例，如图10对运动目标团块M提取 团块边界，根据图5的步骤S502获得坐标轴、坐标原点（1，1)(图中小黑原点）、观察窗（图 中2*2大小的矩形窗口，其中观察窗内的数字为观察窗的编号）及矩形目标区域（图中虚 线所围区域）。之后，根据步骤S503选取编号为1的观察窗1作为初始观察窗先沿X轴后 沿Y轴进行遍历。如图10所示的MaxX为10，MaxY为9,根据图5中步骤S504至步骤S506 可得在遍历第一行时，图10中既包含目标像素又包含背景像素的边界观察窗的编号为6、 7、8,在得到第一个边界观察窗6时，将其放入数组L中，得到第二个边界观察窗7时，由于 跟前一个边界观察窗编号连续，则顺序放入数组L中，同理编号为8的边界观察窗的编号 也放入数组L中，当第一行遍历完成后，根据步骤S507将数组Z分为左中右三段，将数组L 中的6、7、8 (即起始边界观察窗）放入数组Z的左段，然后进行第二行的遍历。由步骤S504 至步骤S506可得在第二行遍历时，图10中的边界观察窗的编号为13、14、15、17、18、19,进 行临时存放时，首先遍历到的第一个边界观察窗13放入数组L中，14和15因为与前一个边 界观察窗编号连续，所以顺序依次放入数组L中，17由于与前一个边界观察窗编号中断，所 以放入数组R中，同理18和19也放入数组R中。当第二行遍历完成后，根据步骤S507将 数组Z中剩余的空间进行左中右三段的分段，将编号数组R放入数组Z的左段，数组L放入 数组Z的右段。以此类推，直至第MaxY行遍历完成。此时，数组Z中存放的边界观察窗的 编号依次为包括 6、7、8、17、18、19、29、39、49、58、57、56、55、65、76、86、95、94、93、92、91、81、 71、61、51、41、31、21、22、13、14、15。需要注意的是，在存放55、56、57、58时，通过检查前一 次存放的编号49,可以知道边界观察窗按顺时针的连续性应该是49、58、57、56、55相连接， 才能保证边界曲线的光滑性，因而将当前要存放的数组R中的编号，按从大到小的顺序存 放如数组Z的左段。通过该方法即可完成对团块的封闭区域边界观察窗的提取，将数组Z 中存放的编号对应的观察窗的中心像素点依次连接，即得到完整无空洞团块的边界。完成 对团块边界的提取后，就可以对边界内的区域进行团块面积、长宽比及像素点的计算。
[0071] 这里，需要进一步说明的是，本方法中用到的数组L、R及Z可以是一维数组，也可 以是二维或多维数组，甚至可以是其他方式如栈或列表，主要是为了实现将获取到的边界 观察窗的编号按顺时针方向排列，从而根据顺时针方向上的边界观察窗编号勾勒出区域边 界。因此，凡是能够通过将边界观察窗编号顺时针依次存放的实现手段，都属于本发明的保 护范围。
[0072] 步骤S104 :对每个团块内的像素点根据目标距离摄像头的远近赋值一个权重。 [0073]目前大部分的聚众异常行为检测方法需要对运动物体进行跟踪，基于单个运动目 标或者一组运动目标，关注其动态信息，如光流量变化、运动速度变化、方向变化和角度变 化等。本发明将动力学能量用来检测运动目标的行为特征，当物体运动速度增大或密度增 大时，其具有的动力学能量也随之增强，可用于判断打架、斗殴、聚众等场合。
[0074] 传统计算视频中帧的能量的方式是通过统计二值化图像运动目标像素点的个数， 但由于运动目标距离摄像头的远近不同，二值化图像运动目标的像素点的个数不同。为了 保证每个运动物体无论距离摄像头远近，其自身的固有能量大小保持不变，本发明为每一 个像素点引入一个权值其中，yij为像素点（i，j)的纵坐标，a和b为常量，取 决于摄像头的位置和视频帧的大小。本发明的实施例中，设置b为视频帧的宽除以高，a的 值根据训练集学习计算。
[0075] 步骤S105 :计算像素点的能量。
[0076] 通过公式ei]= λ ι]Π 1ι]计算每个像素点的能量。其中，mi]为像素点的值，如果我们 只关注检测出的二值化前景运动目标，则对前景像素点1?取值为1，对于背景像素点取值 为Oo
[0077] 步骤S106 :计算视频帧能量。
[0078] 每一帧视频帧的能量为，由此即可计算获得每一帧视频帧的能量 (也即运动目标的能量）。
[0079] 步骤S107 :沿时间轴方向获取视频帧图像中每点的N个样本。
[0080] 从视频序列中提取出有效的运动特征（团块的面积、长宽比和能量）后，要进行行 为建模，包括背景建模和聚众识别指标建模。本发明采用基于核密度估计的背景建模方法， 首先选定N帧视频图像序列帧图像作为样本，然后沿着时间轴方向，图像中每点都存在N个 样本，利用这些历史样本信息就能针对全图中的每个像素点建立一个背景模型。
