一种基于多特征聚类及分类的人群异常检测与评估方法
【技术领域】
[0001] 本发明涉及一种基于多特征聚类及分类的人群异常检测与评估方法。
【背景技术】
[0002] 随着社会经济的飞速发展，大规模的人群活动日益增多，在某些环境下如娱乐活 动、体育赛事、宗教仪式、庆祝活动、交通路口等，常常会聚集大量人群。随之而来的公共安 全问题的日益突出，公共区域发生突发性群体异常事件的可能性日益增大，极易导致人群 秩序混乱、拥堵、踩踏等公共安全事故。
[0003] 为了应对日益严重的公共场所人群安全事故，视频监控是有效的公共安全监控手 段，且视频监控在交通管理、公安、银行及其他公共场所中已经得到广泛使用。虽然视频监 控技术应用日益广泛，但是大量的视频数据使得单独靠人来识别或处理数据变得十分困 难。在计算机视觉技术快速发展的今天，视频人群场景的分析与检测技术越来越受到人们 关注，成为当前计算机视觉领域亟需解决的关键问题。
[0004] 经过对现有文献的查阅及分析，专利号为201110090467. 6的基于改进的社会力 模型的异常集群行为检测方法采用社会力学构建人流运动整体模型。该专利避免了局部 特征跟踪带来的麻烦及人体遮挡带来的困境，实现人群异常检测与异常定位。专利号为 201310483906. 9的一种基于微行为分析的密集人群异常行为检测方法，该专利能够准确辨 别平行、鞍点、瓶颈、源头、环形和源头等人群特征。
[0005] 然而现有技术仍存在以下问题：
[0006] 1.现有的检测技术针对人群的不同状态进行无差别的分析。事实上，稀疏人群的 运动具有相当的随机性，而密集人群的运动则相对有较强的规律性。传统上单一的特征对 运动人群的描述能力相较多特征而言较差，并且单一的人群分类算法也难以适应复杂的运 动人群异常检测。
[0007] 2.现有的技术主要集中在人群异常现象发生后的检测算法领域。而在异常现象发 生前，比如在人群踩踏和拥挤事故发生前往往伴随人群逐渐异常积累的现象，现有技术缺 乏对缓慢渐变异常现象的检测能力，从而无法提前疏导交通及对人群进行预警。
【发明内容】
[0008] 本发明针对上述现有技术中存在问题，提出了一种基于多特征聚类及分类的人群 异常检测与评估方法，可在复杂环境下对人群异常状态进行检测与评估，以实现对突发事 件进行检测和预警的目标。
[0009] -种基于多特征聚类及分类的人群异常检测与评估方法，包括以下步骤：
[0010] 步骤1 :从视频中提取每一帧原图像，并对原图像进行预处理；
[0011] 所述预处理包括对原图像进行前景与背景的分割以及对原图像与分割图像进行 分块；
[0012] 所述前景，即相对于静止背景的运动物体；
[0013] 步骤2 :对步骤1进行预处理后的图像进行视频图像参数计算；
[0014] 所述视频图像参数包括全局前景速度、子块前景边缘长度、子块前景面积、子块人 群密度估计值及子块速度；
[0015] 所述全局前景速度是利用像素跟踪手段求解每一帧图像中每一个前景像素（X，y) 的运动速度包含全局前景速度的幅值与全局前景速度的方向Θ
[0016] 所述子块前景边缘长度是利用前景边缘处像素突变的特点，使用局部微分算法检 测子块内前景像素突变区域总长度，获取边缘长度length ;
[0017] 所述子块前景面积是统计子块内前景像素个数，从而获得子块前景面积area ;
[0018] 所述子块人群密度估计值，是通过子块前景面积和边缘长度按照以下公式计算获 得 P = kXarea+bXlength+const ;
[0019] 其中，k，b，const分别为面积比例系数、边缘长度比例系数和常数系数；通过收集 大量已知人群密度P的运动视频并计算视频中的的area，l ength参数，再利用已知的人群 密度P和计算出的area及length参数通过最小二乘拟合求出三个系数；
[0020] 所述子块速度是将子块内每一前景像素的速度％_进行矢量求和后，得到的子块 平均运动速度P i包含子块速度幅值Pj与子块速度方向Φ ;
[0021] 步骤3 :基于步骤2得到的视频图像参数进行基于图像子块的人群多特征提取；
[0022] 所述基于图像子块的人群多特征包括每个图像子块的人群流量特征与速度直方 图特征；
[0023] 所述人群流量特征，是先计算图像子块人群流量值f，由当前子块及其8邻域子块 的人群流量值共同组成该子块的η维特征向量总，:^ = U, A…每个图像子块对应的η 维特征向量中各图像子块的人群流量值排列顺序一致；
