CN109299700A - 基于人群密度分析的地铁群体异常行为检测方法 - Google Patents
基于人群密度分析的地铁群体异常行为检测方法 Download PDFInfo
- Publication number
- CN109299700A CN109299700A CN201811195154.5A CN201811195154A CN109299700A CN 109299700 A CN109299700 A CN 109299700A CN 201811195154 A CN201811195154 A CN 201811195154A CN 109299700 A CN109299700 A CN 109299700A
- Authority
- CN
- China
- Prior art keywords
- crowd
- characteristic point
- group
- feature
- density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 206010000117 Abnormal behaviour Diseases 0.000 title abstract description 7
- 230000033001 locomotion Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims abstract description 13
- 238000005381 potential energy Methods 0.000 claims abstract description 13
- 230000008859 change Effects 0.000 claims abstract description 12
- 230000005856 abnormality Effects 0.000 claims description 18
- 230000003542 behavioural effect Effects 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 13
- 230000001133 acceleration Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 230000008030 elimination Effects 0.000 claims 1
- 238000003379 elimination reaction Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 17
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000006872 improvement Effects 0.000 description 6
- 230000002547 anomalous effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010016275 Fear Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000505 pernicious effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了提供了一种基于人群密度分析的地铁群体异常行为检测方法,克服了现有技术中实时性较差,适应性不强,识别的异常情况单一的问题,通过群体密度特征和运动特征来进行群体异常行为的检测,使用群体密度估计算法提取群体密度特征与群体人数变化率,采用稀疏光流法提取群体平均动能和群体运动方向熵这两种运动特征,利用ORB特征点提取距离势能,将四种群体运动特征结合密度特征实现异常行为的检测,提高不同人群密度下的检测准确性,适用于不同的场景,效果明显,效果更高,且识别到的异常情况种类更多,便于轨道交通工作人员的管理和布局,是轨道交通智能监控技术领域的一大创新性突破。
Description
所属领域
本发明属于城市轨道交通智能监控技术领域,具体涉及一种基于人群密度分析的地铁群体异常行为检测方法。
背景技术
