基于集群轨迹分类的集群场景智能监控方法及系统的制作方法
【技术领域】
[0001] 本发明设及计算机视觉领域，是一种基于跟踪算法和主题模型，通过对监控设备 拍录的监控视频的图像序列进行自动分析，对动态场景中的目标进行定位、识别和跟踪，并 在此基础上分析和判断目标的行为，从而做到能够进行日常管理，又能预测异常行为，并且 及时对异常行为进行报警W及应急处理。与传统智能监控系统相比，本发明能够应用于各 种场景，尤其是集群场景，具有智能化强，应用广的优势。
【背景技术】
[0002] 随着社会的发展，各类恐怖袭击和危险暴力犯罪越来越严重的威胁国民的生命财 产安全，有效地打击各类犯罪和有效的预防制止恐怖袭击是各个国家关注的核屯、问题。针 对该一核屯、关注问题，监控视频可W有效的记录犯罪和恐怖袭击现场，为相关部分预防预 警W及事后的调查取证工作，提供有效的视频数据和线索。
[0003] 针对监控视频的智能化处理有=个关键的问题；（1)监控视频作为大数据的一个 典型代表，及时有效的传输极为重要，及时是指低延迟的使得观察者所见即所得，有效的传 输指的是视频在不丢失视频帖和保持高分辨率的情况下，仍然可W实现高效传输（2)来自 监控的网络的多个视频监控设备的数据往往需要保存数日，甚至数月，对于存储介质和压 缩技术来说都是一个不小的挑战，同时，有效的存储方案和压缩技术使得监控系统的成本 大幅下降（3)经过传输和存储，真正产生价值的是智能视频监控系统最核屯、的部分一一数 据的智能分析，该里的智能，主要就是指对视频场景W及场景中目标的行为进行数学建模， 根据目标的静态信息（外形、穿着）和动态信息（轨迹、步态、动作）进行行为识别，可自动 捕获异常行为，对于集群场景来说，智能分析还包括了有效的检查和分析集群的运动模式， 同时自动分析集群内部个体之间的交互行为。
[0004]目前，随着网络技术的推进，监控视频的传输和保存都得到了大幅度的改进，但 是，由于对于监控视频的智能分析没有得到有效地解决，造成了只能监控系统的发展瓶颈。
[0005] 另一方面，近些年随着计算机的普及和计算机视觉大发展，计算机是各行各业必 不可少的工具。本发明所需要的硬件设备仅仅是一台计算机和一个摄像监控设备，使用者 无需增添任何设备，大大增强了系统使用的便利性。
【发明内容】
[0006] 本发明目的在于提出一个基于集群轨迹分类的集群场景智能监控方法及系统，由 计算机对监控视频进行智能分析。
[0007] 本发明提出了一种基于集群轨迹分类的集群场景智能监控方法，其包括如下步 骤：
[000引步骤1 ;采用跟踪算法对监控视频中的运动目标进行定位、识别和跟踪，获取场景 中运动目标轨迹；
[0009]步骤2;采用全局一致马尔科夫随机场模型寻找时空一致的不同运动目标轨迹， 利用生成树算法对所述时空一致的不同运动目标轨迹构造能量最大完整轨迹；
[0010] 步骤3 ;采用基于置信关联主题模型对所构造的能量最大完整轨迹进行建模，并 根据所建模型学习所述能量最大完整轨迹的中层特征，并利用学习得到的中层特征对所述 能量最大完整轨迹进行重描述；
[ocm] 步骤4;采用多类支持向量机分类器对利用中层特征重描述后的能量最大完整轨 迹进行分类；
[001引步骤5 ;基于置信的关联主题模型和多类支持向量机分类器训练的模型，利用最 小信息滴算法确定所述能量最大完整轨迹中每一条运动目标轨迹的类别。
[0013] 本发明还提高了一种基于集群轨迹分类的智能监控系统，其包括：
[0014] 目标跟踪模块；采用跟踪算法对监控视频中的运动目标进行定位、识别和跟踪，获 取场景中运动目标轨迹；
[0015] 能量最大完整轨迹构造模块：采用全局一致马尔科夫随机场寻找时空一致的不同 运动目标轨迹，利用生成树算法对所述时空一致的不同运动目标轨迹构造能量最大完整轨 迹；
[0016] 能量最大完整轨迹特征表达模块；采用基于置信关联主题模型对所构造的能量最 大完整轨迹进行建模，并根据所建模型学习所述能量最大完整轨迹的中层特征，并利用学 习得到的中层特征对所述能量最大完整轨迹进行重描述；
