[发明专利]用于确定行人流的方法和系统

说明书

方法和系统通过以下处理来确定流：首先，用摄像头获取流的视频，其中，流是场景中的行人，其中，视频包括一组帧。从该组中的各帧提取运动向量，并且根据该组帧中的运动向量构造数据矩阵。根据该数据矩阵确定低秩Koopman算子，并且分析该低秩Koopman算子的谱来确定一组Koopman模式。然后，根据Koopman模式的聚类将帧划分成独立的流。

技术领域

本发明总体涉及计算机视觉，更具体地涉及在如视频所描绘的流中划分行人。

背景技术

在视频中的行人的密集人群内的运动流划分是人群安全和人群控制用途的重要的工具。拥挤场景的视频即使在正常情况下也可以展示复杂的人群行为。例如，在大拥塞区域(诸如火车站)中的人群流最初可能看起来无序。然而，情况常常是流中存在低维动态结构，期望将其从未结构化的流中识别并划分。而且，对独立人群流的自动划分帮助对拥挤环境中的危险情况的监测和预测。

特别感兴趣的是使用从视频提取的运动信息来检测并估计人群流。使用应用于视频中的纹理(作为像素强度)的光学流估计，可以确定运动向量，或者从比特流可以直接提取运动向量。比特流可以使用已知编码标准例如，MPEG、H.264、HEVC等中的任一种来编码。

在将拥挤场景中的行人看作流中的颗粒的情况下，视频帧的运动向量与流中在某一时刻对颗粒的速度的观察结果对应。处理运动向量而不是视频纹理，保护在监控视频中观察的个人的隐私。

U.S.8773536公开了一种在监控视频中检测独立运动的方法。方法通过将纹理梯度与运动向量进行比较来根据视频的宏块构造线性系统。当相对于该线性系统将运动标记为统计异常值时检测到独立流。

U.S.8358806公开了一种使用形状索引来进行的划分视频中的人群的方法。对视频执行背景差分，以识别前景剪影形状。通过针对一组预定前景剪影形状匹配前景剪影形状来确定人的近似数量和位置。

动态系统建模

当行人的人群的密度高时，该人群中的个人的运动可以被建模为流体流。常用于人群分析的一个这种模型是Hughes模型，参见：Hughes“A continuum theory for theflow of pedestrians,”Transportation Research Part B:Methodological,第36卷，第6期，第507-535页，2002年7月。

Hughes将人群流作为密度ρ(x,y,t)和速度(u(x,y,t)and v(x,y,t))的函数建模为：

其中，u(x,y,t)和v(x,y,t)是每个空间点(x,y)和时间t的水平方向和垂直方向的相应速度。在人群建模中还可以使用Greenshields模型来将密度场和速度场相关。格林希尔茨模型为：

其中，和是确定水平方向和垂直方向上的最大速度的系统参数，并且是场景中的最大密度。

(1)的解对于满足给定初始以及边界条件的所有(x,y,t)得到人群密度地图ρ和速度场(u,v)。虽然监管ρ和(u,v)的演进的微分方程的维数可以无限，但情况经常是流展示低维行为。

在时间t处的低维状态变量是x(t)，对于该变量，可观察向量y(t)＝G(x(t))时间t处对于所有位置x和y与密度场和速度场的堆叠对应。函数G是从x在上面演进的低维流形到可观察量的空间的映射。然后，(1)的解确定对应动态系统的瞬态响应和稳定性，该对应动态系统通常用以下表征：

其中，F(·)是在动态系统在上面演进的低维流形中的某一映射。对于离散时间系统，动态系统演进用以下表征：

x_k+1＝F(x_k),(4)