中高密度人群的异常状态检测方法
【技术领域】
[0001] 本发明属于人群聚集状态检测领域，更为具体地讲，涉及一种中高密度人群的异 常状态检测方法。
【背景技术】
[0002] 随着人们生活水平的提高以及精神文化需求的发展，规模大而高度密集的人群随 处可见：商场、寺庙、火车站以及各种各样庆祝活动中。这些公共场所具有的空间有限，却常 常出现人山人海、熙熙攘攘的景象，其背后隐藏着巨大的安全隐患，其中，游行、群殴、踩踏 等性质严重的人群异常状态发生频率更是在迅速增加，给人们的生命财产安全带来了严重 的损害。因此面对严峻的形势，如何有效的预防人群异常状态的发生、控制事故发展是一个 重大的科研课题和社会课题，此外，中高密度人群异常状态的检测具有极大的现实意义，可 以应用到公共安全领域中，及时发现检测区域的异常状态，最大限度减少公众的人身与财 产损失。
[0003] 中高密度人群的异常状态检测与低密度或个体的异常行为检测有着显著的不同。 中高密度场景中大量的人相互影响导致冲突、碰撞发生的频率更高，运动目标目标模糊、相 互遮挡，并且不同人员的行为方式也更为复杂，这些都使得中高密度人群状态的检测更为 复杂。
[0004] 目前，传统的人群异常状态检测算法主要存在以下不足：1)检测的群体对象非常 局限。一方面，局限于某个或某种场景下的人群异常状态检测；另一方面，局限于小群体聚 集研宄，如场景中整体或局部的人群目标人数不多于50个，且经常性人群密度小于lp/m 2。 2)算法本身参数复杂，参数的选择是否得当，直接影响算法的检测结果。3)算法往往受限 于行人间的遮挡、拥挤、低分辨率等因素，并且忽视了行人间的相互作用。
【发明内容】
[0005] 本发明的目的在于克服现有技术的不足，提供一种中高密度人群的异常状态检测 方法，基于图分析法进行人群状态分析，实现对人群疏散状态、人群聚集状态和人群骚乱状 态三种人群状态的检测。
[0006] 为实现上述发明目的，本发明中高密度人群的异常状态检测方法，包括以下步 骤：
[0007] S1 :获取被检测场所的监控视频图像作为检测样本，将其中若干张图像的平均图 像作为背景图像；
[0008] S2 :根据步骤S1得到的背景图像对每帧监控视频图像提取特征点并进行跟踪，记 当前监控视频图像t中和前一帧监控视频图像t-1匹配的有效特征点数量为n，特征点集C =[PuPfpJ ;根据n个特征点在监控视频图像t和前一帧监控视频图像t-1中的坐标计 算得到第i个特征点Pi的速度i的取值范围为i = 1，2,…，n ;
[0009] S3 :对步骤S2得到的特征点进行图分析，得到特征点的行为一致性，具体步骤为：
[0010] S3. 1 :根据特征点坐标之间的距离，采用KNN算法得到聚类中每个特征点的K个邻 接特征点集合；
[0011] S3. 2 :根据步骤S3. 1中得到的各个特征点的邻接特征点集合建立的人群网络图 G，每个特征点作为人群网络图中的节点，特征点与其邻接特征点连接，与其非邻接特征点 不连接；
[0012] S3. 3 :计算各个特征点之间的行为相似度，对于特征点Pi，特征点&与其行为相似 度wt(i，j)的计算公式为：
[0014] 其中，Ct(i，j)是特征点pJPh的速度夹角余弦值，N(i)指特征点个邻接 特征点集合；
[0015] 将行为相似度《t(i，j)作为人群网络图G中对应两个特征点连线的权重，从而得 到加权邻接矩阵W;
[0016] 33.4:计算得到矩阵2 = (1-^)-1-1，其中1为单位矩阵，2为预设的常数，取值 范围为0 < z <1/P(Wk)，P (Wk)表示Wk的谱半径；矩阵Z中的元素z(i，j)为特征A Pi 与h的行为一致性；