近年来,伴随着中国经济的飞速发展,轨道交通以其用地省、运能大、运行时间稳定、安全性等优势,逐步成为各大中型城市缓解交通压力,增加城市吸引力的重要途径,也是广大市民日常出行不可或缺的交通方式。与此同时,作为轨道交通的重要组成部分,地铁车站的安全问题却不容乐观。地铁车站具有场景复杂,客流流动性大、密度高等特征,这些都给***带来了较大难度,因此地铁车站成为群体性安全事件的高发、易发区域。2017年7月21日,深圳地铁7号线列车在皇岗村站进站时,车厢内一名乘客因不明原因奔跑,使人群受到惊吓引发恐慌,导致多名乘客受伤。同年9月15日,英国伦敦帕森格林地铁站发生***,多名乘客在***件中受伤,首相特蕾莎梅宣布将英国恐怖威胁级别调至最高级别“危急”。
地铁车站中发生***件常常会诱发大规模的危害,这些危害不仅会破坏人们的身体健康,还会带来巨大的公私经济财产损失。当影响公共安全的***件发生时,人们会本能的逃离危险,这时由于恐慌所导致的人群***件是具有灾难性的,通常由于人群的拥挤和踩踏会导致意外的死亡事故。因此,在地铁监控***中,如何有效的检测人群状态,预防拥挤导致的恶性***件,将已经发生的意外事件的带来的损失降到最低,这些都是亟待解决的难题。虽然像***等犯罪行为常常是突发的、难以预测和避免,但是由群体性活动造成的踩踏等事故是可以通过一些完善的管理手段来预防并减轻的。视频监控***不仅能够为人们提供用于监控目的的实时视频信息,也可以作为后续查找信息的一种工具。所以,作为一种方便且有效的监控手段,视频监控***已在交通,公共安全、银行等行业中被普遍的使用。与此同时,图像处理、机器学习、人工智能等众多学科技术的发展也保证了监控技术具有广泛性和卓越的科研和商业价值。
传统的视频监控***,仅仅是通过监控人员来监视众多的监控视频,进而发现视频中发生的异常事件,还不能拥有智能化和自动化的检测视频中异常事件的能力。这对于人们的需求来说是非常局限的。一方面,由于可用的人力资源是有限的且由于受人的精力限制,长时间枯燥的盯着监视屏会让人产生疲倦;另一方面,电视墙能展示的监控视频一定的,监控人员能有效观看并分析的摄像头的数量和时间也是有限的,这样往往造成错过很多重要的有用的信息。因此,目前实际应用中的监控***不能很好的分析并处理群体异常行为,这些众多的监控***只不过充当一个“事后查询”的工具而已。因此,需要改进原有的视频监控方法。目前,以智能视频监控***为代表的新一代安防技术辅助人工检查来识别潜在的危险,成为人们关注的热点。
传统异常行为检测算法存在实时性与鲁棒性不可兼得、误报率与漏报率较大、场景适应性较差、识别的异常情况单一等问题,这些问题都亟待解决。如何针对地铁场景实现检测算法的优化,对地铁站进出口、站内主要区域等人群流动较大、人群密度较高以及容易出现异常情况的区域,实时监控区域内群体运动情况,及时分析识别出群体异常情况并报警是一大难点。
发明内容
本发明正是针对现有技术中的问题,提供了一种基于人群密度分析的地铁群体异常行为检测方法,克服了现有技术中实时性较差,适应性不强,识别的异常情况单一的问题,通过群体密度特征和运动特征来进行群体异常行为的检测,使用群体密度估计算法提取群体密度特征与群体人数变化率,采用稀疏光流法提取群体平均动能和群体运动方向熵这两种运动特征,利用ORB特征点提取距离势能,将四种群体运动特征结合密度特征实现异常行为的检测,提高不同人群密度下的检测准确性,适用于不同的场景,效果明显,效果更高,且识别到的异常情况种类更多,便于轨道交通工作人员的管理和布局,是轨道交通智能监控技术领域的一大创新性突破。
为了实现上述目的,本发明采用的技术方案是:基于人群密度分析的地铁群体异常行为检测方法,包括如下步骤:
S1,帧图像预处理:所述预处理至少包括色彩空间的转换、噪声消除、图像增强及形态学处理;
S2,提取ORB特征点:
S21,提取oFAST特征点:对预处理后的帧图像进行金字塔采样,利用FAST算法检测出每一层图像兴趣点的位置,再利用Harris特征点检测评分方法排序所获得的特征点,选取其中N个最好的点,对获得的N个特征点,根据灰度质心法,计算出各个特征点的方向;
S22,提取rBRIEF特征:提取BREIF特征,把oFAST特征点的方向作为BRIEF的方向,进行旋转,得到steered BREIF,再利用贪婪学习算法,找出256个像素块对使其相关性最低,并构成所需的特征描述子,筛选出具有高方差和高不相关的steered BEIEF,即为rBRIEF;
S23,综合oFAST和rBRIEF描述形成ORB特征点。
S3,目标特征点提取与跟踪:利用金字塔Lucas-Kanade光流法计算特征点处的光流,获取运动目标信息;
S4,群体密度分析:利用改进的混合高斯背景模型提取ROI(Region Of Interest)内的二值前景面积,通过网格法矫正并更新二值前景面积,利用ORB特征点密度设定群体密度权重值,完成前景像素面积归一化,在不同权值范围内运用各自的最小二乘法拟合曲线估计出群体密度,并对密度进行分级;
