度：
[0032]
(1)
[003引其中二;I，巧r。和rj,分别是他们量化后的数值。社会力量函数Fs(r) 和量化距离r成反比，有多种形式，可W是线性函数、分段函数和多项式函数。本文使用的 是 Fs(l-r)n, n = 10。
[0034] (3)对场景中任意两个不同的人计算能够表示他们之间交互程度的权值，聚集在 一起形成了权值矩阵wei曲t matrix(WM)。此外，本文建议关注一个时间段内[t-T+l,t]的 人群分组情况，把时间段[t-T+l，t]内所有的WM考虑进来，做个简单相加，得到condensed wei曲t matrix(cWM)。cWM(i, j)越大，表示个体i和j在时间段[t-T+1, t]内存在交互的 可能性就越大。
[0035] 步骤13.基于社会力量模型量化动态个体之间社会交互程度。具体的操作过程 有：
[0036] (1)社会力量模（Social Force Model)是一个描述目标对象运动趋势的数学模 型，在该个模型中，每个人的运动轨迹受周围个体和环境的影。用集合P= 表示 场景中所有的动态个体。每个人i会受到一个力。。尽管。不是物理意义上的力，但它 会像一个真正的力一样不断的改变着i该个人的位置X,4日速度V,':
[0039] Xt包含场景中所有运动个体的位置信息，S表示帖差，r表示视频的帖率.
[0040] 似社会力。的参数Q咱；部分组成，Q {日，巫t,巧。第一个参数0表示 人群的动态变化特性，为已知参数。第二个参数，巫'表示了人的运动轨迹特征，例 如运动方向和速度，可W由XH十算出。第S个参数Gt表示人群分组的情况。接下来，我们 用。狂t，Gt)代替。狂t，Qt)，意味着人群分组Gt是未知的，而其他参数或是已知或是能够 从位置信息计算出Xt。
[0041] (3)在已知每个人的轨迹信息的条件下，本文使用合成聚类算法去推断未知变量
[00创该算法在时间t输入为跟踪位置信息X' ，Z;表示了个体i在时间t前 后一段时间内的一系列位置，原因是如果只使用当前时间的位置信息X,'，不足W推测参数 (同样未知需要计算）。合成聚类算法输出不是直接的人群分组Gt，而是一个权值矩阵， 每对个体之间的权值越大，表示他们属于同一个群体的可能性越大。
[0043] 步骤2.检测人群分组：
[0044] 步骤21split阶段；根据量化后的每两个人之间的交互关系，也就是权值矩阵中 相应的权值，设定一个阔值，只要两个人之间的权值大于阔值，就把该两个目标人物分到一 个小的子组里面，该样场景中的人就被分为若干个小的子组。用集合N= 表示 场景中静态人或者动态人，首先寻找无向权值图中的所有满足条件的子组：
[0045] S= {(ij) |W(iJ) > 0，i G N，j G N} (4)
[0046] 0表示阔值，W(i，j)是i和j之间的权值。
[0047] 步骤22merge阶段；对上一步产生的所有子组进行合并，只要两个子组有交集，就 把该两个子组合并成一个较大的子组：
[0048] S = if S r\^丰巧 (5)
[0049] 步骤23不停的迭代上一步骤，直到最后形成的子组之间交集为空，那么最后的每 个子组就表示检测出了一个人群分组，对于最后无向权值图中不属于任何子组的孤立的顶 点，表示场景中不属于任何人群进行单独活动的个体。图3表示了基于split-merge策略 进行无向权值图的例子，本例中阔值设定为0. 1。
[0化0] 本发明的有效性可通过W下仿真实验进一步说明：
[0051]Collectivity Activity dataset是目前使用较多的群体行为识别数据库，由于 它表示了一个较为真实视频监控场景，更具说服力，所W本文采用了该个数据库作为实验。 它包含了 44个视频序列，一共5种比较普遍的群体行为（排队，谈话，走路，过马路，等待）。 另外作为进行人群分组检测的基准数据库，本文还采用了 Coffee化eak dataset数据库，该 个数据库包含了两个序列，表示了一个主要进行交谈活动的视频监控场景。在进行实验结 果估计时，本文采用一种标准的估计方式；如果检测出来的一个群组包括[(2/3. |G|)] W 上的成员，那么就认为成功检测出了一个人群分组，其中|G|是真实数据中一个群组所包 含的成员数量。对所有的序列，本文计算查全率（precision) W及召回率（recall) W及他 们的平均值
