一种基于能级分布变化的人群异常检测方法与流程

本发明涉及视频分析与图像理解领域，尤其是一种基于能级分布变化的人群异常检测方法。

背景技术：

近年来，发生在公共场合下的危害人民群众生命财产安全和危害社会秩序的事件日益增多。监控系统是一种维护公共场合下安全与秩序的有效方法，因此异常人群行为检测作为智能视频监控技术的一个研究热点吸引了越来越多人的关注。

目前，人群行为分析的方法主要分为两类。(1)微观分析：人群被看为个体的集合，因此需要检测和跟踪每个个体并通过个体目标的轨迹和姿态来识别人群行为，这类方法适合处理小规模稀疏人群，当人数众多且个体间相互遮挡时，难以精确定位目标；(2)宏观分析：将人群看作一个整体，从人群的全局外部表现入手分析其行为，通过提取场景特征对人群行为进行建模。如光流法是通过估算人群的速度信息来判断行人是否发生奔跑异常；社会力是通过计算两个粒子之间的吸引力以及排斥力的大小，用来作为判断人群是否异常的依据。

从研究现状来看，由于人群中的单个个体很难被直接识别出来，并且误差可能会非常大，因此大多数人在处理这个问题时通常不再对人群中单个个体进行识别统计，而是直接以图像中粒子代替行人来进行研究。但是由于摄像机的透视效应的影响，行人离摄像机远近所占有的粒子数是有差别的，如果只是以前景粒子的运动来完全代替行人运动是不公平的。

技术实现要素：

本发明目的在于提供一种设计合理、计算简便快速、准确度高的基于能级分布变化的人群异常检测方法。

为实现上述目的，采用了以下技术方案：本发明所述方法步骤如下：

步骤1，获取视频图像，将图像中每个像素点看成一个运动粒子，并求取每个粒子的速度以及质量，建立粒子的动能模型；

步骤2，根据动能模型求取视频中每个运动粒子的动能，并对运动粒子动能进行量化分级得到粒子的能级分布，求取粒子能级共生矩阵；

步骤3，以共生矩阵的一致性、熵、对比度三个描绘子描述图像中粒子的能级分布；通过分析一致性、熵、对比度的变化来分析人群行为，检测人群异常行为以及确定异常发生的时间，并进行报警提醒。

进一步的，步骤1中，求取粒子质量的具体方法如下：

用矩形选取距离相机最近和最远的行人作为参考人并提取其前景，假设行人在场景中的面积为其前景图像所占像素的数目，令场景中参考人所占的面积为S；

式中，w、h分别为矩形的宽和高，M_ij∈{0,1},1表示前景，0表示背景；找到两个参考人质心所在位置，并过参考人的质心画一条水平线作为参考线；记距离摄像机近的参考线为记距离摄像机远的参考线为当一个人从运动到时，该人在场景中的面积的变化率如下式所示：

假设直线上像素的质量为m_ab＝1，直线上像素的质量m_cd＝1/k；若直线l_i(0≤i≤H,H为图像的高)上的点距和的距离分别为d₁和d₂，由线性插值法可知直线l_i上的粒子质量为：

因为对于同一直线上的粒子的质量相同，所以图像中坐标为(i,j)的点的质量m_ij＝m_i(0≤j≤W,W为图像的宽)。

进一步的，建立动能模型的具体方法如下：

根据粒子的质量，结合粒子的速度构建粒子动能模型为：

式中，m_ij代表坐标(i,j)粒子的质量，(uv)_ij表示此粒子水平和垂直方向的合速度。

进一步的，所述步骤2的具体方法如下：

步骤2.1，将图像中粒子的运动看成电子的运动，并根据氢原子能级公式可得到某一能量的粒子所对应的能级为：

E_excited为激发态的动能，E_ground为基态的动能，并对能级l进行向下取整，以确保粒子所对应的能级都为整数；在正常状态下，人群运动速度较慢，运动粒子能量较低，因此粒子大多处在基态；异常状态下，人群发生跑动，粒子能量突然增大，粒子会跃迁到较高能级；

步骤2.2，由于灰度共生矩阵可以对图像中的像素分布进行很好的描述，因此得到每帧图像运动粒子的能级分布后，根据图像灰度共生矩阵的概念求得能级共生矩阵，以此对人群运动粒子的能级分布进行描述；首先，令Q是定义两个粒子能级彼此相对位置的一个算子；其次，选取一段视频中的某一帧图像f，计算出每个运动粒子所对应的能级；然后，定义一个矩阵A，并令其元素a_ij是能级l_i和l_j的像素对出现在f中由Q所指的位置处的次数，1<i,j<L_max(Lmax为次帧图像中运动粒子的最大能级数)，则A为所求的能级共生矩阵。