S5,人群运动特征提取:所述人群运动特征包括:人群平均动能、人群运动方向熵、人群中个体间距离势能及个体平均加速度。
S6,异常行为检测:
S61,根据步骤S4得到的群体密度,排除低密度以及高密度人群情况;
S62,分析步骤S5提取的人群运动特征,实现对正常或异常情况分类。
作为本发明的一种改进,所述步骤S1中还包括将图像划分为不同大小网格的网格法来缓解透视畸变,所述网格的大小与该像素区域距离摄像机距离成反比,并赋予相应权值,统计加权后的像素特征。
作为本发明的另一种改进,所述步骤S21提取oFAST特征点进一步包括:定义任何一个特征点I(x,y)像素点的邻域像素矩为:
那么图像的质心坐标为:
则,特征点与质心的夹角为FAST特征点的方向:
作为本发明的另一种改进,所述步骤S22提取rBRIEF特征进一步包括:以每个特征点为中心:
其中,p(x)为x处的灰度值,则BRIEF描述子为:
将n个点对组成一个矩阵:
利用领域方向θ和对应的旋转矩阵Rθ,构建S的一个矫正版本Sθ;
Sθ=RθS
式中,则可获得steered BRIEF描述子为:
gn(p,θ)=fn(p)|(xi,yi)∈Sθ。
作为本发明的又一种改进,所述步骤S3进一步包括:
S31,判断当前ORB特征点的数量,若数量少于设定值,返回步骤S2重新提取,否则继续;
S32,利用金字塔Lucas-Kanade光流法对ORB特征点进行追踪,估算当前帧图像相对应的每一个特征点的位置,若特征点的亮度值在允许误差内,则追踪成功并保留,否则除去;
S33,去除运动位置过大或过小的噪声特征点,前后两帧每一对特征点的移动距离即为当前帧所对应的特征点光流;
S34,把下一帧图像作为当前帧图像,返回步骤S2继续提取ORB特征点或直接进行跟踪,直到图像跟踪完毕。
作为本发明的又一种改进,所述步骤S4中,利用二值前景面积计算得到人群数量变化率。
作为本发明的更进一步改进,所述步骤S5中人群平均动能Eavg为:
其中,Ek是人群运动能量之和,通过计算感兴趣区域内的光流能量来表示;N是人群密度;
所述人群运动方向熵包含光流矢量方向直方图、方向概率分布图以及方向熵。
作为本发明的更进一步改进,所述步骤S62中,所述人群数量变化率反映人群数量变化的快慢,其数值的稳定与否实现正常或异常的情况判定;
所述人群平均动能反映群体运动速度的快慢程度以及剧烈程度,判断人群是否恐慌;
所述人群运动方向熵表征人群运动方向的混乱程度,数值越大,表示人群运动方向异常,发生同方向突散;
所述人群中个体间距离势能反映群体两两个体之间的分散程度,若距离势能突增或突减,说明有异常情况发生的可能性;
所述个体平均加速度反映人群运动的激烈程度,数值越高,异常性越大
与现有技术相比,本发明提出了一种基于人群密度分析的地铁群体异常行为检测方法,其优点在于:
(1)、针对地铁站安防工作中实时性、快速性要求较高,引入ORB(oriented FASTand rotated BRIEF)特征提取算法,在计算速度上ORB算法是SIFT算法的100倍,是SURF算法的10倍,满足实际需求。
(2)、基于ORB特征提取算法,采用基于ORB特征点的稀疏光流法,对金字塔Lucas-Kanade光流法进行了改进。
(3)、引入一种群体密度估计算法作为辅助,对人群密度不同时的情况进行分级处理,减少误判,提高工作效率。
(4)、提出的群体密度估计算法计算简单、判断速度快、识别率较高。
(5)、在保障实时性的同时降低了低密度场景下误判,提升了对高密度场景的重视程度。
(6)、针对地铁站中摄像头较低,运动目标距离摄像头的远近不通等所带来的透视畸变问题,提出一种带矫正的群体异常行为检测方法,通过网格法矫正场景中运动目标尺寸变化造成的动态变化不一致性,建立自适应的行为准则,达到增加监控范围,降低误检率等目的。
附图说明
图1为本发明的检测方法流程示意图;
图2为目标特征点检测与跟踪流程示意图。
具体实施方式
以下将结合附图和实施例,对本发明进行较为详细的说明。
实施例1
基于人群密度分析的地铁群体异常行为检测方法,如图1所示,包括如下步骤:
S1,帧图像预处理:对摄像头拍摄得到的每一帧图像进行相关算法的预处理,解决图像因为环境或者拍摄方位角度等原因引起的图像模糊、变形等问题。主要包含色彩空间的转换、形态学处理、图像去噪技术、图像阴影处理技术、图像增强技术,目的在于实现减小图片噪声、去除图片阴影、设置感兴趣区域、图像增强、平滑和锐化等,提高后续群体行为检测的精确度,减小误差。
预处理视频数据集需要有足够的样本量,能够反映尽量多的规律,减少样本不足带来的随机误差。这里选择UMN数据集、PETS2009数据集、南京地铁监控视频作为原始数据集。
