[发明专利]人群动态聚集特征提取方法

权利要求书

1.人群动态聚集特征提取方法，其特征在于，包括以下步骤：

步骤A、对目标视频进行分割，得到一组连续的图像帧；

步骤B、对各图像帧进行前景检测，得到二值化前景检测结果；

步骤C、将各图像帧进行分块，并根据各图像块中前景像素在所在块的总像素中所占比例的高低将图像块分为高人群密度图像块和低人群密度图像块；对于低人群密度图像块，进行人头检测，并利用所检测出的每个人头的质心所在点表示相对应的人头；对于高人群密度图像块，基于图像纹理特征估计图像块中的总人数，用相同数量的点表征这些人，并将这些点平均分布于所在图像块；

步骤D、对各图像帧分别进行网格化处理；以网格中表征人的点数大于一预设阈值的网格作为高密度网格，并以各高密度网格作为中心，按照预设的邻近网格阈值，查找其邻近网格，每个高密度网格及其邻近网格构成一个局部计算区域，从而确定一系列局部计算区域；

步骤E、对于每一个局部计算区域，对该区域内的所有表征人的点进行基于核密度的空间聚类，聚类得到的每一个簇表征一个人群，进而得到相应的人群聚集形状、密度分布特征；

步骤F、利用质心运动跟踪的方法，确定各人群聚集形状、密度分布的变化、聚集人群的移动特征以及人群规模的增长速度变化趋势。

2.如权利要求1所述人群动态聚集特征提取方法，其特征在于，所述前景检测使用基于YCbCr色彩空间的码书模型。

3.如权利要求1所述人群动态聚集特征提取方法，其特征在于，所述根据各图像块中前景像素在所在块的总像素中所占比例的高低将图像块分为高人群密度图像块和低人群密度图像块，具体是以40%作为阈值，当前景像素在所在块的总像素中所占比例小于该阈值，则为低人群密度图像块；否则，为高人群密度图像块。

4.如权利要求1所述人群动态聚集特征提取方法，其特征在于，对低人群密度图像块，使用基于样本非对称性的AdaBoostSVM人头检测方法进行人头检测。

5.如权利要求1所述人群动态聚集特征提取方法，其特征在于，步骤E中所述基于核密度的空间聚类为DENCLUE聚类算法。

6.如权利要求5所述人群动态聚集特征提取方法，其特征在于，所述DENCLUE算法中的核密度函数为高斯核密度函数。

7.如权利要求5所述人群动态聚集特征提取方法，其特征在于，所述DENCLUE算法中的高斯核函数窗口宽度h按照下式动态确定：

h=[R(K)μ2(K)2R(f′′)n]15]]>

式中，R(K)=∫_RK(x)²dx，u₂(K)=∫_Rx²K(x)dx，K(x)为核函数，f″为概率密度函数f的二阶导数，n为已知数据点的个数。

8.如权利要求1所述人群动态聚集特征提取方法，其特征在于，步骤F具体如下：

步骤F1、根据当前的人群聚类结果，根据以下公式确定各聚集人群的质心，对其进行编号：

xm=1Nm·Σx=1Nxmi]]>

ym=1Nm·Σx=1Nymi]]>

式中x_m、y_m分别表示第m簇人群质心的横、纵坐标值，N_m为第m簇人群的总人数，x_mi、y_mi分别表示第m簇人群中的编号为i的人员的质心坐标；

步骤F2、通过视频中相邻帧图像处理结果的比较，采用质心运动跟踪的方法，根据人群质心的位移差与时间差估算聚集人群的移动速度与方向特征：

vm=(xmt-xmt-1)-(ymt-ymt-1)Δt]]>

式中分别表示第m簇人群t时刻与t-1时刻的质心横坐标值，分别表示第m簇人群t时刻与t-1时刻的质心纵坐标值，Δt为前后两帧图像时间间隔，v_m为第m簇人群的移动速度；

步骤F3、通过前后帧图像中同一人群簇的面积与密度的变化，确定人群规模增长速度：在人群聚类结果的基础上，求取人群边缘顶点实际坐标后,利用坐标法的矢量积公式求解区域多边形的面积，然后通过估算相邻两帧的人群的人数，实时计算出人群规模增长速度：

vmc=Nmt-Nmt-1Δt]]>

式中分别表示第m簇人群t时刻与t-1时刻的总人数，v_m为第m簇人群的移动速度，为第m簇人群的增长速度。