[0017] 能量最大完整轨迹分类模块：采用多类支持向量机分类器对利用中层特征重描述 后的能量最大完整轨迹进行分类；
[0018] 运动目标轨迹分类模块；基于置信的关联主题模型和多类支持向量机分类器训练 的模型，利用最小信息滴算法确定所述能量最大完整轨迹中每一条运动目标轨迹的通道类 另IJ。本发明有益的效果是；实现了监控视频的智能分析，并且针对复杂混乱的集群场景，同 样能够达到准确有效的智能分析，提出一种从低级视觉线索（由时间轴连续的轨迹点（如 位置、速度等）构成的轨迹片段）通过构造中层特征（可视化在场景中就是"通道"）检测 到高级语义（运动目标的行为，如"从A口入B口出"）的方法。
【附图说明】
[0019] 图1是本发明中集群场景智能监控方法流程图；
[0020] 图2是场景结构先验图，2(a)为纽约火车站场景，2(b)为交通十字路口场景；
[0021] 图3是本发明中完整轨迹和片段轨迹的示意图；
[0022] 图4是本发明中轨迹连接后的示意图；
[0023] 图5是本发明中基于置信的关系主题模型的图模型；
[0024] 图6是利用本发明进行智能分析得到场景中集群运动的通道图，其中图6(a)为纽 约火车站场景，图6(b)为交通十字路口场景。
【具体实施方式】
[0025] 为使本发明的目的、技术方案和优点更加清楚明白，W下结合具体实施例，并参照 附图，对本发明作进一步的详细说明。
[0026] 图1示出了本发明提出的一种集群场景智能监控方法流程图。如图1所示，该方 法包括：
[0027]步骤1、目标跟踪；采用跟踪算法，加入场景先验信息，对监控设备获取的监控视 频中的运动目标进行定位、识别和跟踪，获取场景中的多运动目标轨迹；
[002引步骤2、轨迹连接；采用全局一致马尔科夫随机场寻找时空一致的不同轨迹，利用 生成树算法构造能量最大完整轨迹；
[0029] 步骤3、特征描述；采用基于置信的关联主题模型炬eliefbasedCorrelated TopicModel，BCTM)建模，对所构造的最大完整轨迹进行中层特征描述，学习得到相应的中 层特征描述的轨迹；
[0030] 步骤4、完整轨迹分类：采用多类支持向量机分类器训练，对通过基于置信的关联 主题模型学习得到的特征轨迹进行分类；
[0031] 步骤5、轨迹分类；用基于置信的关联主题模型和多类支持向量机分类器训练的 模型，利用最小信息滴算法确定完整轨迹中每一条轨迹的类别。
[0032] 一、下面结合附图和实施例对本发明提出的上述方法作详细描述。
[0033] 步骤1、目标跟踪；该步骤中采用跟踪算法对监控视频中的运动目标进行定位、识 别和跟踪，获取场景中运动目标轨迹；该步骤中采用关键点跟踪器，加入监控场景的先验信 息，获取连续的视频图片帖中多运动目标的运动轨迹；
[0034] 关键点跟踪化3113(16-山033-1'〇1]133；[，化1')作为一种目标跟踪器被广泛应用于目 标跟踪，可选地，本发明利用该种跟踪器获取监控视频中运动目标的轨迹。当然，本发明其 他实施例中还可W选择使用其他类型的跟踪器，用于获取监控视频中运动目标的轨迹。
[0035] 利用KLT跟踪器获取监控视频中运动目标的轨迹包括：
[0036] 步骤11、首先把监控设备录制的监控视频通过现有的视频转换程序转换成时间轴 上连续的视频图片帖。
[0037] 步骤12、采用关键点跟踪器算法获取时间轴上连续的视频图片帖中运动目标的运 动轨迹。一条轨迹可W表示为；{1，（S，h)，（Xti，yti，ti)，. . .，（Xt。，yt。，t。)}，其中，1 是轨迹 长度，即轨迹包含轨迹点的个数，表示轨迹点的ti时刻运动目标的位置为（Xti， Yti)，（s，h)表示轨迹进口和出口的信息。
[003引如图2(a)和2(b)所示，其分别是纽约火车站场景和交通场景的结构图，楠圆区域 是场景的进出口区域。轨迹的初始点