[发明专利]基于层次级联的暴力群体行为检测方法

说明书

本发明提供了一种基于层次级联的暴力群体行为检测方法，其特征在于，包括：对原始监控视频进行预处理；对于预处理后的监控视频进行分块，对每一视频块提取时空不变性特征；选择特征量化的训练样本，训练获得视频字典；利用训练得到的视频字典，对待检测样本特征进行量化；选择量化后的特征作为支持向量机SVM分类器的训练样本，训练SVM分类器；利用训练完成的SVM分类器对待检测样本进行分类，判断待检测视频中是否包含暴力群体行为。本发明中的方法与其他同类方法相比，速度更快，准确率更高，特征更加具有区分性，此外在暴力群体行为的检测中能够区分大部分暴力行为和正常行为，有效提升了计算机辅助检测分析的能力。

技术领域

本发明涉及群体行为识别领域，具体地，涉及利用分层特征和字典学习的一种基于层次级联的暴力群体行为检测方法。

背景技术

近年来，国内外公共区域频发各类安全事件，在这些安全事件中踩踏、斗殴等暴力行为频频发生，给社会安全带来了极其严重的影响。在大型公共场所，诸如歌剧院、体育馆、火车站、地铁站等地的安全保障极为重要，为了保障这些地方的安全，视频监控摄像头被大量运用在日常安保上。但是，视频监控摄像头的作用效果十分有限，在大部分情况下这些摄像头并没能得到充分利用，其主要原因在于缺少一种合理的自动化视频分析手段，暴力群体事件属于小概率事件，传统依靠人工监视的分析方式，投入和回报往往很难成正比。

利用计算机视觉技术进行群体行为分析能够帮助视频监控分析人员更有效地利用监控视频录像，提升整体的分析效率，起到辅助分析和及时预警群体暴力事件的作用，具有较高的研究价值。然而由于监控视频内容复杂，想要做到实时或准实时分析监控视频内容依然十分困难。

经过对现有技术的检索，如2014年2月5日公开的，专利公开号为：CN103559510A，名称为“一种利用相关主题模型识别社会群体行为的方法”中提到利用相关主题模型对视频数据集中的视频进行建模，并基于相关主题模型和视频训练集得到优化目标函数，在使得优化目标函数最大的情况下计算相关主题模型中的各个参数，训练得到包括分类器的相关主题模型；通过该主题模型来实现群体行为的分类。该发明针对的主要场景为日常生活场景，包括的群体行为限定在结婚舞会，生日聚会以及毕业典礼等，对暴力群体行为并不能获得有意义的结果。此外，2013年8月21日，专利公开号：CN103258193A，名称为“一种基于KOD(Kinetic Orientation Distance,即运动方向距离)能量特征的群体异常行为识别方法”中首先对运动目标进行检测，获得运动目标区域；然后提取群体行为KOD能量特征，并进行归一化；最后通过训练隐马尔可夫模型实现群体异常行为识 别。该项发明使用的特征表示方法单一，在异常请群体行为和正常行为速度变化差异不大的情况下，很难识别出这些行为，并且该发明的关注点更偏重于人群的逃离，不包含暴力群体行为的研究。

目前，很多研究者投入了大量时间和精力对个体行为的识别和暴力检测问题进行了研究，并得到了许多经典的算法。但是，群体行为的识别与检测更加复杂，其主要有以下三个原因：

1)传统的基于人体关键点的轨迹跟踪算法在人群密度较高时，不能有效地获得每个个体的关键点。同时，对高密度人群进行跟踪本身在计算机视觉领域就是一个极其困难的问题。

2)传统的动作特征描述子不能有效表征人群运动的特征。群体行为不仅包含了整个人群的运动，还包括其中的个体与个体之间的交互。

3)现有特征描述子无法做到实时或准实时要求，一些经典特征如MoSIFT(MotionScale Invariant Feature Transform)时空特征，虽然得到了较好的检测结果，但是其提取速度十分缓慢，无法投入到实际生产环境中。从上述分析可以看出，目前缺少一种能够高效，且能实时或准实时对暴力群体行为进行检测的算法。

面对这一难题，本发明提出了一套基于深度学习思想的暴力群体行为检测算法，将深度学习中常见的卷积(convolution)，级联(stack)思想运用到群体行为特征的提取和量化上，从而使得到的特征能够更好的表征人群复杂的变化行为。