进一步的，所述步骤3的具体方法如下：

步骤3.1，计算所求能级共生矩阵的一致性描述算子的值：

计算所求能级共生矩阵的熵描述算子的值：

计算所求能级共生矩阵的对比度描述算子的值：

其中，N是方阵A的行(或列)数；p_ij是满足Q所定义的关系的一个值为(l_i,l_j)的点对的概率估计，其定义为：

p_ij＝a_ij/n (9)

n是满足Q的能级对的总数，等于A的元素之和；这些概率的值域为[0,1]，且它们的和为1：

步骤3.2，通过分析一致性、熵、对比度的变化来分析人群行为，设定阈值来检测人群异常行为以及获得异常发生的时间。

与现有技术相比，本发明方法具有如下优点：设计合理、方便实用、操作简单、计算精确快速。

附图说明

图1为本发明方法的整体框图。

图2为本发明方法的具体实现步骤框图。

图3为本发明方法的线性插值标记图。

图4为本发明方法的实例结果图。

具体实施方式

下面结合附图对本发明做进一步说明：

如图1、图2所示，所述方法包括以下步骤：

步骤1，获取视频图像，将图像中每个像素点看成一个运动粒子，并求取粒子的速度以及质量，建立粒子的动能模型。

步骤1.1，对距离相机最近和最远的行人面积进行插值计算，计算不同位置处粒子的质量。首先用矩形选取距离相机最近和最远的行人作为参考人，然后用LIC矢量场可视化来提取视频中的运动目标，并假设人在场景中的面积为其前景图像所占像素的数目，令场景中参考人所占的面积为S。

w、h分别为矩形的宽和高，M_ij∈{0,1},1表示前景，0表示背景。找到两个参考人质心所在位置，并过参考人的质心画一条水平线作为参考线。记距离摄像机近的参考线为记距离摄像机远的参考线为其具体标注过程如图3所示。当一个人从运动到时，该人在场景中的面积的变化率如下式所示。

假设直线上像素的质量为m_ab＝1，直线上像素的质量m_cd＝1/k。若直线l_i(0≤i≤H,H为图像的高)上的点距和的距离分别为d₁和d₂，由线性插值法可知直线l_i上的粒子质量为：

因为对于同一直线上的粒子的质量相同，所以图像中坐标为(i,j)的点的质量m_ij＝m_i(0≤j≤W,W为图像的宽)。

步骤1.2，首先用光流法求取粒子的水平以及垂直方向的速度u和v，然后根据步骤1.1求得粒子的质量信息，最后构建粒子动能模型为：

m_ij代表坐标(i,j)粒子的质量，(uv)_ij表示此粒子水平和垂直方向的合速度，其定义为：

步骤2，根据动能模型求取视频中每个运动粒子的动能，并对动能进行量化分级得到粒子的能级分布，然后求取粒子能级共生矩阵。

步骤2.1，将图像中粒子的运动看成电子的运动，并根据氢原子能级公式可得到某一能量的粒子所对应的能级为：

E_excited为激发态的动能，E_ground为基态的动能。并对能级l进行向下取整，以确保粒子所对应的能级都为整数。在正常状态下，人群运动速度较慢，运动粒子能量较低，因此粒子大多处在基态；异常状态下，人群发生跑动，粒子能量突然增大，粒子会跃迁到较高能级。

步骤2.2，由于灰度共生矩阵可以对图像中的像素分布进行很好的描述，因此得到每帧图像运动粒子的能级分布后，我们根据图像灰度共生矩阵的概念求得能级共生矩阵，并以此对人群运动粒子的能级分布进行描述。首先令Q是定义两个粒子能级彼此相对位置的一个算子；其次我们选取一段视频中的某一帧图像f，并计算出每个运动粒子所对应的能级；然后我们定义一个矩阵A，并令其元素a_ij是能级l_i和l_j的像素对出现在f中由Q所指的位置处的次数，1<i,j<L_max(Lmax为次帧图像中运动粒子的最大能级数)。则A为所求的能级共生矩阵。

进一步的，所述步骤3的具体步骤如下：

步骤3.1，根据公式(7)(8)(9)计算我们所求能级共生矩阵的一致性，熵和对比度三个描述算子的值的大小来对图像的能级分布进行描述。

其中，N是方阵A的行(或列)数。p_ij是满足Q所定义的关系的一个值为(l_i,l_j)的点对的概率估计。其定义为：

p_ij＝a_ij/n (10)

n是满足Q的能级对的总数，等于A的元素之和。这些概率的值域为[0,1]，且它们的和为1：

步骤3.2，通过分析三个参数的变化来分析人群行为，并用公式(12)求得的阈值来检测人群异常行为以及获得异常发生的时间。

实施例1：如图4，显示了一段行人由正常到异常状态的视频的检测结果曲线，从其变化趋势可以看出，当人群处在正常状态时，粒子能量大多处在基态，能级共生矩阵的熵以及对比度都比较低，相反其一致性比较高；当人群发生异常时，人群开始跑动，粒子跃迁到不同的能级，能级分布比较分散，能级共生矩阵的一致性值会迅速下降，而熵值以及对比度的值会迅速上升。我们设置三个描述子的阈值分别为0.8730、0.2994和0.0174，则三个描述子分别成功地在第679,680,680帧检测到异常的发生，并在第680帧进行报警提示。因此，利用能级共生矩阵的描绘子能够很好地对人群状态进行描述。

以上所述的实施例仅仅是对本发明的优选实施方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。