群体异常行为检测方法及系统与流程

本发明涉及一种群体异常行为检测方法及系统。

背景技术：

在节奏快速发展的现代社会中，人口的增长速度越来越快，一系列人口引发的问题越显突出。在人群密度比较密集的场所，比如火车站、汽车站等，安全问题尤为突出。通过对异常行为的检测，可以将监控视频中大量的对安防无用的信息过滤掉，节约了大量的人力。在人员复杂的公共场所中，通过对监控视频进行分析进而对一些造成安全问题的事件的发生进行判定并及时做出相应的响应，不仅能够对突发事件进行有效处理，而且对维护公共场所的安全和人民的生命财产安全等方面都有突出的贡献。

目前对于群体的异常行为，由于人群规模和密度较大，所以大多以宏观的角度进行研究，即将群体当做一个整体进行研究。主要有以下步骤：对视频运动目标检测、跟踪；根据群体的运动特性进行监测；通过模型对群体轨迹建模，识别群体的异常行为。

可见，目前的群体异常行为检测方式大都需要建立模型，然后进行模型学习，效率较低而且过程复杂。

技术实现要素：

有鉴于此，有必要提供一种群体异常行为检测方法及系统。

本发明提供一种群体异常行为检测方法，该方法包括如下步骤：a. 采用群体结构动态演化的群体跟踪方法，对视频帧中的群体进行群体跟踪；b.对上述跟踪到的群体每一帧中所包含的块的数目进行记录存储，直到群体跟踪结束；c.计算跟踪到的群体一段时间内所包含的块的数目，根据阈值和权值判断是否发生群体异常行为。

其中，所述的步骤a具体包括：利用光流法跟踪视频帧中提取到的特征点，并得到所述特征点的运动信息；根据得到的所述特征点的运动信息，计算特征点的运动模式是否一致，将运动模式一致的特征点按照密度进行聚类，使生成的块中所包含的特征点的密度较大；采用群体合并方法，检测出具有一定群体结构的由块组成的群体；采用分层的动态树结构，对上述检测得到的所述视频帧中的群体进行群体跟踪。

该方法还包括：更新检测阈值。

所述的步骤c具体包括：每隔m帧，对跟踪到的群体所包含块的数目通过函数f进行计算；将当前m帧的f值和之前的m帧的f值相减，预先设置一权值，并初始化为0；若|f_n-f_n-1|>s，则权值加一，且预设的阈值s也相应增大，重复上述过程；若权值超过w，则判断发生异常行为；若直到群体跟踪结束，权值仍然小于该w值，则判断群体无异常行为发生。

所述的函数f对群体在m帧内的所包含的块的数目进行方差计算。

本发明还提供一种群体异常行为检测系统，该系统包括跟踪模块、存储模块及判断模块，其中：所述跟踪模块用于采用群体结构动态演化的群体跟踪方法，对视频帧中的群体进行群体跟踪；所述存储模块用于对上述跟踪到的群体每一帧中所包含的块的数目进行记录存储，直到群体跟踪结束；所述判断模块用于计算跟踪到的群体一段时间内所包含的块的数目，根据阈值和权值判断是否发生群体异常行为。

其中，所述跟踪模块具体用于：利用光流法跟踪视频帧中提取到的 特征点，并得到所述特征点的运动信息；根据得到的所述特征点的运动信息，计算特征点的运动模式是否一致，将运动模式一致的特征点按照密度进行聚类，使生成的块中所包含的特征点的密度较大；采用群体合并方法，检测出具有一定群体结构的由块组成的群体；采用分层的动态树结构，对上述检测得到的所述视频帧中的群体进行群体跟踪。

所述的判断模块还用于：更新检测阈值。

所述判断模块具体用于：每隔m帧，对跟踪到的群体所包含块的数目通过函数f进行计算；将当前m帧的f值和之前的m帧的f值相减，预先设置一权值，并初始化为0；若|f_n-f_n-1|>s，则权值加一，且预设的阈值s也相应增大，重复上述过程；若权值超过w，则判断发生异常行为；若直到群体跟踪结束，权值仍然小于该w值，则判断群体无异常行为发生。

所述的函数f对群体在m帧内的所包含的块的数目进行方差计算。

本发明群体异常行为检测方法及系统，直接利用群体的一些基本特性来检测异常行为，非常简单方便，而且避免了复杂的模型学习的过程。本发明能够检测出群体运动突然变得杂乱无章的事件，不仅可以提高查找造成安全问题原因的效率，而且也可以使相关人员及时做出相应的响应,对突发事件进行有效处理。

