一种基于微行为分析的密集人群异常行为检测方法
【专利摘要】本发明公开了一种基于微行为分析的密集人群行为检测方法。其过程为：根据密集视频中人的大小，按照比例对原视频图像采样，获得采样图像；计算采样图像由粒子流定义的动态系统；利用动态系统的速度、位置信息，对采样粒子进行微行为处理；构建样本序列，对粒子微行为进行信息提取，并将信息量化标记，构建时空立方体；采集用以训练的密集人群视频序列，通过上述步骤，提取视频序列中的样本特征序列，并将其作为训练隐条件随机场模型的观察序列，利用隐条件随机场训练，实现密集人群行为检测。本发明的目的在于解决高密度环境下由于无法高效的实现单个物体的检测和跟踪而使人群行为理解具有潜在危险性问题，适用于人群行为比较复杂的场景，识别特定的人群行为，并且进行异常检测。
【专利说明】—种基于微行为分析的密集人群异常行为检测方法
【技术领域】
[0001]本发明属于视频中密集人群行为识别领域，特别是涉及到一种基于微行为分析的密集人群共同行为的识别和异常处理方法，该方法可以应用于车站、商场以及应急入、出口等人群流动比较大的地方。
【背景技术】
[0002]密集人群场景的视频分析对计算机视觉技术提出了巨大的挑战。现实生活中高密度的环境使得单个物体的识别和跟踪不切实际。在不清楚个体行为的情况下理解密集人群行为是非常危险的。密集人群行为智能检测技术有着广泛的应用，比如说，可以预言拥塞状况，避免悲剧的发生。
[0003]目前视频监控技术(应用于车站、道路、商场等等场合)注意力主要集中在检测或者跟踪单个目标，人数的计算，识别或分割不同区域的运动，或者是人群异常检测，缺乏具体分析密集人群行为的能力。由于其复杂性，对于高密度人群场景分析中所遇到的问题的处理能力是有限的。因此如何有效识别密集人群行为是值得学者深入研究的技术问题。
[0004]按照常理，行为分析和场景理解涉及到目标识别、跟踪和行为识别。这种方法要求运用底层运动信息，表观特征，或者目标轨迹，在低密度的人群场景中有较好的性能，但是在现实生活中高密度场景中并不适用。目标跟踪也是一个棘手的问题，由于计算开销或者不可靠性，所适用的方法通常不适用于多目标跟踪。
[0005]因此，研究者提出了一个整体方法来进行行为分析和场景理解，这样可以避免了跟踪和直接利用特征，不需要处理呈现出来的运动的轨迹。这种方法需要多分辨率直方图、时空立方体、表观或者运动描述子等等特征。另一个方法是基于动态纹理的表示方法，在这种方法中，将表观和动态性相结合建立模型，以此来检测人群场景中异常现象。虽然这种方法适合行为的识别以及行为检测和分割，但是往往需要手动标注，计算量很大。
[0006]目前，一般的方法是通过学习得到的人群场景正常行为来检测异常行为，但是我们的方法涉及到检测和识别特定的人群行为。对于该领域，s.Ali等人提出的方法是利用人群流动来帮助跟踪单个目标，参见Floor fields for tracking in high density crowdscenes, in ECCV ’ 08: Proceedings of the 10th European Conference on ComputerVision, 2008, pp.1 _ 14.，但是这种方法只是针对于匀速运动的密集人群。
【发明内容】
[0007]本发明的内容在于克服已有的技术的不足，提出一种基于微行为分析的密集人群异常行为检测方法，通过建立物理模型，对局部微行为进行分析，不仅能够识别特定的人群共同行为，而且还能够检测出人群异常状况的发生，对于社会安全有着重要意义。
[0008]实现本发明的技术方案是:一种基于微行为的密集人群异常行为检测方法，包括如下步骤:
(O输入视频序列，根据视频中人所占据的空间的大小.,按照比例将原大小为M*N的视频图像分割成?个块，其中， w=M/m代表横向分割块数，H=N/n代表纵向
分割块数，将每一个图像块的中心像素作为采样点，组成尺寸大小为W*H的采样图像；
(2)通过计算粒子流定义的动态系统
【权利要求】
1.一种基于微行为的密集人群异常行为检测方法，包括如下步骤:(1)输入视频序列，根据视频中人所占据的空间的大小mχ β ,按照比例将原大小为K ?的视频图像分割成F U个块，其中，
2.如权利要求1所述的基于微行为的密集人群异常行为检测方法，其特征在于: 步骤(1)中图像块的分割由视频中人所占据的空间大小决定。
3.如权利要求1所述的基于微行为的密集人群异常行为检测方法，其特征在于:步骤(4)中所述人群微行为包括堵塞、环形、平行、瓶颈或源头。
【文档编号】G06K9/00GK103593646SQ201310483906
【公开日】2014年2月19日 申请日期:2013年10月16日 优先权日:2013年10月16日
【发明者】章东平, 徐娇, 李世忠, 彭怀亮 申请人:中国计量学院