一种基于聚类角点加权面积的群体聚散检测的方法与装置制造方法
一种基于聚类角点加权面积的群体聚散检测的方法与装置制造方法
【专利摘要】本发明提出了一种聚类角点加权面积的群体聚散检测方法，包括如下步骤：A.获取视频帧图像；B.通过混合高斯背景建模方法计算出人群前景区域；C.通过Harris角点检测算法计算图像的角点；D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；E.使用DBSCAN对角点进行聚类；F.使用加权法计算角点面积；G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。本发明的方法通过使用角点描述人群分布，避免了对人群个体分割的不准确性；通过对人群角点进行聚类，并从人群类簇的个数可以分析出当前场景中人群整体的密集程度。通过计算角点面积变化曲线的斜率来进行事件决策，决策简单有效。事件决策过程中还增加了类簇个数变化情况进行辅助，增加了决策结果的准确性。
【专利说明】一种基于聚类角点加权面积的群体聚散检测的方法与装置
【技术领域】
[0001 ] 本发明属于人群检测领域，涉及一种群体聚散检测的方法与装置。
【背景技术】
[0002]目前，已有的人群行为分析系统主要是进行人数统计或者密度统计。少有的人群聚散检测系统也是根据统计人数或者密度来进行决策的。但是这种系统在分割人群个体方面很容易受到人群遮挡等因素的影响，无法保证人群个数计算的准确性。而且一般的人数统计系统都需要有训练分类器过程，这类系统给实际应用带来很多不便。
【发明内容】
[0003]为了解决现有技术中通过人数统计来进行群体聚散检测的不准确性，同时也无法表达出人群聚集这个过程的变化趋势和需要训练分类的过程。本发明提供了一种聚类角点加权面积的群体聚散检测方法与装置。
[0004]本发明通过如下技术方案实现:
[0005]一种聚类角点加权面积的群体聚散检测方法，包括如下步骤:
[0006]A.获取视频帧图像；
[0007]B.通过混合高斯背景建模方法计算出人群前景区域；
[0008]C.通过Harris角点检测算法计算图像的角点；
[0009]D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；
[0010]E.使用DBSCAN聚类算法对角点进行聚类；
[0011]F.使用加权法计算角点面积；
[0012]G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
[0013]进一步地，所述步骤B和步骤C的顺序可以互换。
[0014]进一步地，所述步骤F包含以下子步骤:
[0015]Fl.根据步骤E中聚类结果的类簇个数情况，若类簇个数大于某个阈值(取5)时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于某个阈值(取5)时，则认为人群已经初具规模，此时使用加权计算角点面积。
[0016]F2.通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值，即为角点面积。
[0017]进一步地,所述Harris角点检测算法为C.Harris和M.Stephens提出了 Harris角点检测算法。
[0018]作为本发明的进一步改进,所述DBSCAN聚类算法使用R*_tree算法实现。
[0019]进一步地,所述步骤E中，将距离满足求X: - Xi )2 + (—V, - Jfi)1 < 的两角点视为相似的角点。
[0020]进一步地，加权计算角点面积具体为:计算整个图像中的所有角点的中心ΜΡ(x,y)及每个类簇的中心位置CP(xk,yk);计算每个类簇到所有角点中心的距离Dk，并求
出离中心最远的类簇的距离Dmax;对每个类簇设置权值Wk ;然后计算，每个类簇用权重Wk对面积S进行加权。
[0021]进一步地，所述步骤G具体为:角点面积的变化曲线的斜率为当前帧计算的角点面积stw和前T帧计算的角点面积Swt-r的比值；人群聚集必须满足K〈Kf，聚集阈值Kf为一个负值，并且类簇个数在T帧内呈减小趋势；人群疏散必须满足K>Ke，其中疏散阈值Ke是一个大的正值，并且类簇个数在T帧内呈增加趋势。
[0022]另一方面，本发明提供了一种基于聚类角点加权面积的群体聚散检测装置，包括视频获取模块、角点检测模块、人群角点获取模块、加权角点面积计算模块、聚散事件检测模块；其中，所述视频获取模块，用于获取视频帧图像；角点检测模块，用于混合高斯背景建模方法计算出人群前景区域并通过Harris角点检测算法计算图像的角点；人群角点获取模块，用于使用人群前景作为掩膜算子计算出图像的人群角点；角点聚类模块，用于通过DBSCAN聚类算法对人群运动向量进行聚类；加权角点面积计算模块，用于加权法计算角点面积；聚散事件检测模块，用于计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