[0024] 所述人群流量特征，是用来描述子块内较密集人群运动的一组向量；
[0025] 所述速度直方图特征，是将子块内前景像素速度方向均匀划分为m个方向区 间，每一区间的范围为角度θ，〇° <θ〈 = 45°，且;然后依次对属于区间θρ β !/Jr··./?丨的所有前景像素进行速度幅值求和得到Γι，由构成m维的特征向量R"，
[0026] 所述速度直方图特征，是用来描述子块内较稀疏人群运动的一组向量；
[0027] 所述人群流量值，为子块内人群密度P与子块速度幅值|f|的乘积，即/ = px|f|;
[0028] 步骤4 :利用图像子块的人群多特征进行聚类；
[0029] 步骤5 :利用从已知状态的视频图像提取的图像子块人群多特征聚类结果，对SVM 分类器进行训练，采用已训练的SVM分类器对步骤4获得的聚类结果进行基于图像子块的 SVM分类器异常检测，当SVM分类器输出的异常检测结果大于或等于0. 6时，则判定当前图 像子块存在异常；
[0030] 所述图像子块的状态包括正常、微异常、异常发生、运动突变、运动聚集和运动逃 散，且在SVM分类器中的输出结果分别定义为0,0. 2,0. 4,0. 6,0. 8,1。
[0031] 所述微异常通常指速度方向、大小不同于正常人群的异物闯入，如快速行进的自 行车，高速奔跑的个别行人，但并没有对其他人构成影响；
[0032] 所述异常发生通常指人群流量、速度已经出现变化，但是通常变化均值幅度不超 过正常的30% ;
[0033] 所述运动突变是指人群流量、速度在5秒钟之内已经出现超过30%的变化，且保 持进一步变化的趋势；
[0034] 所述运动聚集和逃散是异常发生后的两种稳定状态，一种表现为人群大面积聚集 状态，另一种表现为人群四处逃散状态，通常情况下四处逃散状态危险度最高。
[0035] 根据图像子块人群多特征计算图像的人群状态系数对人群异常状态进行评估，具 体步骤如下：
[0036] 步骤A :将步骤2所获取的全局前景像素速度幅值和方向由小到大分别划分为n' 个区间和m'个区间，构建人群状态矩阵W ;
[0037]
[0038] 其中，a(i，j)表示在i方向上以速度j运动的前景像素出现的频率，即
nu为在i方向上以速度j运动的像素个数，N为图像前景像素个数；
[0039] m' <=m，n' > = 3;
[0040] 步骤B :分析人群状态矩阵的熵；
[0041] 令当前帧为第t'帧，采用滑动平均法预测第t' +1帧人群状态矩阵的熵Ent%
[0042] 同时，利用人群状态矩阵的熵的计算公式
，计算第 C +1帧人群状态矩阵的熵为Entt, +1;
[0043] 获取下一帧图像的人群状态矩阵的熵的预测差值AEnt = IEnti-Entt, +11 ;
[0044] 【若人群始终保持稳定，则每次计算的Δ Ent~0,若人群出现异动，则Δ Ent将逐 渐增大。】
[0045] 步骤C :当步骤5中没有检测到任何图像子块存在异常时，人群状态系数 coefficient = Δ Ent，当该值超出范围0~0. 4时，表示可能存在危险，该值越大，表示可 能存在的危险越大；
[0046] 可根据人群状态系数大小发出安全预警信号；
[0047] 当步骤5中检测到有图像子块存在异常时，人群状态系数 Coerricicnl=ZtiAfzir + ^ Y ：
[0048] 【其范围为辩雜ed幽<F 】
[0049] 其中，f为利用步骤5中已训练好的SVM分类器对当前帧图像中所有图像子块人 群多特征进行分类后输出结果的均值；
[0050] 输出结果权重λ2与检测到的异常子块数目相关，
A1为下一帧图像 的人群状态矩阵的熵的预测差值权重，A1= 1-λ 2;
[0051] 当前图像包含MXN个子块，经过SVM分类器检测到其中的L个子块异常。
[0052] M和N的取值依据当前摄像机的焦距而定，且保证每一个子块能够包含1到5个运 动行人。
[0053] 采用背景模型对图像进行前景与背景的分割；
[0054] 将任意像素对应的灰度值X带入背景模型公式计算出该点属于背景的概率ρ (X)， 若判决条件Ρ(χ)>ε成立，0.5$ ε〈1，则当前像素为背景像素，赋予标签0,反之则为前景 像素，赋予标签1，完成如景分割；
[0055] 所述背景模型为混合高斯模型：
[0056] 其中，