步骤S1中还引入网格法,将视频图像划分为不同大小的网格,网格的大小与该像素区域距离摄像机的距离成反比,并赋予相应的权值,统计加权后的像素特征,可以在一定程度上缓解透视畸变。
S2,提取ORB特征点:
S21,提取oFAST特征点:对预处理后的帧图像进行金字塔采样,利用FAST算法检测出每一层图像兴趣点的位置,再利用Harris特征点检测评分方法排序所获得的特征点,选取其中N个最好的点,对获得的N个特征点,根据灰度质心法,计算出各个特征点的方向,定义任何一个特征点I(x,y)像素点的邻域像素矩为:
那么图像的质心坐标为:
定义特征点与质心的夹角为FAST特征点的方向:
由此得到oFAST(Orientation FAST)特征点;
S22,提取rBRIEF特征:提取BREIF特征,把oFAST特征点的方向作为BRIEF的方向,进行旋转,得到steered BREIF,再利用贪婪学习算法,找出256个像素块对使其相关性最低,并构成所需的特征描述子,筛选出具有高方差和高不相关的steered BEIEF,即为rBRIEF,以每个特征点为中心,定义:
其中,p(x)为x处的灰度值,BRIEF描述子是一个长度为n的二值码串,由特征点周围n个点对生成。则BRIEF描述子为:
将n个点对组成一个矩阵:
利用领域方向θ和对应的旋转矩阵Rθ,构建S的一个矫正版本Sθ;
Sθ=RθS
式中,则可获得steered BRIEF描述子为:
gn(p,θ)=fn(p)|(xi,yi)∈Sθ;
S23,综合oFAST和rBRIEF描述形成ORB特征点。
S3,目标特征点提取与跟踪:利用金字塔Lucas-Kanade光流法计算特征点处的光流,获取运动目标信息,如图2所示;
S31,判断当前ORB特征点的数量,若数量少于设定值,不足以表征个体目标的运动行为区域,需要在相邻的下一帧重新提取,直到满足要求,因而返回步骤S2重新提取,否则继续;
S32,利用金字塔Lucas-Kanade光流法对ORB特征点进行追踪,在下一帧固定大小的窗口内估算当前帧图像相对应的每一个特征点的位置,若特征点的亮度值在允许误差内,则追踪成功并保留,否则除去;
S33,去除运动位置过大或过小的噪声特征点,前后两帧每一对特征点的移动距离即为当前帧所对应的特征点光流;
S34,把下一帧图像作为当前帧图像,返回步骤S2继续提取ORB特征点或直接进行跟踪,直到图像跟踪完毕。
S4,群体密度分析:利用改进的混合高斯背景模型提取ROI(Region Of Interest)内的二值前景面积,通过网格法矫正并更新二值前景面积,利用ORB特征点密度设定群体密度权重值,完成前景像素面积归一化,在不同权值范围内运用各自的最小二乘法拟合曲线估计出群体密度,并对密度进行分级,当群体密度低于最低预设阙值时,视为群体安全情况,以降低误判率;当群体密度高于最高预设阙值时,视为群体异常情况。最后利用二值前景面积计算得到人群数量变化率。
S5,人群运动特征提取:主要从人群平均动能、人群运动方向熵、人群中个体间距离势能、个体平均加速度这四个方面来表征人群运动特征。其中,通过计算感兴趣区域内的光流能量来表示人群运动能量之和Ek,由于Ek和人群密度N有关,定义人群平均动能Eavg来表征群体运动的激烈程度,其中
通过人群运动方向熵来表征群体运动方向的混乱程度,主要包含光流矢量方向直方图、方向概率分布图以及方向熵;通过人群中各个个体之间的距离势能来表征人群的分布情况;通过个体平均加速度来描述当异常事件发生时由于人群突然奔跑,对自身施加的作用力增大导致人群行为变化运动。
S6,异常行为检测,步骤S4和步骤S5中共提取了五种人群特征:人群数量变化率、人群平均动能、人群运动方向熵、人群中个体间距离势能、个体平均加速度,各种情况下,每一种人群行为都有各自的特点和不同的特征变化,所以通过训练样本训练而成的随机森林,通过支持向量机(SVM)对人群行为进行分类。
S61,根据步骤S4得到的群体密度,排除低密度以及高密度人群情况,减少误判并提升对高密度情况下人群状况的监管;
S62,分析步骤S5提取的人群运动特征,实现对正常或异常情况分类:
