素點進行標(biāo)記。
3. 根據(jù)權(quán)利要求2所述的一種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測 方法，其特征在于： 步驟3中，所述改進的加權(quán)社會力模型中，每個粒子處受到的交互作用力為：
其中，τ是松弛時間系數(shù)，粒子i的質(zhì)量Smi= 1，粒子當(dāng)前的實際速度Vi定義為粒子 連續(xù)3幀的速度場均值；期望速度為G
1 K表示在？1移動時近鄰的總 個數(shù)，'表示粒子h在位置（Xp yp上實際速度； 其中，
(2) 表示粒子L對粒子P i的影響程度；
其中，4表示粒子PdP Pj分別以當(dāng)前速度不變進行運動所能達到的最小距離，對《I 設(shè)定閥值d。，當(dāng)^ 4表示Pi會對L產(chǎn)生影響； (^表示卩力前速度方向和指向相鄰點匕方向的夾角^寸傘^設(shè)定閥值^^當(dāng)^ < Φ view時，表示P ^Pj的視野中，即Pi會對Pj產(chǎn)生影響；當(dāng)Φ ij> Φ viJ寸，表示Pi不會 對P/^生影響。
4.根據(jù)權(quán)利要求3所述的一種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測 方法，其特征在于： 步驟4中，所述當(dāng)前幀粒子的加權(quán)社會力總和Ft為：
其中，K表示當(dāng)前幀去除噪音點后粒子的總數(shù)，M*N表示視頻幀的分辨率，表示提 取粒子的數(shù)目規(guī)模。
【專利摘要】本發(fā)明提供一種基于當(dāng)前幀粒子加權(quán)社會力總和的群體異常事件檢測方法，該方法包括：在灰度幀圖片上放置一系列粒子，并對每個粒子進行標(biāo)記；使用光流法對視頻序列中的光流粒子進行跟蹤并計算出粒子的速度場；根據(jù)所述速度場計算改進的加權(quán)社會力模型中，每個粒子處受到的交互作用力；對所述每個粒子處受到的交互作用力設(shè)定閥值，將去除噪聲后的所述交互作用力定義當(dāng)前幀粒子的加權(quán)社會力總和；對所述當(dāng)前幀粒子的加權(quán)社會力總和設(shè)定閥值，若當(dāng)前幀粒子加權(quán)社會力總和大于某一閥值并持續(xù)一段時間，則當(dāng)前幀判斷為異常，否則為正常。本發(fā)明適用于于人群密度大、場景復(fù)雜的異常行為檢測。該方法簡單實用，計算量少。
【IPC分類】G06T7-00, G06T7-20
【公開號】CN104732528
【申請?zhí)枴緾N201510092227
【發(fā)明人】陳水利, 黃劍鋒, 吳云東, 蔡國榕
【申請人】集美大學(xué)
【公開日】2015年6月24日
【申請日】2015年3月2日