[0023]本发明的有益效果是:通过使用角点描述人群分布，避免了对人群个体分割的不准确性；通过对人群角点进行聚类，并从人群类簇的个数可以分析出当前场景中人群整体的密集程度。通过计算角点面积变化曲线的斜率来进行事件决策，决策简单有效。事件决策过程中还增加了类簇个数变化情况进行辅助，增加了决策结果的准确性。
【专利附图】
【附图说明】
[0024]图1是本发明的基于聚类角点加权面积的群体聚散检测方法流程示意图；
[0025]图2是本发明的基于聚类角点加权面积的群体聚散检测装置结构示意图。
【具体实施方式】
[0026]下面结合【专利附图】
【附图说明】及【具体实施方式】对本发明进一步说明。
[0027]本发明的基于聚类角点加权面积的群体聚散检测方法包括以下步骤:
[0028]A、通过摄像头获取视频帧图像；
[0029]B、通过混合高斯背景建模方法计算出人群前景区域；
[0030]C、Harris角点检测；鉴于Harris角点检测算法计算简单,提取的角点特征分布均匀而且合理等有点，算法使用C.Harris和M.Stephens提出了 Harris角点检测算法。
[0031]D、使用人群前景作为掩膜算子计算出图像中的人群角点；使用人群前景区域作为掩膜算子，保留前景区域中的角点，即人群角点；滤除背景区域中的角点。
[0032]E、DBSCAN角点聚类；鉴于同一块人群密度相连性，使用基于密度的DBSCAN聚类方法对人群角点进行聚类。通过聚类之后，若人群在场景中比较分散，则人群类簇个数很多；若人群在场景中分布比较集中，则人群类簇个数比较少。DBSCAN聚类算法使用R*-tree实现，时间复杂度为O(nlogn)。聚类的另一个好处是可以滤除一些比较独立的噪声点。
[0033]本发明使用DBSCAN聚类时，将距离满足公式(1-1)条件的角点视为相似:
【权利要求】
1.一种基于聚类角点加权面积的群体聚散检测方法，包括如下步骤: A.获取视频帧图像； B.通过混合高斯背景建模方法计算出人群前景区域； C.通过Harris角点检测算法计算图像的角点； D.使用人群前景作为掩膜算子计算出图像中人群区域的角点； E.使用DBSCAN聚类算法对角点进行聚类； F.使用加权法计算角点面积； G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
2.根据权利要求1所述的方法，其特征在于:所述步骤B、步骤C的执行无先后顺序。
3.根据权利要求1所述的方法，其特征在于:所述步骤F包含以下子步骤: Fl.根据步骤E中聚类结果的类簇个数情况，若类簇个数大于第一阈值时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于等于第一阈值时，则认为人群已经初具规模 ，此时使用加权计算角点面积； F2.通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值作为角点面积。
4.根据权利要求3所述的方法，其特征在于:所述第一阈值为5。
5.根据权利要求1所述的方法，其特征在于:所述Harris角点检测算法为C.Harris和M.Stephens提出了 Harris角点检测算法。
6.根据权利要求1所述的方法，其特征在于:所述DBSCAN聚类算法使用R*-tree算法实现。
7.根据权利要求1所述的方法，其特征在于:所述步骤E中，将距离满足
8.根据权利要求3所述的方法，其特征在于:所述加权计算角点面积具体为:计算整个图像中的所有角点的中心MP(x,y)另及每个类簇的中心位置CP(x,y)计算每个类簇到所有角点中心的距离Dk，并求出离中心最远的类簇的距离Dmax;对每个类簇设置权值wk;然后计算，每个类簇用权重Wk对面积S进行加权。
9.根据权利要求1所述的方法，所述步骤G具体为:角点面积的变化曲线的斜率为当前帧计算的角点面积stw和前T帧计算的角点面积的比值；人群聚集必须满足K〈Kf，聚集阈值Kf为一个负值，并且类簇个数在T帧内呈减小趋势；人群疏散必须满足K>Ke，其中疏散阈值Ke是一个大的正值，并且类簇个数在T帧内呈增加趋势。
10.一种基于聚类角点加权面积的群体聚散检测装置，其特征在于:所述装置包括视频获取模块、角点检测模块、人群角点获取模块、加权角点面积计算模块、聚散事件检测模块；其中，所述视频获取模块，用于获取视频帧图像；角点检测模块，用于混合高斯背景建模方法计算出人群前景区域并通过Harris角点检测算法计算图像的角点；人群角点获取模块，用于使用人群前景作为掩膜算子计算出图像的人群角点；角点聚类模块，用于通过DBSCAN聚类算法对人群运动向量进行聚类；加权角点面积计算模块，用于加权法计算角点面积；聚散事件检测模块，用于计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
【文档编号】G06K9/62GK103679148SQ201310676217
【公开日】2014年3月26日 申请日期:2013年12月11日 优先权日:2013年12月11日