人群数量变化率反映人群数量变化的快慢,如果人群未发生异常行为,视频拍摄范围内的人数变化率应该较为稳定,而某些异常行为发生时,人数变化率会发生突增现象;人群平均动能表征群体运动的速度快慢程度以及剧烈程度,可以用来判断群体的行走状态是正常行走还是普遍奔跑;人群运动方向熵表征人群运动方向的混乱程度,地铁站中人群在不同情况的运动方向不同,在站台层等区域运动时运动方向一直较为混乱,如果群体运动方向突然变得十分单一则有发生异常行为的几率,在站厅层等区域,人群的运动方向应该较为统一,如果此时运动方向熵增大,则说明人群运动方向异常;人群中个体间距离势能表征群体两两个体之间的距离情况,描述群体个体间的分散程度,如果距离势能突增或突减,则说明人与人之间的距离突然发生变化,此时说明有异常行为发生的可能性;个体平均加速度表征人群运动的激烈程度,在遇到危险情况时,人群本能逃离危险,人自身发力加大,激发人加速奔跑,运动的激烈程度明显增加。本文实现对正常、人群恐慌、同方向突散、急走急跑、群体冲突几种情况实现分类。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实例的限制,上述实例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等同物界定。
Claims (8)
1.基于人群密度分析的地铁群体异常行为检测方法,其特征在于,包括如下步骤:
S1,帧图像预处理:所述预处理至少包括色彩空间的转换、噪声消除、图像增强及形态学处理;
S2,提取ORB特征点:
S21,提取oFAST特征点:对预处理后的帧图像进行金字塔采样,利用FAST算法检测出每一层图像兴趣点的位置,再利用Harris特征点检测评分方法排序所获得的特征点,选取其中N个最好的点,对获得的N个特征点,根据灰度质心法,计算出各个特征点的方向;
S22,提取rBRIEF特征:提取BREIF特征,把oFAST特征点的方向作为BRIEF的方向,进行旋转,得到steered BREIF,再利用贪婪学习算法,找出256个像素块对使其相关性最低,并构成所需的特征描述子,筛选出具有高方差和高不相关的steered BEIEF,即为rBRIEF;
S23,综合oFAST和rBRIEF描述形成ORB特征点。
S3,目标特征点提取与跟踪:利用金字塔Lucas-Kanade光流法计算特征点处的光流,获取运动目标信息;
S4,群体密度分析:利用改进的混合高斯背景模型提取ROI(Region Of Interest)内的二值前景面积,通过网格法矫正并更新二值前景面积,利用ORB特征点密度设定群体密度权重值,完成前景像素面积归一化,在不同权值范围内运用各自的最小二乘法拟合曲线估计出群体密度,并对密度进行分级;
S5,人群运动特征提取:所述人群运动特征包括:人群平均动能、人群运动方向熵、人群中个体间距离势能及个体平均加速度。
S6,异常行为检测:
S61,根据步骤S4得到的群体密度,排除低密度以及高密度人群情况;
S62,分析步骤S5提取的人群运动特征,实现对正常或异常情况分类。
2.如权利要求1所述的基于人群密度分析的地铁群体异常行为检测方法,其特征在于所述步骤S1中还包括将图像划分为不同大小网格的网格法来缓解透视畸变,所述网格的大小与该像素区域距离摄像机距离成反比,并赋予相应权值,统计加权后的像素特征。
3.如权利要求1或2所述的基于人群密度分析的地铁群体异常行为检测方法,其特征在于所述步骤S21提取oFAST特征点进一步包括:定义任何一个特征点I(x,y)像素点的邻域像素矩为:
那么图像的质心坐标为:
则,特征点与质心的夹角为FAST特征点的方向:
4.如权利要求1或2所述的基于人群密度分析的地铁群体异常行为检测方法,其特征在于所述步骤S22提取rBRIEF特征进一步包括:以每个特征点为中心:
其中,p(x)为x处的灰度值,则BRIEF描述子为:
将n个点对组成一个矩阵:
利用领域方向θ和对应的旋转矩阵Rθ,构建S的一个矫正版本Sθ;
Sθ=RθS
式中,则可获得steered BRIEF描述子为:
gn(p,θ)=fn(p)|(xi,yi)∈Sθ。
5.如权利要求1所述的基于人群密度分析的地铁群体异常行为检测方法,其特征在于所述步骤S3进一步包括:
S31,判断当前ORB特征点的数量,若数量少于设定值,返回步骤S2重新提取,否则继续;
S32,利用金字塔Lucas-Kanade光流法对ORB特征点进行追踪,估算当前帧图像相对应的每一个特征点的位置,若特征点的亮度值在允许误差内,则追踪成功并保留,否则除去;
S33,去除运动位置过大或过小的噪声特征点,前后两帧每一对特征点的移动距离即为当前帧所对应的特征点光流;
S34,把下一帧图像作为当前帧图像,返回步骤S2继续提取ORB特征点或直接进行跟踪,直到图像跟踪完毕。
6.如权利要求1所述的基于人群密度分析的地铁群体异常行为检测方法,其特征在于所述步骤S4中,利用二值前景面积计算得到人群数量变化率。
7.根据权利要求1所述的基于人群密度分析的地铁群体异常行为检测方法,其特征在于所述步骤S5中人群平均动能Eavg为:
其中,Ek是人群运动能量之和,通过计算感兴趣区域内的光流能量来表示;N是人群密度;
