一种人群异常行为分析方法与流程

本发明涉及计算机视觉领域，特别是涉及一种人群异常行为分析方法。
背景技术：
：利用计算技术对场景中的人群行为展开自动分析是计算机视觉及公共安全相关领域的重要研究课题。目前，面向个体的行为分析还没有得到完全解决，对群体行为的分析由于受到诸多额外因素的影响则更加困难。现有研究中，对场景中的人群行为进行分析主要有两种不同的思路。一是“基于个体”的自底向上分析方法。通过将群体行为看作是个体行为的有机组合，在对群体行为进行分析时，首先对其中的个体展开检测及跟踪，然后根据个体运动轨迹的分析对异常行为作出推断。在分析中小规模人群的行为时，这类方法可以获得较为满意的分析结果。然而当场景中的群体目标规模越来越大，个体间的相互遮挡会严重影响检测及跟踪的表现，自底向上的行为分析方法就会面临很大的困难。另一类方法采用“全局性”的自顶向下分析思路，通过将群体目标看做一个整体，实现面向群体的目标跟踪。近年来在这方面的研究主要建立在利用粒子平移思路的基础上。通过在视频画面上平铺一层粒子，并让其按照光流场的约束进行运动，克服了密集人群场景下的目标检测及跟踪难题。在异常行为检测方面，主要是利用社会力模型计算粒子间的相互作用力，并通过相互作用力的异常实现对场景中所发生的异常行为的检测。进一步的利用HOG(HistogramofOrientedGradient，方向梯度直方图)特征描述子对特征点进行跟踪，并通过对常见行为预先建模的方式实现对群体行为的识别。有些方法从粒子点的轨迹展开建模分析，引入了混乱不变量以训练场景模型，实现了对异常行为的识别。还有通过引入粒子蜂群优化，改善社会力模型中相互作用力的计算，提高了对异常行为识别的准确率。以上方法虽然规避了个体检测的技术难题，但是在群体行为的表征方面仍然缺乏有效的建模思路，这使得其对人群行为的分析缺乏依据，对人群异常行为的检测存在较大的不确定性。技术实现要素：有鉴于上述现有技术所存在的缺陷，本发明的目的在于，提供一种人群异常行为分析方法，以解决上述问题。为了实现上述目的，依据本发明提出的一种人群异常行为分析方法，该方法包括：步骤一、采集监控场景图像，并以特征点形式对监控场景图像内群体目标进行跟踪；步骤二、通过计算特征点的位置变化来获取群体目标的运动信息；步骤三、根据时间信息以及所述群体目标的运动信息建立当前场景运动信息的三维统计直方图；步骤四、重复步骤一至三，对多个所述三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本；步骤五、将当前场景运动信息的三维统计直方图与预设的人群行为模式码本进行相似性度量，判断当前场景人群行为是否正常。本发明与现有技术相比具有明显的优点和有益效果。借由上述技术方案，本发明所公开的人群异常行为分析方法，对多个所述三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本。通过对群体运动特征的统计特性展开类聚分析，将具有代表性的行为模式从大量统计运动特征中挖掘出来，构成人群行为模式码本，成为对群体目标展开行为分析的重要依据，降低了对人群异常行为的检测的不确定性。此外，本发明所公开的人群异常行为分析方法以特征点形式对监控场景图像内群体目标进行跟踪，并对所述特征点进行动态层次类聚。以动态层次类聚的方法解决了特征点的“漂移”问题，巧妙的规避了人群场景中所面临的目标检测难题，实现了对群体运动特征的准确捕获。附图说明图1是本发明公开的一种人群异常行为分析方法示意图；图2是本发明对特征点进行动态层次类聚的示意图。具体实施方式为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的个人异常行为检测方法和系统的具体实施方式、步骤、结构、特征及其功效详细说明。