【发明者】徐勇, 何丽文 申请人:哈尔滨工业大学深圳研究生院
【专利摘要】本发明提出了一种聚类角点加权面积的群体聚散检测方法，包括如下步骤：A.获取视频帧图像；B.通过混合高斯背景建模方法计算出人群前景区域；C.通过Harris角点检测算法计算图像的角点；D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；E.使用DBSCAN对角点进行聚类；F.使用加权法计算角点面积；G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。本发明的方法通过使用角点描述人群分布，避免了对人群个体分割的不准确性；通过对人群角点进行聚类，并从人群类簇的个数可以分析出当前场景中人群整体的密集程度。通过计算角点面积变化曲线的斜率来进行事件决策，决策简单有效。事件决策过程中还增加了类簇个数变化情况进行辅助，增加了决策结果的准确性。
【专利说明】一种基于聚类角点加权面积的群体聚散检测的方法与装置
【技术领域】
[0001 ] 本发明属于人群检测领域，涉及一种群体聚散检测的方法与装置。
【背景技术】
[0002]目前，已有的人群行为分析系统主要是进行人数统计或者密度统计。少有的人群聚散检测系统也是根据统计人数或者密度来进行决策的。但是这种系统在分割人群个体方面很容易受到人群遮挡等因素的影响，无法保证人群个数计算的准确性。而且一般的人数统计系统都需要有训练分类器过程，这类系统给实际应用带来很多不便。
【发明内容】
[0003]为了解决现有技术中通过人数统计来进行群体聚散检测的不准确性，同时也无法表达出人群聚集这个过程的变化趋势和需要训练分类的过程。本发明提供了一种聚类角点加权面积的群体聚散检测方法与装置。
[0004]本发明通过如下技术方案实现:
[0005]一种聚类角点加权面积的群体聚散检测方法，包括如下步骤:
[0006]A.获取视频帧图像；
[0007]B.通过混合高斯背景建模方法计算出人群前景区域；
[0008]C.通过Harris角点检测算法计算图像的角点；
[0009]D.使用人群前景作为掩膜算子计算出图像中人群区域的角点；
[0010]E.使用DBSCAN聚类算法对角点进行聚类；
[0011]F.使用加权法计算角点面积；
[0012]G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
[0013]进一步地，所述步骤B和步骤C的顺序可以互换。
[0014]进一步地，所述步骤F包含以下子步骤:
[0015]Fl.根据步骤E中聚类结果的类簇个数情况，若类簇个数大于某个阈值(取5)时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于某个阈值(取5)时，则认为人群已经初具规模，此时使用加权计算角点面积。
[0016]F2.通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值，即为角点面积。
[0017]进一步地,所述Harris角点检测算法为C.Harris和M.Stephens提出了 Harris角点检测算法。
[0018]作为本发明的进一步改进,所述DBSCAN聚类算法使用R*_tree算法实现。
[0019]进一步地,所述步骤E中，将距离满足求X: - Xi )2 + (—V, - Jfi)1 < 的两角点视为相似的角点。
[0020]进一步地，加权计算角点面积具体为:计算整个图像中的所有角点的中心ΜΡ(x,y)及每个类簇的中心位置CP(xk,yk);计算每个类簇到所有角点中心的距离Dk，并求
出离中心最远的类簇的距离Dmax;对每个类簇设置权值Wk ;然后计算，每个类簇用权重Wk对面积S进行加权。
[0021]进一步地，所述步骤G具体为:角点面积的变化曲线的斜率为当前帧计算的角点面积stw和前T帧计算的角点面积Swt-r的比值；人群聚集必须满足K〈Kf，聚集阈值Kf为一个负值，并且类簇个数在T帧内呈减小趋势；人群疏散必须满足K>Ke，其中疏散阈值Ke是一个大的正值，并且类簇个数在T帧内呈增加趋势。
[0022]另一方面，本发明提供了一种基于聚类角点加权面积的群体聚散检测装置，包括视频获取模块、角点检测模块、人群角点获取模块、加权角点面积计算模块、聚散事件检测模块；其中，所述视频获取模块，用于获取视频帧图像；角点检测模块，用于混合高斯背景建模方法计算出人群前景区域并通过Harris角点检测算法计算图像的角点；人群角点获取模块，用于使用人群前景作为掩膜算子计算出图像的人群角点；角点聚类模块，用于通过DBSCAN聚类算法对人群运动向量进行聚类；加权角点面积计算模块，用于加权法计算角点面积；聚散事件检测模块，用于计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