所述人群运动方向熵包含光流矢量方向直方图、方向概率分布图以及方向熵。
8.根据权利要求6所述的基于人群密度分析的地铁群体异常行为检测方法,其特征在于所述步骤S62中,所述人群数量变化率反映人群数量变化的快慢,其数值的稳定与否实现正常或异常的情况判定;
所述人群平均动能反映群体运动速度的快慢程度以及剧烈程度,判断人群是否恐慌;
所述人群运动方向熵表征人群运动方向的混乱程度,数值越大,表示人群运动方向异常,发生同方向突散;
所述人群中个体间距离势能反映群体两两个体之间的分散程度,若距离势能突增或突减,说明有异常情况发生的可能性;
所述个体平均加速度反映人群运动的激烈程度,数值越高,异常性越大。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811195154.5A CN109299700A (zh) | 2018-10-15 | 2018-10-15 | 基于人群密度分析的地铁群体异常行为检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811195154.5A CN109299700A (zh) | 2018-10-15 | 2018-10-15 | 基于人群密度分析的地铁群体异常行为检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109299700A true CN109299700A (zh) | 2019-02-01 |
Family
ID=65162610
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811195154.5A Pending CN109299700A (zh) | 2018-10-15 | 2018-10-15 | 基于人群密度分析的地铁群体异常行为检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109299700A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110263690A (zh) * | 2019-06-12 | 2019-09-20 | 成都信息工程大学 | 一种基于小群组的群体行为特征提取与描述方法及*** |
CN110781723A (zh) * | 2019-09-05 | 2020-02-11 | 杭州视鑫科技有限公司 | 一种群体异常行为识别方法 |
CN111753651A (zh) * | 2020-05-14 | 2020-10-09 | 南京熊猫电子股份有限公司 | 一种基于车站二维人群密度分析的地铁群体异常行为检测方法 |
CN111914594A (zh) * | 2019-05-08 | 2020-11-10 | 四川大学 | 一种基于运动特征的群体情绪识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680140A (zh) * | 2015-02-13 | 2015-06-03 | 电子科技大学 | 基于图像的人群聚集状态检测方法 |
CN104732236A (zh) * | 2015-03-23 | 2015-06-24 | 中国民航大学 | 一种基于分层处理的人群异常行为智能检测方法 |
-
2018
- 2018-10-15 CN CN201811195154.5A patent/CN109299700A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104680140A (zh) * | 2015-02-13 | 2015-06-03 | 电子科技大学 | 基于图像的人群聚集状态检测方法 |
CN104732236A (zh) * | 2015-03-23 | 2015-06-24 | 中国民航大学 | 一种基于分层处理的人群异常行为智能检测方法 |
Non-Patent Citations (2)
Title |
---|
宋丹妮: "基于视频监控的群体异常行为检测研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
梁玉: "基于ORB 兴趣点的异常行为检测技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914594A (zh) * | 2019-05-08 | 2020-11-10 | 四川大学 | 一种基于运动特征的群体情绪识别方法 |
