和终止点所属的区域即为其进口和出口，若轨迹的初 始点或者终止点不在任何楠圆区域内，称该轨迹为不完整轨迹，进出口用0表示，相反，若 轨迹起始点和终止点在进出口区域内，轨迹为完整轨迹。
[0039] 如图3所示，最右边的轨迹起始点在区域2,终止点在区域7,其进出口用（2, 7)表 示；最左边前方轨迹的起始点在区域2,终止点不属于任何区域，其进出口用（2,0)表示；最 左边后方轨迹的进出口用（〇,〇)表示。=条轨迹中只有最右边的轨迹是完整轨迹，最左边 的两条轨迹均是不完整轨迹。
[0040] 步骤2、轨迹连接；该步骤中，采用全局一致马尔科夫随机场寻找时空一致的不同 轨迹，利用生成树算法对所述时空一致的不同轨迹构造能量最大完整轨迹；
[0041] 运动目标轨迹完整时，才能对其进行有效的智能分析，但是，在复杂混乱的集群场 景，跟踪器获取到的轨迹大部分都不完整，轨迹过短不能直接进行建模，因此，采用全局一 致马尔科夫随机场模型的生成树算法通过不同目标的不同轨迹构造完整轨迹，该里的完整 轨迹是由时空一致的不同目标的不同轨迹连接构成，简称为"轨迹树"，轨迹连接的示意图 如图3所示。
[00创步骤21、轨迹片段i的起始点(x:，y;巧日结束点(x:'，y:)的速度分别用V;=(嗟，《.)和V:二(《，《)表示，公式（1)定义了任意两条轨迹片段的时空一致性关系
[0043]
【主权项】
1. 一种基于集群轨迹分类的智能监控方法，其包括如下步骤： 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； 步骤2 :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； 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； 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； 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 息熵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。
2. 根据权利要求1所述的基于集群轨迹分类的智能监控方法，其特征在于，步骤1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帧中多运动目标的运动 轨迹。
3. 根据权利要求1所述的基于集群轨迹分类的智能监控方法，其特征在于，步骤2具体 包括： 步骤21 :建立每条运动目标轨迹的时空一致性邻域轨迹集； 步骤22 :在所建立的时空一致性邻域轨迹集中，寻找一条能量函数最大的完整轨迹， 将其作为能量最大完整轨迹。
4. 根据权利要求1所述的基于集群轨迹分类的智能监控方法，其特征在于，步骤21中， 当且仅当满足公式（1)中如下三个条件的任意两条运动目标轨迹属于同一个时空一致性 邻域轨迹集：
其中，<、0、G分别表示第i运动目标轨迹的开始时间和第j运动目标轨迹的开始 和结束时间；<、W分别表示第j运动目标轨迹的起始点坐标X和y、夂分别表示 第i运动目标轨迹的结束点坐标X和y;G表示第j运动目标轨迹的结束点速度，K表示 第j运动目标轨迹的起始点速度；T，S，C分别为预先确定的控制时间、空间和速度方向一致 性程度的参数。
5. 根据权利要求4所述的基于集群轨迹分类的智能监控方法，其特征在于，步骤22中， 任意两条运动目标轨迹的能量利用如下函数计算：
其中，c、ff、ROTS、分别表示第i运动目标轨迹的起始速度、终止速度、平均 速度以及轨迹i的k个邻域轨迹集的平均速度，W(j，i)表示第j轨迹与第i轨迹连接的能 量。
6. 根据权利要求1所述的基于集群轨迹分类的智能监控方法，其特征在于，步骤3包 括： 步骤31 :采用基于置信的关联主题模型对所述能量最大完整轨迹进行建模；其中，对 所述能量最大完整轨迹所建的模型分三层，底层输入为能量最大完整轨迹上的轨迹点，高 层为整个能量最大完整轨迹，中层为用于描述所述能量最大完整轨迹的中层特征； 步骤32 :根据所述能量最大完整轨迹上的每个轨迹点构造对其所建模型的底层输入 词项： word=V*((H/10)*(W/10)) + (x/10)*(H/10) + (y/10) 其中，H，W分别是监控视频图像帧的高度和宽度，（x，y)是轨迹点的坐标值，v是轨迹 点的速度，word是轨迹点的词项； 步骤33 :利用所构造的底层输入词项求解对所述能量最大完整轨迹所建模型，进而获 得对应所述能量最大完整轨迹的中层特征；中层特征如下获得：
其中，0k就表示第k个中层特征表示；巾ki表示词项w在第i能量最大完整轨迹中属 于中层特征ek的概率，％#表示词项w在第i能量最大完整轨迹中出现的次数。
7. 根据权利要求1所述的基于集群轨迹分类的智能监控方法，其特征在于，步骤4中如 下利用多类支持向量机分类器对能量最大完整轨迹进行分类： 每个能量最大完整轨迹表示为一个K维特征向量$ = (W/pW/2,…，其中nfi表 示能量最大完整轨迹X中包含中层特征fl的个数；y表示轨迹类别，将所述监控视频表示 为^^化^以七^-…如^/^其中又能量最大完整轨迹^是能量最大完整轨迹的类 别标号，将其作为多类支持向量机分类器的输入，分类器通过寻找类别之间的最大边界，唯 一确定每条能量最大完整轨迹的类别。
8. 根据权利要求1所述的基于集群轨迹分类的智能监控方法，其特征在于，利用如下 公式计算能量最大完整轨迹中每条运动目标轨迹的类别：
其中，表示第i运动目标轨迹的类别，tree(i)表示第i运动目标轨迹所属的能量最 大完整轨迹构成的集合，H(p)是表示第i运动目标轨迹属于所述集合tree(i)中能量最大 完整轨迹P的信息摘，n表示能量最大完整轨迹p对应的所有词项个数，巾j表示所述所有 词项中第j个词项属于所述能量最大完整轨迹P对应中层特征的概率。
9. 根据权利要求1所述的基于集群轨迹分类的智能监控方法，其特征在于，利用步骤5 中获得的运动目标轨迹的类别对所述集群场景进行智能监控。
10. -种基于集群轨迹分类的智能监控系统，其包括： 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； 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； 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； 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； 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，利用最小信息熵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别。
【专利摘要】本发明公开了一种基于集群轨迹分类的集群场景智能监控方法及系统，所述方法包括：首先，采用关键点跟踪算法获取监控视频中运动目标的运动轨迹；然后采用全局一致马尔科夫随机场模型的生成树算法，对具有时空一致性的片段轨迹进行连接，得到完整的轨迹树；接下来，采用基于置信的关联主题模型学习轨迹树的中层特征并对其进行重描述；再接着，基于中层特征的描述的轨迹树，采用多类支持向量机分类器对轨迹树进行分类；最后，利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，采用最小信息熵算法对每一条片段轨迹进行分类。本发明设计了一套完整的集群场景中的智能监控系统，代替人工对集群场景监控视频的分析，节约人力资源，系统鲁棒性好。
【IPC分类】H04N7-18, G06K9-62
【公开号】CN104717468
【申请号】CN201510100197
【发明人】焦建彬, 崔妍婷, 邹佳凌, 万方, 叶齐祥, 韩振军
【申请人】中国科学院大学
【公开日】2015年6月17日
【申请日】2015年3月6日