[发明专利]复杂场景下的群体运动模式检测方法

说明书

技术领域

本发明属于计算机视觉、智能信息处理领域。主要涉及一种视频监控内容智能分析方法，具体是一种复杂场景下的群体运动模式检测方法。

背景技术

随着全球对于公共安全的关注不断增加，公共场所的监控设备越来越多，安防和监控需求也越来越多。因此，对于规模庞大的监控信息的处理，和人类运动行为和事件的分析，受到了越来越多国内外学者的关注，成为了近些年计算机视觉研究领域的一个热点话题，也取得了很多的成果。

所谓复杂场景，一般是指场景中包含较多物体且分布零散不规则，是相对于那些背景单纯的场景而言的。与传统的运动行为分析相比，复杂场景的群体运动分析存在着诸多新的挑战。场景相对复杂，目标相对弱小，遮挡现象极其严重等问题，使得传统方法中的目标检测和目标跟踪都难以实现，自然也无法进行之后的运动行为分析。因此，对于多目标的运动分析，分成了基于个体和基于整体两个方向。前者适用于目标个数较少的情况，可以采用改进后的传统算法进行目标的检测和跟踪，然后利用得到的信息进行运动行为分析和建模；后者则适用于密度较高的群体场景。本发明则是属于后者的情况，不再针对每个目标进行研究，而是将整个群体作为研究对象，从总体上进行研究分析。

关于群体运动模式的分析，国内外的学者已经做了一定的工作，但是并没有成熟的可以投入使用的系统。一般来说，群体运动模式是指具有同类运动特征的运动流的集合，能够反应出群体运动的特点和某种形态。通常的表现形式是含有运动信息的运动路径或运动区域，比如有颜色的曲线，其中颜色表示不同的方向信息，而曲线表示运动的路径。对于运动模式的检测，基本上遵循了3个步骤：1)特征的检测；2)特征的运动信息提取；3)运动模式/行为/事件的识别和建模。很多时候，在运动模式检测完成之后，可以进一步实现对异常行为/事件的检测。对于特征的检测，常用的方法有角点检测、SIFT、KLT关键点检测等；对于运动信息的获取，常用的方法是光流法和时空梯度法检测；而根据特征检测和运动信息提取的方式和内容不同，运动行为的建模方式的种类也不相同，常见的有最大熵模型、方向直方图模型、隐马尔可夫模型、运动动能模型、主题模型等。

虽然现在已经提出了一些关于群体分析的方法，但是还存在一些问题。一方面现有的方法太偏重理论性，在真实的复杂的场景下，难以实现预期的结果；另一方面，现有的方法的运算量较大，计算代价很高。本发明考虑到这些问题，针对现实复杂场景的情况，提高算法实用性，同时优化算法的检测效率。

发明内容

本发明将视频区域划分成单元格，采用LK光流法对运动信息进行提取，之后以单元格为单位，对运动信息进行统计分析，使用方向直方图和速度直方图对每个单元格的运动模式进行建模，然后在根据相邻单元格之间的运动流进出关系，进行单元格运动模式优化矫正以及单元格的语义学习，最后综合所有单元格运动模式，生成全局运动模式以及全局语义区域。

本发明技术方案如下：

一种复杂场景下的群体运动模式检测方法，包括如下步骤A1-A4：

A1、获取监控视频；