[发明专利]人群流分割及人群流异常行为识别方法

说明书

技术领域

本发明属于视频图像处理技术领域，具体地说，是涉及对视频中的人群流进行处理的技术，更具体地说，是涉及人群流分割及人群流异常行为识别方法。

背景技术

视频监控场景一类是针对远距离的、人流密度比较大的场所，如城市广场、车站、繁华步行街等；另一类监控重点区域是较为偏僻的街道、已发生打架、抢劫等刑事案件的人流稀少的区域，可以较近距离监控。针对第一种低分辨率视频监控环境下的群体异常行为识别较为复杂，主要原因是人群往往不是单一的，而是自发结成的多组人群流区域，它们的行为属性各不相同。因此，要将视频监控中的异常行为识别出来，首先需要将不同的人群流定位分割出来，以便跟踪每个人群流，实现异常行为的检测和识别。

目前，针对复杂视频监控场景中不同运动行为的人群分割，有人提出了下述方法：将高密度性的群体目标运动认作流体，用混沌动力学的方法处理，即基于视频粒子流和有限时间李亚普诺夫指数场（FTLE 场），实现人群运动分割。有限时间李亚普诺夫指数表示相近粒子间的混合和分离性，反映运动粒子间的分离程度，计算所有粒子的有限时间李亚普诺夫指数，则形成有限时间李亚普诺夫指数图像，根据拉格朗日相干结构（LCS），设定阈值将该FTLE 场图像进行二值化处理，实现人群流的分割。但是，该方法存在两方面的缺陷：一方面，该方法应用范围有限，更适合于求解诸如“围绕麦加克尔白天房朝圣的环流人群”，而对于非涡流的“直行道路”人群流，其分割时在FTLE 场图像进行二值化处理中会出现多个“空洞”，使得分割结果“支离破碎”，导致分割结果过于零碎；另一方面，计算每个粒子的FTLE和LCS拉格朗日相干结构的运算量大，分割过程复杂，耗时长。

发明内容

本发明的目的之一是提供一种人群流分割方法，该方法将人群流作为特殊的流体，采用脉线和倾向流作为人群流的底层特征作为聚类基础，实现人群流的分割，提高了人群流分割的精确度。

为实现上述发明目的，本发明的人群流分割采用下述技术方案予以实现：

一种人群流分割方法，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。

如上所述的人群流分割方法，为进一步提高分割速度，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。

优选的，所述取值为0.8，所述取值为0.2。

如上所述的人群流分割方法，所述聚类算法优选为分水岭分割算法。

本发明的目的之二是提供一种人群流异常行为识别方法，该方法基于上述人群流分割方法，对分割后的子人群流提取特征向量，利用SVM分类器进行异常行为识别，提高了识别准确性。

为实现上述技术目的，本发明的人群流异常行为识别采用下述技术方案予以实现：

一种人群流异常行为识别方法，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；