实施例一本实施例公开了一种人群异常行为分析方法，如图1所示，该方法包括：步骤一、采集监控场景图像，并以特征点形式对监控场景图像内群体 目标进行跟踪。本实施例对人群行为的相关研究是将流体力学的建模方法应用于人群建模。其主要思路是将群体中的每个个体视作流体中的单个分子，当人群的规模足够庞大时，这种近似就能够准确的描述人群的行为。这种类比的思路在应对跟踪问题时同样适用。如果能够避免对单个目标的检测，以特征点的跟踪替代个体跟踪，也就巧妙的避开了人群中进行个体检测的难题。当特征点的密度选取适当时，由于其在运动趋势上同个体本身的相似性，特征点的运动就能够近似的反映个体运动状态。如果对整个人群场景都运用类似的方法进行跟踪，就可以实时的获得场景中人群的运动状态。这种近似的跟踪手段在应对单个目标时或许会存在一定误差，但当目标规模不断上升，从统计意义上讲误差所带来的影响会不断减小，因此可以客观的反映人群的运动状态。基于上述分析，本实施例中，在采集到监控场景图像后，以特征点形式对监控场景图像内群体目标进行跟踪，具体表现为：平铺一层网状粒子(即网格布点)在某一帧的输入图像上，在一个跟踪周期内，通过光流法对所述特征点进行跟踪。所谓的特征点是根据图像尺寸及网格密度，计算出网格中每个交叉点的位置(x,y)，这些位置的像素点即选取为特征点。这里提到的跟踪周期，是指网格布点的更新间隔T，一般取T＝0.6s，以帧率为25的视频为例，即每隔15帧图像，跟踪网格更新一次。跟踪网格的更新一方面保证所有新进入场景的物体都能得到有效的检测及追踪，另一方面，由于跟踪过程中存在特征点的丢失，通过更新可以对丢失位置进行有效补充。视频监控感兴趣的是进入场景的前景目标，对于前景外的区域，网格布点的方式存在一定的冗余，也因此带来了诸多不必要的计算。因此，本实施例中所述监控场景图像内群体目标进行跟踪过程，还包括：将监控场景图像内的运动目标与背景目标进行分离，提取运动目标。以减少特征点个数，有效缩小跟踪区域。本实施例可以通过混合高斯背景建模的方法将监控场景图像内的运动目标与背景目标进行分离，提取运动目标。进一步的，实际跟踪过程中会发现，由于网格布点的方式所选取的特征点并非通常意义上的角点(二维图像亮度变化剧烈的点或图像边缘曲线上曲率极大值的点)，因此在逐帧的检测过程中特征点会发生“漂移”，并逐步在某些角点位置聚集。这种汇聚一方面会导致有效跟踪位置的减少，另一方面由于网格更新会不断有新的特征点产生，特征点的总数在不断增加，给计算带来了很大的负担。基于此，通过引入动态的层次类聚，将距离小于终止阈值dth的特征点 合并，仅保留生存周期较长的特征点。假设在当前时刻场景中存在N个特征点，则初始类别数P＝N，当类间距离小于中止阈值时类聚结束。所以，本实施例所述以特征点形式对监控场景图像内群体目标进行跟踪过程，还包括：对所述特征点进行动态层次类聚。如图2所示，对所述特征点进行动态层次类聚的过程具体包括：步骤11、计算特征点下三角类间距离矩阵DP×P，其中，P为特征点的初始类别；步骤12、在距离矩阵DP×P中寻找最小的非对角线元素dmin＝di,j；步骤13、判断dmin是否大于终止阈值dth，若否(dmin≤dth)，则将dmin行列坐标(i，j)对应的类别合并为一类，类别数P减1，回到步骤11；若是(dmin＞dth)，则终止。动态层次类聚算法的距离矩阵如表一所示，动态层次类聚算法每次会将距离最近的两个类合并，并对距离矩阵进行更新。当算法终止时，每一类中生存周期最长的特征点会被保留，其他特征点会被删除。经过这样的处理，在有效去除特征点冗余的同时，也筛选出了比较有代表性的特征点。虽然随着网格布点的不断刷新，特征点会不断得到补充，以消除跟踪“盲区”，但在动态层次类聚算法的动态约束下，最终特征点的数量会逐渐趋于稳定。