一種基于多特征聚類及分類的人群異常檢測與評估方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于多特征聚類及分類的人群異常檢測與評估方法。
【背景技術(shù)】
[0002] 隨著社會經(jīng)濟(jì)的飛速發(fā)展，大規(guī)模的人群活動日益增多，在某些環(huán)境下如娛樂活 動、體育賽事、宗教儀式、慶?；顒印⒔煌房诘?，常常會聚集大量人群。隨之而來的公共安 全問題的日益突出，公共區(qū)域發(fā)生突發(fā)性群體異常事件的可能性日益增大，極易導(dǎo)致人群 秩序混亂、擁堵、踩踏等公共安全事故。
[0003] 為了應(yīng)對日益嚴(yán)重的公共場所人群安全事故，視頻監(jiān)控是有效的公共安全監(jiān)控手 段，且視頻監(jiān)控在交通管理、公安、銀行及其他公共場所中已經(jīng)得到廣泛使用。雖然視頻監(jiān) 控技術(shù)應(yīng)用日益廣泛，但是大量的視頻數(shù)據(jù)使得單獨靠人來識別或處理數(shù)據(jù)變得十分困 難。在計算機(jī)視覺技術(shù)快速發(fā)展的今天，視頻人群場景的分析與檢測技術(shù)越來越受到人們 關(guān)注，成為當(dāng)前計算機(jī)視覺領(lǐng)域亟需解決的關(guān)鍵問題。
[0004] 經(jīng)過對現(xiàn)有文獻(xiàn)的查閱及分析，專利號為201110090467. 6的基于改進(jìn)的社會力 模型的異常集群行為檢測方法采用社會力學(xué)構(gòu)建人流運動整體模型。該專利避免了局部 特征跟蹤帶來的麻煩及人體遮擋帶來的困境，實現(xiàn)人群異常檢測與異常定位。專利號為 201310483906. 9的一種基于微行為分析的密集人群異常行為檢測方法，該專利能夠準(zhǔn)確辨 別平行、鞍點、瓶頸、源頭、環(huán)形和源頭等人群特征。
[0005] 然而現(xiàn)有技術(shù)仍存在以下問題：
[0006] 1.現(xiàn)有的檢測技術(shù)針對人群的不同狀態(tài)進(jìn)行無差別的分析。事實上，稀疏人群的 運動具有相當(dāng)?shù)碾S機(jī)性，而密集人群的運動則相對有較強(qiáng)的規(guī)律性。傳統(tǒng)上單一的特征對 運動人群的描述能力相較多特征而言較差，并且單一的人群分類算法也難以適應(yīng)復(fù)雜的運 動人群異常檢測。
[0007] 2.現(xiàn)有的技術(shù)主要集中在人群異常現(xiàn)象發(fā)生后的檢測算法領(lǐng)域。而在異?，F(xiàn)象發(fā) 生前，比如在人群踩踏和擁擠事故發(fā)生前往往伴隨人群逐漸異常積累的現(xiàn)象，現(xiàn)有技術(shù)缺 乏對緩慢漸變異?，F(xiàn)象的檢測能力，從而無法提前疏導(dǎo)交通及對人群進(jìn)行預(yù)警。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明針對上述現(xiàn)有技術(shù)中存在問題，提出了一種基于多特征聚類及分類的人群 異常檢測與評估方法，可在復(fù)雜環(huán)境下對人群異常狀態(tài)進(jìn)行檢測與評估，以實現(xiàn)對突發(fā)事 件進(jìn)行檢測和預(yù)警的目標(biāo)。
[0009] -種基于多特征聚類及分類的人群異常檢測與評估方法，包括以下步驟：
[0010] 步驟1 :從視頻中提取每一幀原圖像，并對原圖像進(jìn)行預(yù)處理；
[0011] 所述預(yù)處理包括對原圖像進(jìn)行前景與背景的分割以及對原圖像與分割圖像進(jìn)行 分塊；