[0017] S4 :对矩阵Z进行阈值化处理，得到二值矩阵Y，其方法为：
[0019] 其中，y(i，j)表示二值化的一致性，e表示预设的阈值；
[0020] S5 :基于一致性进行特征点聚类，具体步骤包括：
[0021] S5. 1 :从二值矩阵Y中剔除与其他所有特征点的元素y (i，j) = 0的特征点，将剩 余的特征点构成集合P';
[0022] S5. 2 :令特征点类的序号M = 1 ;
[0023] S5. 3:初始化类集合CM为空集，从P'中取出一个特征点记为p/加入类CM，遍历 P'中其他所有特征点，判断各特征点与P/的二值化一致性是否等于1，如果是，则此特征 点属于类C M，否则不属于类CM;然后继续以类C M中新增特征点为基准，判断集合P'中其他 所有特征点与新增特征点的二值化一致性是否等于1，如果是，则此特征点属于类C M，否则 不属于类CM;如此循环，直到类c M不再有新增特征点为止；
[0024] S5.4:令P' =P' -CM，判断P'是否为空集，如果是，聚类结束，此时的M即为聚 类数量，如果不是，令M = M+1，返回步骤S5. 3。
[0025] S6 :计算人群聚集度〇,计算公式为：
[0027] 其中，W'表示M个聚类中所有特征点的邻接矩阵，e表示单位列向量，n'表示M 个聚类中包含的特征点的总数；
[0028] 计算M个聚类中所有特征点的平均运动速度大小，作为人群运动强度V;然后计算 M个聚类中所有特征点的运动方向方差，作为人群运动方向方差〇，
[0029] S7:如果人群聚集度、人群运动强度、人群运动方向方差和人群聚类数量分别满足 以下条件，则该监控视频图像中的人群状态为人群疏散状态：监控视频图像t-a到当前监 控视频图像t的人群聚集度增加幅度AO = Ot-〇t_a> On，On为人群聚集度增幅阈 值，a表示预设的监控视频图像间隔帧数；监控视频图像t-a到当前监控视频图像t中 平均人群运动强度
，VT表示监控视频图像t的人群运动强度，VT表示预 设的人群运动强度阈值；监控视频图像t-a到当前监控视频图像t中平均人群运动方向 方差
，〇 T表示监控视频图像t的人群运动方向方差，〇 n表示预设的 人群运动方向方差阈值；监控视频图像t-a到当前监控视频图像t中平均人群聚类数量
，MT表示监控视频图像t的人群聚类数量，|^表示预设的人群聚类数 量阈值；
[0030] 如果人群聚集度、人群运动强度、人群运动方向方差和人群聚类数量分别满足以 下条件，则该监控视频图像中的人群状态为人群聚集状态：监控视频图像t-a到当前监控 视频图像t的人群聚集度增加幅度AO > On;监控视频图像t-a到当前监控视频图像t 中平均人群运动强度^ ;监控视频图像t_ a到当前监控视频图像t中平均人群运动方 向方差crn ;监控视频图像t_ a到当前监控视频图像t中平均人群聚类数量叔>
[0031] 如果人群聚集度、人群运动强度、人群运动方向方差和人群聚类数量分别满足以 下条件，则该监控视频图像中的人群状态为人群骚乱状态：监控视频图像t-a到当前监控 视频图像t中平均人群聚集度
，其中〇12表示预设的人群聚集度阈值； 监控视频图像t_ a到当前监控视频图像t中平均人群运动强度;监控视频图像t_ a 到当前监控视频图像t的人群聚集度增加幅度A o = 〇t-〇t_a> o T2, 〇T2表示人群运动 强度增幅阈值；监控视频图像t-a到当前监控视频图像t中平均人群聚类数量及> M,。
[0032] 本发明中高密度人群的异常状态检测方法，首先对特征点提取和跟踪，根据特征 点在前一帧和当前帧监控视频图像的坐标计算特征点的速度，然后采用图分析得到特征点 间的行为一致性，基于行为一致性剔除离散点，对剩余特征点进行聚类，然后计算聚类中所 有特征点的人