专利名称：视频监控中的团体人群异常行为检测方法
技术领域：
本发明涉及一种人群异常行为的检测方法，具体是一种基于视频监控分析的团体人群异常行为检测方法，属于视频监控应用和技术集成领域。
背景技术：
尽管当前的智能监控系统对人群识别在近些年受到一些关注，但大多数的研究都集中在确定一个小的空间区域(已经在人群计算及跟踪范例中计算)中人的数目。对人群行为分析相对来说研究较少，更很少有相关的能解决在中等密度或者称小团体层面的人群检测跟踪研究。用于人群智能监控系统由四个主要的部分组成人群检测、人群跟踪和人群分类和人群异常行为识别。由于后续的分类识别过程非常依赖于准确的目标跟踪，正确的检测和跟踪目标是很重要的。目前，视频中人群目标识别借鉴了静止图像目标识别的方法，也有一些视频人群目标识别系统应用了基于学习模型的方法以期获得较好的检测跟踪效果。然而，在运动人群中存在着人群的动态移动问题，遮挡或局部聚集问题，环境干扰问题等都会影响着人群目标识别系统的有效运行。而且,据N. R. Johnson、C. McPhail等研究指出，在社会人群中一个事件的发生有89%情况下不止有一个人存在，而52%的情况有不下于2个人，32%有至少3个人存在。所以本发明提出的通过识别小团体人群的方法为进一步人群异常行为识别提供了一种新 的方法。
发明内容
为了解决现有技术中存在的在运动人群中存在着人群的动态移动问题，遮挡或局部聚集问题，环境干扰等影响着人群目标识别系统的问题，本发明提供了一种基于视频监控中的团体人群异常行为检测方法，包括步骤如下
(1)视频目标检测通过相继帧中的边缘信息差异检测得到视频对象，和通过前景帧与背景帧的帧差得到运动变化的视频对象，结合两种视频对象检测结果得到相对精确的运动目标；
(2)视频目标跟踪通过基于视频粒子的长周期的运动估计方法，对目标进行跟踪得到相应的运动轨迹；
(3)团体人群检测通过团体人群在视频中的运动特性，对轨迹间距离，行进速度信息进行谱聚类分析；
(4)人群异常行为识别使用MGHMM模型对人群轨迹建立模型，通过正常轨迹的突然变化来进行堵塞和跌倒的识别。进一步的，所述通过相继帧中的边缘信息差异检测得到视频对象包括Canny边缘求取，运动边缘求取，运动目标的获取这三个步骤。进一步的，在人群区域中，存在两个或更多的粒子的相似性在一定的时间长度中保持一定的相似性，就可判断它们是属于同一群体。进一步的，MGHMM模型的参数是
a = (Th Cbs) , A 是状态^ = ! Ar 的初始概率，％ (J = II，J = II)是状态转移
概率，是混合系数，是均值向量是高斯模型在状杏，的协方差矩阵。进一步的，通过比较由MGHMM得到的观察值的似然值和监测阈值的大小，对正常和异常事件进行分类。本发明集成了人群目标检测、人群目标跟踪、模式识别、机器学习方面的技术，提供了一种基于视频内容分析的团体人群异常行为检测方法。本发明结合前背景帧和相继帧的运动检测，以检测运动人群目标，通过长周期的运动估计的粒子视频技术做人群跟踪，然后通过团体人群的在视频中的特性，对轨迹间距离，行进速度等信息进行自适应谱聚类分析，分类得到团体人群，最后学习模型对人群异常行为进行有效识别。I.人群目标检测，通过相继帧中的运动检测得到运动的视频对象，通过前景帧与背景帧的帧差得到不属于背景的视频对象，融合两种视频目标检测的结果得到更加准确的人群对象。2.人群目标跟踪，结合基于粒子视频技术的长周期运动估计对得到的人群区域的进行目标跟踪，得到相应的运动轨迹。3.人群分类，在一些公共场所，行人通常会因一些相同的运动特性从而形成了人群，小团体人群通过对轨迹间距离，行进速度等信息进行谱聚类分析而得到。4.人群行为识别，学习模型对人群行为进行有效识别。所述的人群目标检测
人群目标检测由两种不同但能做有效补充的方法结合通过相继帧中的运动边缘检测得到人群；通过前景帧与背景帧的帧差得到不属于背景的目标人群。相继帧中的运动检测利用了运动边缘特征，主要的过程有Canny边缘求取，运动边缘求取，运动目标的获取。Canny边缘求取的过程是首先对图像做高斯卷积平滑，接着运用梯度值非最大值压抑细化边缘，最后用滞后的阀值将与强边缘相连的弱边缘加入边缘图像。运动边缘的求取过程是对相继的两帧视频图像的边缘图像做差，以消除静止场景的影响。设相继的两帧图像分别为4和，则运动边缘可以定义为
小(U-小(fn) I = 0 (V 6^)-0 (VG*fn)