[0012] 所述前景，即相對于靜止背景的運動物體；
[0013] 步驟2 :對步驟1進(jìn)行預(yù)處理后的圖像進(jìn)行視頻圖像參數(shù)計算；
[0014] 所述視頻圖像參數(shù)包括全局前景速度、子塊前景邊緣長度、子塊前景面積、子塊人 群密度估計值及子塊速度；
[0015] 所述全局前景速度是利用像素跟蹤手段求解每一幀圖像中每一個前景像素（X，y) 的運動速度包含全局前景速度的幅值與全局前景速度的方向Θ
[0016] 所述子塊前景邊緣長度是利用前景邊緣處像素突變的特點，使用局部微分算法檢 測子塊內(nèi)前景像素突變區(qū)域總長度，獲取邊緣長度length ;
[0017] 所述子塊前景面積是統(tǒng)計子塊內(nèi)前景像素個數(shù)，從而獲得子塊前景面積area ;
[0018] 所述子塊人群密度估計值，是通過子塊前景面積和邊緣長度按照以下公式計算獲 得 P = kXarea+bXlength+const ;
[0019] 其中，k，b，const分別為面積比例系數(shù)、邊緣長度比例系數(shù)和常數(shù)系數(shù)；通過收集 大量已知人群密度P的運動視頻并計算視頻中的的area，l ength參數(shù)，再利用已知的人群 密度P和計算出的area及l(fā)ength參數(shù)通過最小二乘擬合求出三個系數(shù)；
[0020] 所述子塊速度是將子塊內(nèi)每一前景像素的速度％_進(jìn)行矢量求和后，得到的子塊 平均運動速度P i包含子塊速度幅值Pj與子塊速度方向Φ ;
[0021] 步驟3 :基于步驟2得到的視頻圖像參數(shù)進(jìn)行基于圖像子塊的人群多特征提??；
[0022] 所述基于圖像子塊的人群多特征包括每個圖像子塊的人群流量特征與速度直方 圖特征；
[0023] 所述人群流量特征，是先計算圖像子塊人群流量值f，由當(dāng)前子塊及其8鄰域子塊 的人群流量值共同組成該子塊的η維特征向量總，:^ = U, A…每個圖像子塊對應(yīng)的η 維特征向量中各圖像子塊的人群流量值排列順序一致；
[0024] 所述人群流量特征，是用來描述子塊內(nèi)較密集人群運動的一組向量；
[0025] 所述速度直方圖特征，是將子塊內(nèi)前景像素速度方向均勻劃分為m個方向區(qū) 間，每一區(qū)間的范圍為角度θ，〇° <θ〈 = 45°，且;然后依次對屬于區(qū)間θρ β !/Jr··./?丨的所有前景像素進(jìn)行速度幅值求和得到Γι，由構(gòu)成m維的特征向量R"，
[0026] 所述速度直方圖特征，是用來描述子塊內(nèi)較稀疏人群運動的一組向量；
[0027] 所述人群流量值，為子塊內(nèi)人群密度P與子塊速度幅值|f|的乘積，即/ = px|f|;
[0028] 步驟4 :利用圖像子塊的人群多特征進(jìn)行聚類；
[0029] 步驟5 :利用從已知狀態(tài)的視頻圖像提取的圖像子塊人群多特征聚類結(jié)果，對SVM 分類器進(jìn)行訓(xùn)練，采用已訓(xùn)練的SVM分類器對步驟4獲得的聚類結(jié)果進(jìn)行基于圖像子塊的 SVM分類器異常檢測，當(dāng)SVM分類器輸出的異常檢測結(jié)果大于或等于0. 6時，則判定當(dāng)前圖 像子塊存在異常；
[0030] 所述圖像子塊的狀態(tài)包括正常、微異常、異常發(fā)生、運動突變、運動聚集和運動逃 散，且在SVM分類器中的輸出結(jié)果分別定義為0,0. 2,0. 4,0. 6,0. 8,1。
[0031] 所述微異常通常指速度方向、大小不同于正常人群的異物闖入，如快速行進(jìn)的自 行車，高速奔跑的個別行人，但并沒有對其他人構(gòu)成影響；
