[发明专利]基于局部二值模式的视频中人群运动模式识别定位方法

说明书

技术领域

本发明涉及一种识别定位方法，具体地说，是涉及一种基于局部二值模式的视频中人群运动模式识别定位方法。

背景技术

随着社会的发展，全球各地的人口数量飞速增长，据不完全统计，截止2013年全球人口数量已超过70亿，人口数量的剧增也伴随着人口密度的加大，各商圈、景区等地已成为高密度人群聚集地，同时也成为突发性事件的高发地。

人群聚集流动模式的突变往往是突发性公共安全事件发生的先兆，当局部的群体聚集密度、流动速度及加速度超过一定极限时，微小的外力就会破坏群流平衡，造成碰撞、阻塞、拥挤等失控场面，进而导致群体性踩踏伤亡事件的发生。因而，如何对公共场合的密集人群进行有效管制，不仅涉及到人群个体安全，也将影响到社会的和谐稳定。

现今，为避免群体活动中由于人群过分集中或运动模式突变而造成伤亡事件发生，相应的处置预案多以静态风险评估方法为主，从先期的主观预判出发，对预期的瓶颈区域进行事先改造、布置警力进行人工协调等。但当出现突发情况，如密集人群中个体摔倒，人群或人群中个体因惊吓发生恐慌，因激动出现骚乱等情况时，由于突发事件的不确定性，发生地并非总是在静态预期瓶颈区，预先的警力部署及资源配置反而会对遏制行动产生负作用，可见，先验性的静态评估手段已远远落后于社会的现实需求。视频监控技术的出现使动态风险评估方法逐步用于人群的管理和控制。利用摄像头实拍场景中的活动群体，通过人工实时观察监控场景中各区域人群的密集程度和运动模式，判断是否存在人群过分集中或人群运动模式的突变。与静态风险评估方法相比，监控系统＋人工判断的人群监控模式能更快速合理地部署警力，分配资源，避免事故发生或控制事态扩大。然而，对监控场景的人工观察判断方式劳动强度大，主观随意性强，漏判和误判的几率较高，更重要的是无法对运动速度、运动模式等反映人群动态行为特点的参量给出量化分析与实时记录，不利于事故的客观调查分析。因此，如何利用图像/视频处理和模式识别技术自动准确的分类标记复杂场景中具有时空不确定性的人群运动模式及其随时空的演变就成为智能人群监控和管理领域的一个关键问题。

但是迄今为止，相对于视频监控系统的迅速发展和普及，相应的人群视频中运动模式的自动准确分类定位技术却相对滞后，远不能满足智能视频监控领域对人群视频中人群运动模式进行自动分类与空间定位的要求。目前仅有的人群视频中运动模式分类识别技术是将整个监控场景作为一个整体，通过提取全局特征来识别整个场景属于哪种运动模式，尽管这种全局分析方法具有简单、直观等优点，但是将其用于复杂场景的人群视频时却存在严重的弊端，即这种基于整体的分析方法只能描述整个场景的平均运动模式，其判别结果包含位于各局部空间位置的所有运动模式的共同贡献，却忽略了场景中不同局部区域可能出现不同运动模式的现象，更无法准确定位各运动模式的具体空间位置，从而难以捕捉场景中的高危敏感点。从根本上来说，产生这些弊端的主要原因在于这种基于整体的分析方法缺乏人群运动的空间位置分辨能力，不具备局部人群运动的辨识优势。

发明内容

本发明的目的在于提供一种基于局部二值模式的视频中人群运动模式识别定位方法，主要解决现有技术中存在的缺少一种对人群密集地不同局部区域内人群的运动模式进行分析识别的定位方法，使得不能对人群密集地的突发事件进行及时处理，不能满足实际需求的问题。

为了实现上述目的，本发明采用的技术方案如下：

基于局部二值模式的视频中人群运动模式识别定位方法，包括以下步骤：

（1）使用摄像头获取一段人群场景视频；

（2）利用光流法计算视频中每帧图像，即每一副静止的图像的密集光流图像；

（3）将每帧密集光流图像划分为一个以上N×N大小的不重叠单元；

（4）基于全局运动和局部相对运动计算每一N×N大小的单元中心点的局部二值模式LBP；  

（5）根据所得的局部二值模式LBP将各单元识别为无运动、同方向运动、反方向运动、从中心散开、汇聚至中心、绕中心转动六种不同的运动模式；

（6）以步骤（5）的结果为基础，对步骤（2）中的密集光流图像做下采样，即将一个单元看做一个像素点，构建一幅宽和高分别为原始图像N分之一的新光流图像；

（7）重复步骤（3）~步骤（6）一次以上，获得最终的运动图；

（8）使用区域增长算法分割运动光流场中的各运动模式所占区域，并获取各运动模式的位置和面积信息。