表一：G1G2G3G4G5G6G7G8G10G21.520G33.102.700G45.866.023.640G54.724.461.861.780G65.795.532.930.831.070G71.320.882.245.143.965.030G82.191.471.204.772.993.321.290本发明实施例以特征点形式对监控场景图像内群体目标进行跟踪，并对所述特征点进行动态层次类聚。以动态层次类聚的方法解决了特征点的“漂移”问题，巧妙的规避了人群场景中所面临的目标检测难题，实现了对群体运动特征的准确捕获。步骤二、通过计算特征点的位置变化来获取群体目标的运动信息。除彩色图像信息外，视频监控系统可以提供的其他信息非常有限。尤其是对于泛在的视频监控网络，由于不可能针对每一台摄像机进行标定，只能通过对监控视频的直接处理获得一些相对的信息。通过以网格布点的方式对场景中的群体目标进行跟踪，我们可以通过计算特征点位置的变化来获取群体目标的运动信息。所述运动信息包括个体瞬时速度幅值和相位。其具体计算过程为：通过光流法跟踪到第i个特征点当前时刻t的位置为t-1时刻的位置为计算当前时刻t，第i个特征点的个体瞬时速度：其中，为第i个特征点在t时刻、沿X轴方向的瞬时速度，为第i个特征点在t时刻、沿Y轴方向的瞬时速度。获取当前时刻t，第i个特征点的个体瞬时速度幅值获取当前时刻t，第i个特征点的相位在获得特征点运动方向的统计信息后，可以进一步计算场景运动复杂度(熵)Esce，该参数为无量纲数值，反映了场景中群体行为的混乱程度，其计算公式为：式中Q为运动方向划分区间的个数，为在时刻t该区间样本所占所有区间样本的百分比。在进一步给定部分先验信息(譬如场景的大概规模)的前提下，再加以一些行人的特征检测，利用特征点的运动特征还可以估计一些额外的信息，例如场景中的个体数量P及有效前景区域。除上述运动信息外，所述运动信息还包括：个体瞬时加速度、个体平均速度、个体平均加速度、场景平均瞬时速度和场景平均加速度。其中，当前时刻t与t-1时刻速度的变化程度，即当前时刻t，第i个特征点的个体瞬时加速度的计算过程为：其中，为第i个特征点在t时刻、沿X轴方向的瞬时加速度，为 第i个特征点在t时刻、沿Y轴方向的瞬时加速度。对于特征点而言，其个体平均速度反映了通常情况下特征点的运动情况，在某些应用中相较于瞬时速度或瞬时加速度更具参考价值。对个体平均速度的计算，需要计算过去若干时刻其瞬时速度的平均值。为消除差分方程相邻相加带来的前后抵消，在计算平均运动速度时，考虑过去M个时刻的瞬时运动速度，采取间隔抽样策略。所以，M个时刻，第i个特征点的个体平均速度：其中，为第i个特征点在M个时刻、沿X轴方向的平均速度，为第i个特征点在M个时刻、沿Y轴方向的平均速度，δj为奇偶标识位：M个时刻，第i个特征点的个体平均加速度的计算过程为：其中，为第i个特征点在M个时刻、沿X轴方向的平均加速度，为第i个特征点在M个时刻、沿Y轴方向的平均加速度，δj为奇偶标识位。当前时刻t，所有特征点(特征点群)的场景平均瞬时速度可以通过计算当前时刻各特征点速度的均值得到：其中，N为特征点个数，为所有特征点在t时刻、沿X轴方向的场景平均瞬时速度，为所有特征点在t时刻、沿Y轴方向的场景平均瞬时速度。当前时刻t，所有特征点的场景平均加速度可以通过计算当前时刻各特征点加速度的均值得到：其中，N为特征点个数，为所有特征点在t时刻、沿X轴方向的场景平均加速度，为所有特征点在t时刻、沿Y轴方向的场景平均加速度。上述运动信息综合起来即可表示第i个特征点在时刻t，包含个体瞬时速度、个体瞬时速度幅值、相位、个体瞬时加速度、个体平均速度、个体平均加速度以及生存周期(Ti)的运动信息集合假设在时刻t场景中的存在N个跟踪点，以Zt表示跟踪点的集合，则：步骤三、根据时间信息以及所述群体目标的运动信息建立当前场景运动信息的三维统计直方图。在运动信息集合中提取瞬时速度幅值和相位信息，则该步骤具体包括：计算在t时刻，整个场景特征点群速度幅值均值和方差其中，N为特征点的个数。