[0032] 所述異常發(fā)生通常指人群流量、速度已經(jīng)出現(xiàn)變化，但是通常變化均值幅度不超 過正常的30% ;
[0033] 所述運動突變是指人群流量、速度在5秒鐘之內(nèi)已經(jīng)出現(xiàn)超過30%的變化，且保 持進(jìn)一步變化的趨勢；
[0034] 所述運動聚集和逃散是異常發(fā)生后的兩種穩(wěn)定狀態(tài)，一種表現(xiàn)為人群大面積聚集 狀態(tài)，另一種表現(xiàn)為人群四處逃散狀態(tài)，通常情況下四處逃散狀態(tài)危險度最高。
[0035] 根據(jù)圖像子塊人群多特征計算圖像的人群狀態(tài)系數(shù)對人群異常狀態(tài)進(jìn)行評估，具 體步驟如下：
[0036] 步驟A :將步驟2所獲取的全局前景像素速度幅值和方向由小到大分別劃分為n' 個區(qū)間和m'個區(qū)間，構(gòu)建人群狀態(tài)矩陣W ;
[0037]
[0038] 其中，a(i，j)表示在i方向上以速度j運動的前景像素出現(xiàn)的頻率，即
nu為在i方向上以速度j運動的像素個數(shù)，N為圖像前景像素個數(shù)；
[0039] m' <=m，n' > = 3;
[0040] 步驟B :分析人群狀態(tài)矩陣的熵；
[0041] 令當(dāng)前幀為第t'幀，采用滑動平均法預(yù)測第t' +1幀人群狀態(tài)矩陣的熵Ent%
[0042] 同時，利用人群狀態(tài)矩陣的熵的計算公式
，計算第 C +1幀人群狀態(tài)矩陣的熵為Entt, +1;
[0043] 獲取下一幀圖像的人群狀態(tài)矩陣的熵的預(yù)測差值A(chǔ)Ent = IEnti-Entt, +11 ;
[0044] 【若人群始終保持穩(wěn)定，則每次計算的Δ Ent~0,若人群出現(xiàn)異動，則Δ Ent將逐 漸增大。】
[0045] 步驟C :當(dāng)步驟5中沒有檢測到任何圖像子塊存在異常時，人群狀態(tài)系數(shù) coefficient = Δ Ent，當(dāng)該值超出范圍0~0. 4時，表示可能存在危險，該值越大，表示可 能存在的危險越大；
[0046] 可根據(jù)人群狀態(tài)系數(shù)大小發(fā)出安全預(yù)警信號；
[0047] 當(dāng)步驟5中檢測到有圖像子塊存在異常時，人群狀態(tài)系數(shù) Coerricicnl=ZtiAfzir + ^ Y ：
[0048] 【其范圍為辯雜ed幽<F 】
[0049] 其中，f為利用步驟5中已訓(xùn)練好的SVM分類器對當(dāng)前幀圖像中所有圖像子塊人 群多特征進(jìn)行分類后輸出結(jié)果的均值；
[0050] 輸出結(jié)果權(quán)重λ2與檢測到的異常子塊數(shù)目相關(guān)，
A1為下一幀圖像 的人群狀態(tài)矩陣的熵的預(yù)測差值權(quán)重，A1= 1-λ 2;
[0051] 當(dāng)前圖像包含MXN個子塊，經(jīng)過SVM分類器檢測到其中的L個子塊異常。
[0052] M和N的取值依據(jù)當(dāng)前攝像機(jī)的焦距而定，且保證每一個子塊能夠包含1到5個運 動行人。
[0053] 采用背景模型對圖像進(jìn)行前景與背景的分割；
[0054] 將任意像素對應(yīng)的灰度值X帶入背景模型公式計算出該點屬于背景的概率ρ (X)， 若判決條件Ρ(χ)>ε成立，0.5$ ε〈1，則當(dāng)前像素為背景像素，賦予標(biāo)簽0,反之則為前景 像素，賦予標(biāo)簽1，完成如景分割；
[0055] 所述背景模型為混合高斯模型：
[0056] 其中，