[发明专利]人群流分割及人群流异常行为识别方法

权利要求书

1.一种人群流分割方法，其特征在于，所述方法包括下述步骤：

a1、获取视频流，采用Lucas-Kanade算法获得所述视频流中每一视频帧内运动粒子的二维速度场；

a2、根据所述二维速度场及流体力学中的脉线计算方法获得所述视频帧中的所有脉线及每条脉线的倾向流，将所述脉线及所述倾向流作为所述视频帧中人群流的底层特征；

a3、采用聚类算法对所述脉线及所述倾向流进行聚类，形成若干子人群流，实现人群流的分割。

2.根据权利要求1所述的人群流分割方法，其特征在于，所述步骤a3包括下述子步骤：

a31、按照下述算法计算所有相邻的                                                、两条脉线和的相似度：

，

按照下述算法计算的倾向流和的倾向流的相似度：

，

其中，为脉线的起始点与经过该起始点的第个运动粒子所形成的向量，为脉线的起始点与经过该起始点的第个运动粒子所形成的向量， 为和的夹角；是脉线在第个运动粒子处的倾向流角度，是脉线在第个运动粒子处的倾向流角度，，为脉线中的运动粒子数；

a32、计算上述步骤获得的脉线相似度和倾向流相似度加权求和值，作为相邻两条脉线和的总相似度，和为权值， 是第条脉线所有相邻脉线的集合；

a33、根据所述总相似度进行聚类，相似度大于设定阈值的脉线聚为一类，形成若干子人群流，实现人群流的分割。

3.根据权利要求2所述的人群流分割方法，其特征在于，所述取值为0.8，所述取值为0.2。

4.根据权利要求1至3中任一项所述的人群流分割方法，其特征在于，所述聚类算法为分水岭分割算法。

5.一种人群流异常行为识别方法，其特征在于，所述方法包括下述步骤：

b1、获取待识别的视频流，根据上述权利要求1至4中任一项所述的人群流分割方法对所述视频流中的每一视频帧内的人群流进行分割，获得若干子人群流；

b2、针对每个子人群流，根据Helmholtz分解算法计算其所含的每条脉线的势函数中的速度势及流函数；

b3、对所述速度势和所述流函数分别进行奇异值分解，获得两个奇异值特征向量，将所述两个奇异值特征向量合并为一个向量，作为相对应的子人群流在当前帧中的势函数特征向量，该子人群流在所述视频流所有视频帧中的势函数特征向量构成识别样本特征向量； 

b4、采用训练好的人群流异常行为分类器识别所述识别样本特征向量，实现子人群流异常行为的识别，进而实现人群流异常行为的识别。

6.根据权利要求5所述的人群流异常行为识别方法，其特征在于，先对所述步骤b3获得的识别样本特征向量降维，再执行所述步骤b4，采用训练好的人群流异常行为分类器识别降维后的识别样本特征向量。

7.根据权利要求5所述的人群流异常行为识别方法，其特征在于，所述人群流异常行为分类器采用下述步骤训练：

c1、获取正常行为若干视频流和包含异常行为的若干视频流，分别作为正样本集和负样本集；

c2、根据流体力学中的脉线计算方法计算所述正样本集中每个正样本所包含的每一视频帧及所述负样本集中每个负样本所包含的每一视频帧的脉线；

c3、根据Helmholtz分解算法计算每条脉线的势函数中的速度势及流函数；

c4、对所述速度势和所述流函数分别进行奇异值分解，获得两个奇异值特征向量，将所述两个奇异值特征向量合并为一个向量，作为当前帧中的势函数特征向量，每个正样本或负样本所有视频帧中的势函数特征向量构成训练样本特征向量；

c5、多个所述训练样本特征向量及其对应的正常行为或异常行为构成训练样本特征向量集，训练分类器参数，生成人群流异常行为SVM分类器。

8.根据权利要求7所述的人群流异常行为识别方法，其特征在于，先对所述步骤c4获得的训练样本特征向量降维，再执行所述步骤c5，将降维后的训练样本特征向量及其对应的正常行为或异常行为构成训练样本特征向量集，训练分类器参数，获得人群流异常行为分类器。

9.根据权利要求5至8中任一项所述的人群流异常行为识别方法，其特征在于，所述人群流异常行为分类器为SVM分类器。