根据统计规律，大部分样本一般分布在其均值左右的三倍标准差范围之内，因此可以获取所述特征点群速度幅值均值的分布区间[Vmin,Vmax]：在区间[Vmin,Vmax]中，以统计直方图的形式，考察场景中跟踪点速度幅值均值的分布特性。从并行计算简便性的角度，直方图的维数K一般取2的整数次幂，其选择标准：一是要使样本值在区间内分布尽可能均匀，避免因K值过小导致的分布特性不明显；二是要避免K值过大而导致的对噪声干扰过于敏感。根据对样本的观察，本实施例取K＝16，即可以较好的满足上述两个条件，由此可以获取所述特征点群速度幅值均值分布区间的划分间隔：其中K为直方图的维数。按照所述特征点群速度幅值均值分布区间对所述第i个特征点个体瞬时速度幅值进行投票，则有：通过统计落入每个区间的特征点的数量，并将其记录在统计直方图中，就获得了个体瞬时速度幅值的统计直方图。计算所述特征点群相位均值和方差获取所述特征点群相位均值的分布区间[θmin,θmax]：相位均值的分布区间一般在-1.6弧度到1.6弧度的范围内。获取所述特征点群相位均值分布区间的划分间隔：其中K为直方图的维数。按照特征点群相位均值分布区间对所述第i个特征点相位进行投票，则有：统计落入每个特征点群速度幅值均值分布区间和特征点群相位均值区间的特征点个数，并记录，生成包括个体瞬时速度幅值和相位的统计直方图；在M个时刻内，按照时间顺序延展所述包括瞬时速度和相位均值的统计直方图，构建关于时间、速度幅值和相位的三维统计直方图H(k)，k＝1,...,K的初始值均为0。步骤四、重复步骤一至三，对多个所述三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本。视频监控中，对大规模人群展开行为分析的核心在于对其运动趋势作出合理的解读。通过网格布点的跟踪方法，对群体目标的跟踪有效规避了个体检测的难题，并获得了大量特征点的运动数据。这些数据间接反映了群体目标的运动趋势，在不同的人群场景下，群体的运动趋势存在一定的差异，如何对其进行有效的挖掘，成为群体行为分析的关键。本实施例从特征点群的统计运动特性出发，提出了基于人群统计运动特征建模的群体行为分析方法。通过对场景中特征点群的运动特征分布进行合理的分析，从大量的统计运动特征中将具有代表性的运动模式挖掘出来，形成人群行为模式的码本。所述人群行为模式的码本为群体目标的行为分析提供了衡量基准。通过从行为模式的相似性出发，将群体行为的建模问题转化为模式分类问题，也降低了问题的复杂度。如果将统计直方图看作高维空间中的某个特征点，其在空间中的分布应当符合某些规律。例如，某火车站视频的视频长度约为4000帧，取前500 帧作为训练数据，用层次类聚的方法，考察训练视频中统计直方图信息的空间分布情况。考虑到统计直方图的特征维度并不高，故采用欧几里德距离作为特征点间的距离度量。所以，步骤四具体包括：重复步骤一至三，获取多个三维统计直方图H(k),k＝1,...,K。对于统计直方图而言，其满足其中N为特征点个数，则对三维统计直方图H(k),k＝1,...,K按照欧几里得距离进行归一化：k＝1,...,K，消除特征点个数N变化对直方图统计量的干扰；计算任意两个当前场景三维统计直方图Hi(k)和Hj(k)间的欧几里德距离Di,j：根据所述欧几里德距离Di,j对所述三维统计直方图进行层次类聚。按照三维统计直方图间的距离关系，高维空间中的特征点可以通过层次类聚的方法逐渐归结为少数几类。如果将每一类样本通过其类聚中心进行表征，这些类聚中心就反映了场景中群体目标的某些特定行为。对这些行为模式的挖掘，成为人群行为分析的关键。层次类聚是一种无监督的、数据驱动的数学方法。由于无法给出场景中人群行为模式的具体数量，随着人群场景的不同，群体行为模式的数量也存在一定差异。因此，需要通过设计合理的类聚准则，获得尽可能客观的类聚结果。