[0化2]表1 [0053]
[0化4] 实验结果可W通过图4及表1观测到。表1给出了两个数据库识别率，可W看出 在Coffee化eak dataset数据库上，本文的方法虽不是最好，但是依然好于大多数人群分组 检测算法，能够说明基于split-merge策略的人群分组检测算法在一定程度时有效的。值 得注意的一点是，该个数据库只包含谈话该种群组，而本文的方法是面向更一般的场景。而 数据库Collectivity Activity dataset包含了排队，走路，等待该种更普遍的群组。图4 表示了本文方法在数据库Collectivity Activity dataset上检测的实例，第一行表示一 个排队的场景，第二行表示一个谈话的场景，虚线内表示的是真实的人群分组情况，实线所 标注的表示各个方法的实验结果，可W看出本文方法不再局限于检测谈话，而适用于更一 般的场景，可W检测不同的人群分组，例如排队，等待，开会，走路等。
[0055] 上面描述仅是本发明的一个具体实施例，显然在本发明的技术方案指导下本领域 的任何人所作的修改或局部替换，均属于本发明权利要求书限定的范围。
【主权项】
1. 基于split-merge策略的人群分组检测方法，其特征是，该方法包括如下步骤： 步骤1将视频监控场景中的个体分为动态和静态两种，分别以社会距离模型和社会力 量模型为基础，模拟量化场景中个体之间的交互关系；对于动态、静态这两种状态的人，最 后分别用一个权值矩阵把所有量化后的交互关系聚集在一起； 步骤2将场景中的个体以及个体之间的交互关系用无向权值图来表示，检测人群分组 的问题就转化为对无向权值图的聚类问题，采用基于spI it-merge策略的方法对无向权值 图进行聚类。2. 根据权利要求1所述的人群分组检测方法，其特征是，所述步骤1具体包括： 步骤11根据场景中人物的轨迹特征，以及人物的轨迹变化情况，将场景中所有的个体 分成动态、静态两种状态； 步骤12对于状态为静态的目标人物，基于社会距离模型（Social Distance Model)，根 据每个人的人脸方向以及位置，分别定义其社交区域；根据社交区域的分布情况，量化两个 人之间的交互关系；对场景中的目标两两计算，最后用一个权值矩阵表示所有静态人之间 的交互关系程度； 步骤13对于状态为动态的目标人物，基于社会力量模型（Social Force Model)来 模拟量化人之间的交互关系，最后同样用一个权值矩阵表示所有动态人之间的交互关系程 度。3. 根据权利要求2所述的人群分组检测方法，其特征是，所述步骤2具体包括： 步骤21split阶段：根据量化后的每两个人之间的交互关系，也就是权值矩阵中相应 的权值，设定一个阈值，只要两个人的权值大于阈值，就把这两个目标人物分到一个小的子 组里面； 步骤22merge阶段：对上一步产生的所有子组进行合并，只要两个子组有交集，就把这 两个子组合并成一个较大的子组； 步骤23不停的迭代上一步骤，直到最后形成的子组之间交集为空，那么每个子组就表 示检测出了一个人群分组，对于最后无向权值图中不属于任何子组的孤立的顶点，表示了 场景中不属于任何人群的单独活动的个体。
【专利摘要】基于split-merge策略的人群分组检测方法，包括：将场景中的个体分为静态和动态两种，分别以社会距离模型和社会力量模型为基础，模拟量化场景中个体之间的交互；用无向权值图表示场景中的人群，每个顶点表示一个个体，顶点之间的权值表示两个个体之间的交互程度，检测人群分组的问题就转化为无向权值图聚类的问题，采用基于split-merge策略的方法对无向权值图进行聚类，进而寻找场景中的人群分组。检测人群分组在视频监控中有重要的应用价值，该方法在更一般的场景中能够取得很好的效果，比如对于难以检测的排队，也能成功检测，较之其他方法更具普遍性。
【IPC分类】G06K9/62
【公开号】CN104951806
【申请号】CN201510398790
【发明人】陈昌红, 陈乔, 刘峰
【申请人】南京邮电大学
【公开日】2015年9月30日
【申请日】2015年7月8日