其中G是高斯算子，*是卷积，▽是梯度算子，Q是canny的边缘检测算子。在得到的运动边缘图像中，运动的物体可以留下一个基本上封闭的边缘线，对得到的封闭区域做形态学处理，可以得到基于相继帧的视频对象检测结果。通过比较输入的图像(前景帧)与无任何目标物体的参考帧(背景帧)，可以得到两帧图像的差别，这种差别所在的区域包括所有的与背景帧颜色不同的区域，既包括运动的物体，也包括静止的物体。选取当前每个象素的背景模型中权重最大的高斯分布的均值作为被维护的背景。前景帧与背景帧的差别需要通过象素的颜色差别算出。相比RGB、YUV等颜色空间，HSV计算象素颜色差别更为合适。设两个象素的HSV值分别是(H1, S1, V1), (H2, S2, V2X考虑到HSV空间的特点，这里采用的颜色差别的判别公式为
(H1-H2) |*| (S1-S2) I > Thhs or V1-V2 > Thv 其中Thhs和Thv是相应的阀值。两种视频对象分割结果的融合。通过将相继帧和前背景帧运动检测得到的区域求交集，然后做数学形态学处理，可以得到两种视频对象分割结果的融合。所述的人群目标跟踪
对于融合后得到的运动人群分割结果，用视频粒子运动估计技术进行人群运动的跟踪，跟踪结果是则是由一系列的粒子轨迹表现出来。针对每个粒子，它们则是由在起始帧中运动区域等间隔的采样获得的点，依靠着5个图像通道(图像灰度值，绿色分量与红色分量的差值，绿色分量与蓝色分量的差值万向上的梯度，7方向上的梯度)的点匹配，对粒子随时间变化的位置进行标记定位，且在这个视频序列中，每个粒子都有自己的起始帧和结束帧。对于每个处理帧，粒子视频流的产生应包含以下三个过程，如图2所示，其中图中圆形表示粒子，箭头表示扩散，曲线表示粒子之间的联接。粒子扩散相邻帧的粒子根据流场的运动会扩散到当前帧 粒子联接联接粒子间的对应关系
粒子优化更新优化粒子的位置，剔除优化后高误差的粒子 团体人群检测
通过对正常团体人群视觉感知以及McPhail和Wohlstein相关研究,得出这样的推断在人群区域中，要是存在两个或更多的粒子的相似性在一定的时间长度中保持一定的相似性，就可判断它们是属于同一群体，也就可判断所跟踪的人群属于同一群体。对于是否是具有相似运动规律的团体人群的检测，本发明采用的方法是对粒子相似性进行分析，而不是传统的严格对人群个体进行分析，因为在有一定人群密度的群体中遮挡问题严重使得对个体研究显得异常困难。在粒子相似性中，主要包含有空间距离s和运动速度V，还有颜色、梯度、光照等粒子通道信息C构成，通过对各个权值系数W的调整获得所期的相似度表现
权利要求
1.一种基于视频监控中的团体人群异常行为检测方法，包括步骤如下 (1)视频目标检测通过相继帧中的边缘信息差异检测得到视频对象，和通过前景帧与背景帧的帧差得到运动变化的视频对象，结合两种视频对象检测结果得到相对精确的运动目标； (2)视频目标跟踪通过基于视频粒子的长周期的运动估计方法，对目标进行跟踪得到相应的运动轨迹； (3)团体人群检测通过团体人群在视频中的运动特性，对轨迹间距离，行进速度信息进行谱聚类分析； (4)人群异常行为识别使用MGHMM模型对人群轨迹建立模型，通过正常轨迹的突然变化来进行堵塞和跌倒的识别。
2.如权利要求I所述的一种基于视频监控中的团体人群异常行为检测方法，其特征在于所述通过相继帧中的边缘信息差异检测得到视频对象包括Canny边缘求取，运动边缘求取，运动目标的获取这三个步骤。
3.如权利要求I所述的一种基于视频监控中的团体人群异常行为检测方法，其特征在于在人群区域中，存在两个或更多的粒子的相似性在一定的时间长度中保持一定的相似性，就可判断它们是属于同一群体。
4.如权利要求I所述的一种基于视频监控中的团体人群异常行为检测方法，其特征在于MGHMM模型的参数是 (W紐是状态i =1.1的初始概率，% G = = lI)是状态转移概率，.是混合系数，是均值向量，Zim是高斯模型在状态i的协方差矩阵。
5.如权利要求I所述的一种基于视频监控中的团体人群异常行为检测方法，其特征在于通过比较由MGHMM得到的观察值的似然值和监测阈值的大小，对正常和异常事件进行分类。
全文摘要
本发明提供了一种基于视频监控中的团体人群异常行为检测方法，包括步骤如下视频目标检测通过相继帧中的边缘信息差异检测得到视频对象，和通过前景帧与背景帧的帧差得到运动变化的视频对象，结合两种视频对象检测结果得到相对精确的运动目标；视频目标跟踪通过基于视频粒子的长周期的运动估计方法，对目标进行跟踪得到相应的运动轨迹；团体人群检测通过团体人群在视频中的运动特性，对轨迹间距离，行进速度信息进行谱聚类分析；人群异常行为识别使用MGHMM模型对人群轨迹建立模型，通过正常轨迹的突然变化来进行堵塞和跌倒的识别。本发明集成了人群目标检测、人群目标跟踪、模式识别、机器学习方面的技术。
文档编号G06K9/00GK102799863SQ20121022337
公开日2012年11月28日 申请日期2012年7月2日 优先权日2012年7月2日
发明者章东平, 陈非予, 彭怀亮 申请人:中国计量学院