对不同场景而言，类聚算法中止阈值的设定依赖于对树状分析图的仔细研究。过高的中止阈值会导致行为模式的表征趋于笼统，而过低的中止阈值则会因类聚中心的增多导致单个行为模式的代表性下降，并容易受到噪声的干扰。事实上，在对人群行为进行实际分析时可以发现，场景中具有显著样本数优势的群体行为模式一般为3到5个。其余行为模式由于样本数较少，并不具备较强的代表性。因此，在进行类聚分析时，本实施例通过人为指定类别个数M的方式替代基于中止阈值的类聚方法。设定类别个数为M，选取E个三维统计直方图，E>M>3，则按照层次类聚算法cluster有：TE×1＝cluster(AE×K,M)；其中，E为三维统计直方图样本数量，TE×1为记录类聚结果的E×1列向量，AE×K为多个所述三维统计直方图矩阵，K为三维统计直方图维数。获得当前场景人群行为模式中符合所述层次类聚规则的代表性行为模式三维统计直方图：H1，H2，H3，...，HM；则前场景人群行为模式码本CBsce为：CBsce＝{H1,H2,H3,…,HM}。人群行为分析的主要难点在于缺乏有效的衡量标准。通过对统计运动特征数据展开类聚分析，可以从大量原始数据中将具有代表性的统计直方图挖掘出来。可以看出，这些统计直方图反映了场景中出现的某些特定的人群行为，本实施例将这些具有代表性的行为模式收集起来，在之后的应用中，便以此为基准对场景中出现的人群行为作出衡量。人群行为模式码本是场景中最具代表性的人群统计运动特征的集合。同类聚准则一致，人群行为模式码本中共包含M个统计直方图，不足部分以零向量H0补齐。步骤五、将当前场景运动信息的三维统计直方图与预设的人群行为模式码本进行相似性度量，判断当前场景人群行为是否正常。人群行为模式码本为基于视频监控的人群行为分析提供了衡量的基准。在获得场景的人群行为模式码本之后，对于每一个采集到的当前场景三维统计直方图Hi，首先利用人群行为模式码本与当前场景三维统计直方图Hi的欧式距离对样本进行分类：即，计算当前场景三维统计直方图Hi与人群行为模式码本向量CBsce＝{H1,H2,H3,…,HM}间的欧几里得距离，并选取具有最小欧几里得距离的人群行为模式码本向量CBsce(f)：minfEuDistance(CBsce(f),Hi)，即前场景三维统计直方图Hi与具有最小欧几里得距离的人群行为模式码本向量CBsce(f)为同一类。计算人群行为模式码本向量CBsce(f)与当前场景三维统计直方图Hi间的巴氏距离d(Hi,Hf)：其中，Hf为人群行为模式码本向量CBsce(f)所对应的三维统计直方图，K为直方图维数。人群行为模式码本向量CBsce(f)与当前场景三维统计直方图Hi间的巴氏距离即作为当前场景三维统计直方图Hi与人群行为模式码本向量CBsce(f)间的相似性度量，其取值范围为[0,1]。所述巴氏距离d(Hi,Hf)的值越小，当前场景三维统计直方图Hi与人群行为模式码本向量CBsce(f)间的相似性越高。比较所述巴氏距离d(Hi,Hf)和预设阈值，若所述巴氏距离d(Hi,Hf)不大于预设阈值，则判定当前场景人群行为正常；若所述巴氏距离d(Hi,Hf)大于预设阈值，则判定当前场景人群行为异常。其中，所述阈值的设定是通过对正常人群场景展开视频分析估算的，本实施例中所述阈值为2倍的任意两个三维直方图间巴氏距离的平均值。本发明所公开的人群异常行为分析方法，对多个所述三维统计直方图进行层次类聚，获取具有代表性的三维统计直方图，构成人群行为模式码本。通过对群体运动特征的统计特性展开类聚分析，将具有代表性的行为模式从大量统计运动特征中挖掘出来，构成人群行为模式码本，成为对群体目标展开行为分析的重要依据，降低了对人群异常行为的检测的不确定性。虽然本发明已以较佳实施例揭露如上，然并非用以限定本发明实施的范围，依据本发明的权利要求书及说明内容所作的简单的等效变化与修饰，仍属于本发明技术方案的范围内。当前第1页1 2 3