基于图像的人群聚集状态检测方法
【技术领域】
[0001] 本发明属于人群聚集状态检测领域，更为具体地讲，涉及一种基于图像的人群聚 集状态检测方法。
【背景技术】
[0002] 随着经济持续稳定发展，城市公共场所作为经济文化的主要载体承担着越来越多 的商业活动、娱乐活动、文化活动、交通运输活动，体育活动、宗教活动等，每一次活动都伴 随着大量的人群聚集。近年来，城市公共场所事故、灾害、突发重大事件的风险性逐步增大 已成为一种客观趋势，其中，由人群聚集引发的事故发生频率也在迅速增加。
[0003] 面对严峻的形势，如何有效地减少事故发生，控制事故发展，降低事故伤亡后果是 一个重大的科研课题和社会课题。通过对人群聚集与人群动力学属性的研宄，可以为公共 场所大型人群聚集活动中的人群管理和人群疏散提供理论指导，达到预防、控制和减缓人 群聚集事故的目的。因此，对该问题进行深入的研宄具有重要的现实意义，同时其应用前景 也十分广泛，比如公共安全领域的人群示威游行、暴乱、踩踏事故、火灾等。
[0004] 聚集是指具有一定数量个体的群体同时趋向于某一地点，构成人群聚集状态需要 满足两个条件，第一，要求每个个体运动趋向性保持一致，运动趋向性保持一致包括个体从 四周向同一地点聚集，或个体以同样的速度趋向向同一地点聚集。第二，要求每个个体运动 保持同时性。人群聚集现象的本质特征是一定数量的自主个体通过关联作用和自组织，在 集体层面上呈现出有序的协同运动和行为，这种行为可以使群体表现出相同的集体的"意 向"或"目的"。
[0005] 在具有中高密度人群的场景中，大量的人相互碰撞会导致相互影响、相互遮挡等 问题，而且视频中人群个体目标大小不一，他们所展现出的个体行为趋向也更为多样化，这 些都使得人群聚集检测变得十分复杂。
[0006] 目前，传统的基于轨迹或基于像素统计等人群聚集检测算法主要存在以下缺陷： 1)检测的群体对象非常局限，并且主要局限于小群体聚集研宄。2)不能准确判断群体状 态。3)不能定量衡量群体聚集状态。
【发明内容】
[0007] 本发明的目的在于克服现有技术的不足，提供一种基于图像的人群聚集状态检测 方法，通过结合人群聚集度和人群速度协同判断人群聚集状态。
[0008] 为实现上述发明目的，本发明基于图像的人群聚集状态检测方法包括以下步骤：
[0009] Sl:获取被检测场所的监控视频图像作为检测样本，将其中若干张图像的平均图 像作为背景图像；
[0010] S2 :根据步骤Sl得到的背景图像对每帧监控视频图像提取特征点并进行跟踪，记 当前监控视频图像t中和前一帧监控视频图像t-1匹配的有效特征点数量为n，特征点集C =[Pl，P2...Pn];根据n个特征点在监控视频图像t和前一帧监控视频图像t-1中的坐标计 算得到第m个特征点的速度1 = ，m的取值范围为m= 1，2,. ..，n;根据各个特 征点的速度计算得到人群的平均速度V;
[0011]S3 :根据每个特征点的速度（'m，uy，J进行聚类，记聚类数量为c;
[0012] S4 :对步骤S3得到的每个聚类分别计算群体聚集度，群体聚集度的计算包括以下 步骤：
[0013] S4. 1 :根据特征点坐标之间的距离，采用KNN算法得到聚类中每个特征点的K个邻 接特征点集合；
[0014]S4. 2:根据步骤S4. 1中得到的各个特征点的邻接特征点集合建立当前聚类的人 群网络图Gk，k是聚类的序号，取值范围为k= 1，2,. . .，c，每个特征点作为人群网络图中的 节点，特征点与其邻接特征点连接，与其非邻接特征点不连接；
[0015]S4. 3:计算各个特征点之间的行为相似度，对于特征点i，特征点j与其行为相似 度wt(i，j)的计算公式为：
【主权项】