CN111914594B (zh) * | 2019-05-08 | 2022-07-01 | 四川大学 | 一种基于运动特征的群体情绪识别方法 |
CN110263690A (zh) * | 2019-06-12 | 2019-09-20 | 成都信息工程大学 | 一种基于小群组的群体行为特征提取与描述方法及*** |
CN110781723A (zh) * | 2019-09-05 | 2020-02-11 | 杭州视鑫科技有限公司 | 一种群体异常行为识别方法 |
CN110781723B (zh) * | 2019-09-05 | 2022-09-02 | 杭州视鑫科技有限公司 | 一种群体异常行为识别方法 |
CN111753651A (zh) * | 2020-05-14 | 2020-10-09 | 南京熊猫电子股份有限公司 | 一种基于车站二维人群密度分析的地铁群体异常行为检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN106980829B (zh) | 基于视频分析的打架斗殴异常行为自动检测方法 | |
CN106128053A (zh) | 一种智慧金睛识别人员逗留徘徊报警方法和装置 | |
CN109299700A (zh) | 基于人群密度分析的地铁群体异常行为检测方法 | |
Kong et al. | Detecting abandoned objects with a moving camera | |
CN100583128C (zh) | 基于自然视频的实时智能监控方法 | |
CN103839065A (zh) | 人群动态聚集特征提取方法 | |
CN106778655B (zh) | 一种基于人体骨架的入口尾随进入检测方法 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及*** | |
CN105574506A (zh) | 基于深度学习和大规模集群的智能人脸追逃***及方法 | |
CN111753651A (zh) | 一种基于车站二维人群密度分析的地铁群体异常行为检测方法 | |
CN107659754B (zh) | 一种树叶扰动情况下监控视频的有效浓缩方法 | |
CN105426820A (zh) | 基于安防监控视频数据的多人异常行为检测方法 | |
CN106127814A (zh) | 一种智慧金睛识别人员聚集打斗报警方法和装置 | |
CN106033548B (zh) | 基于改进字典学习的拥挤人群异常检测方法 | |
CN104616006A (zh) | 一种面向监控视频的胡须人脸检测方法 | |
CN111091057A (zh) | 一种信息处理方法、装置及计算机可读存储介质 | |
Ghidoni et al. | Texture-based crowd detection and localisation | |
KR20140132140A (ko) | 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치 | |
Li et al. | End-to-end multiplayer violence detection based on deep 3D CNN | |
Seidenari et al. | Dense spatio-temporal features for non-parametric anomaly detection and localization | |
CN117079351B (zh) | 一种重点区域人员行为分析方法及*** | |
Gupta et al. | Violence detection using deep learning techniques | |
Zhao et al. | Pedestrian motion tracking and crowd abnormal behavior detection based on intelligent video surveillance | |
Maheshwari et al. | A review on crowd behavior analysis methods for video surveillance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190201 |
|
RJ01 | Rejection of invention patent application after publication |