[发明专利]一种基于强化学习的在线非监督的人群组分割方法及终端

说明书

本发明公开了一种基于强化学习的在线非监督的人群组分割方法及终端，包括：通过视频序列追踪运动特征点轨迹并提取运动人群语义；使用速度约束的自然最近邻法确定每个特征点最近邻的数量；计算每个特征点与其最近邻K个点的路径相似度，构造路径相似度矩阵；计算不同特征点轨迹在该时刻的运动相似度邻接矩阵；构建强化学习模块；构建价值矩阵进行强化学习训练，获得最佳分割阈值；根据最佳分割阈值对相似度邻接矩阵进行阈值分割，剩余的连通区域为最终特征点分割结果；基于最终特征点分割结果，利用K最近邻法对运动人群语义进行分割聚类，实现像素级别的人群组分割。通过本发明，提高了计算准确性以及分割准确性。

技术领域

本发明涉及计算机视觉技术领域，特别涉及一种基于强化学习的在线非监督的人群组分割方法及终端。

背景技术

集群运动是自然界最常见的现象之一。在城市公共安全这一领域中，同人民群众生命财产安全和日常出行紧密挂钩的集群运动越发值得关注，城市公共安全的形式也日趋复杂严峻。近年来，计算机视觉技术业已在群体管理中发挥了越来越重要的作用，比如群体的流量控制、群体目标的跟踪和群体异常事件检测等，人群组分割是以上研究领域的基础和前提，是首先要解决的重要问题。

当前人群的组分割方法主要基于三类物理模型：光流场模型、概率模型和粒子运动相似性模型。其中，光流场(参见：S.Ali and M.Shah,“A lagrangian particledynamics approach for crowd flow segmentation and stability analysis,”in2007IEEE Conference on Computer Vision and Pattern Recognition,June 2007,pp.1–6.)具有有效应对高密度人群场景的能力。然而该模型在低密度场景下，分割结果往往过于分散。概率模型(参见：Lei Song,F.Jiang,Zhongke Shi,and A.K.Katsaggelos,“Understanding dynamic scenes by hierarchical motion pattern mining,”in2011IEEE International Conference on Multimedia and Expo,July 2011,pp.1–6.)长于分析行人的长期行为，但是对人群剧烈和突然变化的反应不佳。粒子运动相似性模型(参见：Bolei Zhou,Xiaoou Tang,and Xiaogang Wang,“Coherent filtering:Detectingcoherent motions from crowd clutters,”in Computer Vision–ECCV 2012,AndrewFitzgibbon,Svetlana Lazebnik,Pietro Perona,Yoichi Sato,and Cordelia Schmid,Eds.,Berlin,Heidelberg,2012,pp.857–871,Springer Berlin Heidelberg.)中计算并利用粒子的轨迹来获得运动人群的时间和空间关系，是最常用的模型之一，在不同场景中都具有广泛应用。在不同场景的运动聚类和组分割中，当前大多数模型方法都依赖于的固定参数。模型的固定参数通常对各种场景的适应性较差。当传统的固定参数的分割方法遇到不同的场景尺度和颗粒度时，参数总是不能很好地适应而影响结果准确性，需要进行人工调试，增加了成本。

发明内容

本发明针对上述现有技术中存在的问题，提出一种基于强化学习的在线非监督的人群组分割方法及终端，使用在线非监督的强化学习的方法，对人群组分割的关键参数进行自动学习，不依赖于训练样本，免去前期数据标注的准备工作；面对不同的监控应用场景可以自适应地调整参数，提高人群组分割算法在不同监控尺度与人群颗粒度下的适应能力，从而方法的准确率得到提升。

为解决上述技术问题，本发明是通过如下技术方案实现的：

根据本发明的第一方面，提供一种基于强化学习的在线非监督的人群组分割方法，其包括以下步骤：