[发明专利]一种基于粘性流体的群体特征提取方法

说明书

技术领域

本发明属于计算机视觉技术领域，具体为一种基于视频的群体特征提取方法，尤其是涉及一种适合于视频分析中大规模群体的底层特征提取方法。

背景技术

目前，大型活动已经成为经济发展和文化交流的重要载体，而群体管理也成为社会管理中的重要方面。近年来，计算机视觉技术业已在群体管理中发挥了越来越重要的作用，比如群体的流量控制、群体目标的跟踪和群体异常事件检测等。

群体特征的提取是群体分析中的一项重要任务，当中首先要解决的问题。从现有的技术文献检索发现，整体来讲有两种主要的研究思路。思路之一是从微观的角度，将群体看作是由个体目标构成的，通过个体特征的提取构成其群体的特征，其关键是实现对个体目标的检测（参见：Leibe,B.,Seemann,E.,Schiele,B..“Pedestrian detection in crowded scenes”.IEEE Comput.Soc.Conf.Comput.Vis.Pattern Recogn.CVPR 2005.）和跟踪（参见:S.Pellegrini,A.Ess,K.Schindler,and L.van Gool.You’ll never walk alone:Modeling social behavior for multi-target tracking.In ComputerVision，2009 IEEE 12th International Conference on，pages 261–268,292009-oct.）。但是，这类方法的性能随着群体规模的增大和群体密度的将明显的下降。从另一个角度说，在多数情况下，大型群体的管理过程中也不需要了解群体中每个个体的细节信息。思路二是从宏观的角度，通过自上而下的思路，将群体当作一个整体进行研究。基于整体的研究方法通常只考虑群体的整体特征或者说全局特征，如群体的流量、密度和主流运动方向等，而通常不考虑群体的个别信息（参见：L.Kratz and K.Nishino.Anomaly detection in extremely crowded scenes using spatio-temporal motion pattern models.In Computer Vision and Pattern Recognition，IEEE Conference on，pages1446–1453,June 2009.）.然而，这类方法忽略了群体内部个体间的相互作用。另外，这类方法多数以光流的计算作为基础，对噪声比较敏感，也不能检测到突然的运动变化。

发明内容

本发明的目的在于克服上述现有技术的不足之处，基于新的群体底层特征建模方法---时空粘性流体场，提出一种基于粘性流体的群体特征提取方法。

本发明是通过以下技术方案实现的，本发明利用流体对群体运动进行模拟，同时利用粘性流体的切向力对群体内个体的作用力进行分析，从群体运动的表象和激励两个角度对大型群体运动的时空特性进行分析。从运动表象来说，群体运动是信号在时空域上的变化，本发明提出了一个时空变化矩阵对这一变化进行度量，建立了时空变化场；从激励的角度来说，群体运动是个体自身和个体之间作用力决定的，本发明利用粘性流体的切向力进行模拟，建立了时空力场。时空变化场和时空力场共同构成了时空粘性流体场。本方法不需要对群体中的个体进行检测和跟踪，更加适合于大型群体的分析；同时结合了群体运动的表象和激励特征，能够更好的挖掘运动的本质特性，使其在下一步的群体行为分析中的以及异常事件检测中发挥更好的鲁棒性及效率。

本发明所述的基于粘性流体的群体特征提取方法，包括以下几个步骤：

第一步：构造时空变化度量矩阵，实现对视频中信号在时空位置P(x,y,t)的变化估计。

具体步骤为：

1.对任意的像素点P(x,y,t)，以该像素点为中心，构造一个在空间域上半径为r，在时间域上深度为T的圆柱形时空块。

2.计算该时空块内部的信号变化，作为对像素点P(x,y,t)的描述f^P，即：