附图说明

图1为本发明一种群体异常行为检测方法的流程图；

图2为本发明一种群体异常行为检测系统的硬件架构图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

参阅图1所示，是本发明一种群体异常行为检测方法较佳实施例的作业流程图。

步骤S1，采用群体结构动态演化的群体跟踪方法，对视频帧中的群体进行群体跟踪。具体步骤如下：

(1)利用光流法跟踪视频帧中提取的特征点，并得到所述特征点的运动信息。

(2)根据得到的所述特征点的运动信息，计算特征点的运动模式是否一致，将运动模式一致的特征点按照密度进行聚类，使生成的块中所包含的特征点的密度较大。

(3)采用群体合并(Collective Merging)方法，检测出具有一定群体结构的由块组成的群体。

需要说明的是，本实施例在形成由块组成的群体的过程中，由于可能发生行人离开或者加入群体的情况，使得由块组成的群体的结构不断发生变化，进而群体所包含的块的数目也相应改变。通过不断检测视频帧中块的群体一致性，在行人离开或者加入群体时，及时动态调整群体的结构。

(4)采用分层的动态树结构，对上述检测得到的所述视频帧中的群体进行群体跟踪。

步骤S2，对视频帧中跟踪到的群体每一帧中所包含的块的数目进行记录存储。具体如下：

在进行群体跟踪的过程中，对视频帧中跟踪到的群体每一帧中所包含的块的数目进行存储，直到群体跟踪结束。在进行存储时，为视频帧中跟踪到的每一个群体分配一个ID号，并记录该ID号对应的群体在每一帧中所包含的块的数目。其中，所述群体对应的ID号在整个跟踪过程保持不变。

步骤S3，计算跟踪到的群体一段时间内所包含的块的数目，根据阈值和权值检测是否有异常发生，并更新检测阈值。

由于群体跟踪的过程中，所述群体的群体结构会随着群体中人数的变动动态变化，由块组成的群体所包含的块的数目也会相应改变。所以可以通过群体所包含的块的数目，检测出群体人数大幅度的变化这一群体异常行为。

本实施例对群体异常行为检测的具体过程如下：

由于相邻帧中群体结构的变化很小，群体所包含的块的数目也相对稳定，所以每隔m帧，对跟踪到的群体所包含块的数目通过函数f进行计算。其中，函数f可以为该跟踪到的群体在m帧内的所包含的块的方差。然后，将当前m帧的f值和之前的m帧的f值相减，预先设置一权值，并初始化为0。若|f_n-f_n-1|>s，则权值加一，并将预设的阈值s也相应增大。不断重复上述过程，若权值超过w，则判断发生异常行为；若直到群体跟踪结束，权值仍然小于该w值，则判断群体无异常行为发生。

参阅图2所示，是本发明一种群体异常行为检测系统的硬件架构图。该系统包括跟踪模块、存储模块及判断模块。

所述跟踪模块用于采用群体结构动态演化的群体跟踪方法，对视频帧中的群体进行群体跟踪。具体步骤如下：

(1)利用光流法跟踪视频帧中提取的特征点，并得到所述特征点的运动信息。

(2)根据得到的所述特征点的运动信息，计算特征点的运动模式是否一致，将运动模式一致的特征点按照密度进行聚类，使生成的块中所包含的特征点的密度较大。

(3)采用群体合并(Collective Merging)方法，检测出具有一定群体结构的由块组成的群体。

需要说明的是，本实施例在形成由块组成的群体的过程中，由于可能发生行人离开或者加入群体的情况，使得由块组成的群体的结构不断发生变化，进而群体所包含的块的数目也相应改变。通过不断检测视频帧中块的群体一致性，在行人离开或者加入群体时，及时动态调整群体的结构。

(4)采用分层的动态树结构，对上述检测得到的所述视频帧中的群体进行群体跟踪。

所述存储模块用于对视频帧中跟踪到的群体每一帧中所包含的块的数目进行记录存储，直到群体跟踪结束。具体如下：

在进行群体跟踪的过程中，对视频帧中跟踪到的群体每一帧中所包含的块的数目进行存储，直到群体跟踪结束。在进行存储时，为视频帧中跟踪到的每一个群体分配一个ID号，并记录该ID号对应的群体在每一帧中所包含的块的数目。其中，所述群体对应的ID号在整个跟踪过程保持不变。

所述判断模块用于计算跟踪到的群体一段时间内所包含的块的数目，根据阈值和权值检测是否有异常发生，并更新检测阈值。

由于群体跟踪的过程中，所述群体的群体结构会随着群体中人数的变动动态变化，由块组成的群体所包含的块的数目也会相应改变。所以可以通过群体所包含的块的数目，检测出群体人数大幅度的变化这一群体异常行为。

本实施例对群体异常行为检测的具体过程如下：

由于相邻帧中群体结构的变化很小，群体所包含的块的数目也相对稳定，所以每隔m帧，对跟踪到的群体所包含块的数目通过函数f进行计算。其中，函数f可以为该跟踪到的群体在m帧内的所包含的块的方差。然后，将当前m帧的f值和之前的m帧的f值相减，预先设置一权 值，并初始化为0。若|f_n-f_n-1|>s，则权值加一，并将预设的阈值s也相应增大。不断重复上述过程，若权值超过w，则判断发生异常行为；若直到群体跟踪结束，权值仍然小于该w值，则判断群体无异常行为发生。

虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。