[0081] 步骤S108 :依据样本点构造核函数。
[0082] 使用xl，x2，…，组成的一个像素的样本集合{xi} (i = 1，2, "·，Ν)来估计像素的 像素强度的总体概率分布。由此，像素强度X的概率描述可表示为
其中，Κ。为核函数，其窗宽为〇。从非参数核密度估计理论可知Ρ(χ)是以样本集合为中心 的核函数的均值。若样本数量满足足够多时，那么对该点的核密度估计最终可以收敛于该 点的实际概率密度函数。由像素强度X的概率描述公式可以说明，估计像素强度X的概率 的过程可认为是X和Xi的函数的一种平均，每一样本对像素强度的估计所起的作用依赖于 它到X的距离，由此也可看出此时核函数的本质作用是内积。
[0083] 步骤S109 :采用样本方差来计算核函数的窗宽。
[0084] 从像素强度X的概率描述表示可以看出在进行背景建模时，还有一个重要的变量 (核窗宽σ)需要确定。统计理论中可知，当一个像素点的历史样本数目趋向无穷多时，这 时对该点的样本估计会接近总体分布。但是实际中，我们取的样本数目不会无限多，那么在 样本有限的情况下，就应该在对应情况下选择合适的窗宽。窗宽σ的选取会对分布造成 不同的影响，如果窗宽的取值太小，就会使样本的概率密度分布比较尖突，产生欠光滑的现 象；如果取值太大，相对应又会使分布过于平滑。
[0085] 为了选取适当的窗宽，本发明通过计算全部相邻样本差的绝对值|xi+1_Xil，对 其取中值作为带宽，并假定样本服从了正态分布，即X~Ν(μ，〇2)，则从正态分布的 性质，可以得出（X1+1-Xl)~Ν(μ，。2)。由此，通过正态分布的对称性和中值特性可得
通过查正态分布表，可知上侧0. 25处分位数Φ ( μ。.25) = 0. 68， 再由样本中位数m得到窗宽σ为：
[0086]由此估计得出的核窗宽，计算上无需保存样本绝对差和排序绝对差来得到中位 数，时间消耗上要小的多。并且，在实际应用中，所有样本并不是都是服从正态分布的，故采 用样本方差来计算核窗宽更符合实际情况。
[0087] 步骤SllO :计算视频帧所有运动目标的离散程度Η。
[0088] 根据信息熵的定义，X轴方向和Y轴方向的熵分别表示为H(X)和H(Y)，则其计算 公式分别为
其中，Px⑴和以2)是 通过步骤S108的公式估计得到的概率。H(X)和H(Y)分别描述前景目标在X轴方向和Y轴 方向的离散特性。而整幅图像的离散特性通过联合熵H表示，前景运动目标分布越离散， 则联合熵H越大。由于X轴方向和Y轴方向的变量相对独立，因此图像的联合熵为H(X)和 H(Y)的乘积。
[0089] 步骤Slll :依据E和H构建聚众事件指标模型I。
[0090] 本发明通过运动目标能量Ef和运动目标的离散描述信息熵H表示聚众识别指标 I。由于能量越大，表示聚集程度越大，越趋近于聚众行为，则可知指标I与能量Ef成正比。 而信息熵越大，表示离散程度越大，运动目标分布越分散，则可知指标I与信息熵H成反比。 又，能量Ef对聚众行为影响较大，且熵可能为0或者小于1，据此构建计算聚众识别指标的 CN 105184815 A 说明书 9/10 页 公式为
[0091] 步骤S112 :获取聚众指标I的值，判断I的值是否大于预定阀值，大于阀值则确定 为聚众事件，小于则获取下一帧视频图像，进行步骤SlOl至步骤Slll的检测处理，直至所 有帧都处理完毕。
[0092] 通过步骤Slll构建聚众事件指标模型后，即可通过公式计算获取聚众指标I的 值。之后，将指标I与预定的阀值进行比较，如果大于阀值即确定为聚众事件，进行聚众异 常事件报警（如将异常信息通过手机客户端软件或手机短信推送相关人员等）。如果不大 于阀值，则结束当前帧的检测，继续对下一帧视频图像进行步骤SlOl至步骤Slll的检测处 理，直至所有的视频帧都处理完毕。
[0093] 本发明通过提供一种基于信息熵和团块能量的检测方法，引入熵的概念，对聚众 异常事件进行分析检测和异常报警，在视频检测处理中无需关注运动目标的动态信息，仅 通过计算二值化图像的熵和运动物体像素的能量，就可以识别聚众行为，降低计算的复杂 度，且克服摄像头距离远近对像素分布的不良影响，能够实现快速有效分析聚众行为和多 人互殴的异常事件。并且，智能视频处理技术中对聚众行为事件的检测和识别，将对视频 监控行业产生重大影响，尤其能够大力降