[发明专利]一种基于多特征融合的群体行为分析方法

说明书

本发明公开了一种基于多特征融合的群体行为分析方法，属于机器视觉与智能信息处理领域。该方法一方面研究了群组级别的群体行为特性，提取出一系列表征局部运动信息的特征描述符，包括群集性、稳定性、一致性和冲突性。另一方面，该方法引入了一种新的多维光流直方图特征，以表征全局运动信息，并采用多层字典学习方法进行进一步优化。最后，通过融合局部和全局运动特征描述符，构成可全面描述群体行为的特征集合，可应用于群体行为分析与行为识别等方面。通过真实视频库上进行的实验，本发明的合理性和有效性得到证明。

技术领域

本发明涉及一种群体运动研究方法，尤其涉及一种基于多特征融合的群体行为分析方法，属于机器视觉与智能信息处理领域。

背景技术

群体运动是自然界中普遍存在的，种类繁多且规模各异。群体运动广泛存在于各类群体系统中，例如，天体聚集形成的星系运动，蚁群等生物体的活动以及公共场所中人群的群体行为。在实际生活中，群体运动的分析和研究在视觉监控、人群管理等相关领域带来了一系列关键应用，具体包括人群流量统计和拥塞分析、异常检测和报警、开发人群管理战略等多个方面。

基于多特征融合的群体行为分析方法在技术上提取主要包括多特征提取和群体行为识别两大部分。首先，在对群体行为进行分析之前，需要先提取多个特征，如群集性、流体特征、局部时空特征等。群集性取决于多个因素，如个体决定，人群密度和场景结构等。Zhou等首次提出了群集性的概念，用以描述群体行为中个体作为一个整体的协作程度。Shao等用马尔科夫过程描述群体行为，在群组级别计算群集性描述子，且提取了群组的稳定性、一致性、冲突性特征。光流计算连续两帧之间像素的瞬间运动，被广泛用于异常行为识别，群体运动检测和分割等。粒子流提供了从粒子的初始位置到一段时间后粒子位置的轨迹信息，解决了光流无法获取长时轨迹的问题，在群体分割和人群异常行为检测方面取得了一定成果。此外，典型的群体运动一般具有规律性和重复性，故可以根据从轨迹中提取的运动特征来分析群体运动，如目标之间的相对距离，加速度或能量等。考虑到复杂场景中获取完整轨迹的困难，一种新的运动特征轨段被提出，即短时间内跟踪方法所获得的轨迹片段，在轨迹聚类、行为识别等方面得到了广泛应用。

为了分析群体场景中的运动模式，多种聚类方法被提出。第一类是基于流体力学模型的运动模式聚类方法，即把运动群体看作由不同动态区域组成的流体。Ali等采用拉格朗日拟序结构来进行运动模式分割，揭示了速度场潜在的流体结构特性，但是这种方法的缺点在于不能很好区分缓慢运动的群体，且可能会过度分割低密度的群体。Wang等利用高精度的变分模型改进了经典的纹线流方法，从而实现更准确的运动模式分割。第二类方法是利用轨迹/轨段相似性实现群体运动模式聚类。Zhao等在轨段的基础上，通过流形学习推断场景的几何结构及视频中的运动模式。Zhou等利用KLT关键点跟踪方法获得的轨段，检测群体场景中的相干运动模式。此外，第三类运动模式聚类方法是基于统计概率模型的，如高斯混合模型，隐含狄利克雷分布模型，随机场主题模型等等。

发明内容

本发明提出了一种基于多特征融合的群体行为分析方法，充分提取并利用视频图像中的局部和全局运动信息，用于对视频图像中的群体行为进行分析。

本发明通过以下技术方案来实现上述目的：

(1)群组级别特征提取

组是构成群体的主要实体，研究表明一个群组不仅是空间上相邻个体的集合，是表现各种基本的组内和组间特性的动态单元，这里把一系列有着共同目标和群体行为的成员归入同一个群组。对于τ帧的视频短片，利用群集转变(Collective transition,CT)方法检测到一系列群组每组包含由KLT特征点跟踪方法获取的轨段集合{z}。对每个被检测到的群组，要提取一组视觉描述符来表示其特性。

为了便于说明，假定某个检测到的群组一帧中有n个成员，形成一个K-NN图G(V，E)，其顶点V代表成员，成员对由边缘E连接。边缘的计算通过关联矩阵W，矩阵元素为其中w_ij为两个成员的空间距离。在所给视频片段的每一帧，记一个成员z的近邻为