[0023]本发明的有益效果是:通过使用角点描述人群分布，避免了对人群个体分割的不准确性；通过对人群角点进行聚类，并从人群类簇的个数可以分析出当前场景中人群整体的密集程度。通过计算角点面积变化曲线的斜率来进行事件决策，决策简单有效。事件决策过程中还增加了类簇个数变化情况进行辅助，增加了决策结果的准确性。
【专利附图】
【附图说明】
[0024]图1是本发明的基于聚类角点加权面积的群体聚散检测方法流程示意图；
[0025]图2是本发明的基于聚类角点加权面积的群体聚散检测装置结构示意图。
【具体实施方式】
[0026]下面结合【专利附图】
【附图说明】及【具体实施方式】对本发明进一步说明。
[0027]本发明的基于聚类角点加权面积的群体聚散检测方法包括以下步骤:
[0028]A、通过摄像头获取视频帧图像；
[0029]B、通过混合高斯背景建模方法计算出人群前景区域；
[0030]C、Harris角点检测；鉴于Harris角点检测算法计算简单,提取的角点特征分布均匀而且合理等有点，算法使用C.Harris和M.Stephens提出了 Harris角点检测算法。
[0031]D、使用人群前景作为掩膜算子计算出图像中的人群角点；使用人群前景区域作为掩膜算子，保留前景区域中的角点，即人群角点；滤除背景区域中的角点。
[0032]E、DBSCAN角点聚类；鉴于同一块人群密度相连性，使用基于密度的DBSCAN聚类方法对人群角点进行聚类。通过聚类之后，若人群在场景中比较分散，则人群类簇个数很多；若人群在场景中分布比较集中，则人群类簇个数比较少。DBSCAN聚类算法使用R*-tree实现，时间复杂度为O(nlogn)。聚类的另一个好处是可以滤除一些比较独立的噪声点。
[0033]本发明使用DBSCAN聚类时，将距离满足公式(1-1)条件的角点视为相似:
【权利要求】
1.一种基于聚类角点加权面积的群体聚散检测方法，包括如下步骤: A.获取视频帧图像； B.通过混合高斯背景建模方法计算出人群前景区域； C.通过Harris角点检测算法计算图像的角点； D.使用人群前景作为掩膜算子计算出图像中人群区域的角点； E.使用DBSCAN聚类算法对角点进行聚类； F.使用加权法计算角点面积； G.计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
2.根据权利要求1所述的方法，其特征在于:所述步骤B、步骤C的执行无先后顺序。
3.根据权利要求1所述的方法，其特征在于:所述步骤F包含以下子步骤: Fl.根据步骤E中聚类结果的类簇个数情况，若类簇个数大于第一阈值时，则认为场景较混乱，人群个体还没有形成小规模人群，在计算角点面积时无需进行加权；而若类簇个数小于等于第一阈值时，则认为人群已经初具规模 ，此时使用加权计算角点面积； F2.通过角点的横纵坐标分布情况组成一个协方差矩阵，然后计算矩阵的行列式值作为角点面积。
4.根据权利要求3所述的方法，其特征在于:所述第一阈值为5。
5.根据权利要求1所述的方法，其特征在于:所述Harris角点检测算法为C.Harris和M.Stephens提出了 Harris角点检测算法。
6.根据权利要求1所述的方法，其特征在于:所述DBSCAN聚类算法使用R*-tree算法实现。
7.根据权利要求1所述的方法，其特征在于:所述步骤E中，将距离满足
8.根据权利要求3所述的方法，其特征在于:所述加权计算角点面积具体为:计算整个图像中的所有角点的中心MP(x,y)另及每个类簇的中心位置CP(x,y)计算每个类簇到所有角点中心的距离Dk，并求出离中心最远的类簇的距离Dmax;对每个类簇设置权值wk;然后计算，每个类簇用权重Wk对面积S进行加权。
9.根据权利要求1所述的方法，所述步骤G具体为:角点面积的变化曲线的斜率为当前帧计算的角点面积stw和前T帧计算的角点面积的比值；人群聚集必须满足K〈Kf，聚集阈值Kf为一个负值，并且类簇个数在T帧内呈减小趋势；人群疏散必须满足K>Ke，其中疏散阈值Ke是一个大的正值，并且类簇个数在T帧内呈增加趋势。
10.一种基于聚类角点加权面积的群体聚散检测装置，其特征在于:所述装置包括视频获取模块、角点检测模块、人群角点获取模块、加权角点面积计算模块、聚散事件检测模块；其中，所述视频获取模块，用于获取视频帧图像；角点检测模块，用于混合高斯背景建模方法计算出人群前景区域并通过Harris角点检测算法计算图像的角点；人群角点获取模块，用于使用人群前景作为掩膜算子计算出图像的人群角点；角点聚类模块，用于通过DBSCAN聚类算法对人群运动向量进行聚类；加权角点面积计算模块，用于加权法计算角点面积；聚散事件检测模块，用于计算角点面积的变化曲线的斜率，并结合类簇个数进行事件识别。
【文档编号】G06K9/62GK103679148SQ201310676217
【公开日】2014年3月26日 申请日期:2013年12月11日 优先权日:2013年12月11日
【发明者】徐勇, 何丽文 申请人:哈尔滨工业大学深圳研究生院
相关技术
网友询问留言
已有0条留言
- 还没有人留言评论。精彩留言会获得点赞！
1