1. 一种基于图像的人群聚集状态检测方法，其特征在于，包括以下步骤： 51 :获取被检测场所的监控视频图像作为检测样本，将其中若干张图像的平均图像作 为背景图像； 52 :根据步骤Sl得到的背景图像对每帧监控视频图像提取特征点并进行跟踪，记当前 监控视频图像t中和前一帧监控视频图像t-Ι匹配的有效特征点数量为n，特征点集C = [PpPfPn];根据η个特征点在监控视频图像t和前一帧监控视频图像t-Ι中的坐标计算 得到第m个特征点的速度t m的取值范围为m = 1，2,…，η ;根据各个特征 点的速度计算得到人群的平均速度V ; 53 :根据每个特征点的速度（ux i，Uy i)进行聚类，记聚类数量为c ; 54 :对步骤S3得到的每个聚类分别计算群体聚集度，群体聚集度的计算包括以下步 骤： S4. 1 :根据特征点坐标之间的距离，采用KNN算法得到聚类中每个特征点的K个邻接特 征点集合； S4. 2 :根据步骤S4. 1中得到的各个特征点的邻接特征点集合建立当前聚类的人群网 络图Gk，k是聚类的序号，取值范围为k=l，2, ···，(：，每个特征点作为人群网络图中的节点， 特征点与其邻接特征点连接，与其非邻接特征点不连接； S4. 3 :计算各个特征点之间的行为相似度，对于特征点i，特征点j与其行为相似度 wt(i，j)的计算公式为：
其中，Ct(i，j)是特征点i和j的速度夹角余弦值，N(i)指特征点i的K个邻接特征点 集合； 将行为相似度(i，j)作为人群网络图Gk中对应两个特征点连线的权重，从而得到加 权邻接矩阵Wk; S4. 4 :计算聚类的群体聚集度?k，的计算公式为：
其中，Nk表示聚类k中特征点的数量，e为单位列向量，上标T表示转置，I为单位矩阵， z为预设的常数，取值范围为0 < z < I/ P (Wk)，P (Wk)表示Wk的谱半径； 55 :计算整体群体聚集度Φ，计算公式为：
56 :设置平均速度阈值Vt、群体聚集度阈值ΦΤ1和Φ T2，并且ΦΤ1< Φ T2，根据平均速度 V和整体群体聚集度Φ得到当前人群聚集状态，分为以下六种情况： 如果V < VT，Φ < ΦΤ1，人群聚集状态为低速低聚集度； 如果V彡VT，ΦΤ1< Φ彡Φ Τ2，人群聚集状态为低速中聚集度； 如果V < VT，Φ > ΦΤ2，人群聚集状态为低速高聚集度； 如果V > ντ，Φ < ΦΤ1，人群聚集状态为高速低聚集度聚集度； 如果V > ντ，ΦΤ1< Φ彡Φ Τ2，人群聚集状态为高速中聚集度； 如果ν>ντ，Φ > ΦΤ2，人群聚集状态为高速高聚集度。
2. 根据权利要求1所述的人群聚集状态检测方法，其特征在于，所述步骤S2中特征点 提取和跟踪采用基于KLT的特征点跟踪法。
3. 根据权利要求1所述的人群聚集状态检测方法，其特征在于，所述步骤S2中平均速 度V的计算公式为
4. 根据权利要求1所述的人群聚集状态检测方法，其特征在于，所述步骤S3中特征点 聚类的方法为Mean shift聚类算法。
【专利摘要】本发明公开了一种基于图像的人群聚集状态检测方法，首先对特征点提取和跟踪，根据特征点在前一帧和当前帧监控视频图像的坐标计算特征点的速度，根据速度对特征点进行聚类，对每个聚类分别计算群体聚集度，然后计算整体群体聚集度，最后根据预设的速度阈值和群体聚集度阈值得到当前人群聚集状态。本发明可以用于不同场景的人群聚集状态检测，利用时变拓扑网络图与图论模型分析人群聚集状态，能够定量衡量聚集度，并且通过结合人群聚集度和人群速度协同判断人群聚集状态，便于应对处理。
【IPC分类】G06K9-62, G06K9-00
【公开号】CN104680140
【申请号】CN201510076652
【发明人】于力, 张鸽, 邹见效, 徐红兵
【申请人】电子科技大学
【公开日】2015年6月3日
【申请日】2015年2月13日