[发明专利]复杂场景下的群体运动模式检测方法

摘要

本发明公开了一种复杂场景下的群体运动模式检测方法，包括如下步骤A1-A4：A1、获取监控视频；A2、使用背景差分法获取运动区域；A3、对单元格内的运动信息进行优化；A4、根据单元格的运动信息建立全局运动模式。本发明使用光流法对真实监控下的公共场所这样的人群密度较大的复杂场景进行运动信息提取，并用单元格的形式将这些信息区域化。本发明以单元格为基本对象，对运动模式进行监测分析，并进一步进行语义区域判定。本发明解决了传统的运动模式分析方法无法适用于这种遮挡严重、目标众多的复杂场景的问题，为公共场合的监控和安防提供了智能化支持。

主权项

一种复杂场景下的群体运动模式检测方法，其特征在于，包括如下步骤A1‑A4：A1、获取监控视频；A2、使用背景差分法获取运动区域，首先使用Harris角点检测方法获取视频序列中第t帧易于跟踪的点，Pt＝{pi＝(xi，yi)|0≤i≤Nfeaturepoints}，其中Nfeaturepoints是为Harris角点检测方法设定的数量上限阈值；将这些点作为特征点，使用LK光流法对这些特征点进行跟踪并对结果进行计算，可以得到第t帧的特征向量Vt＝{vi＝(xi，yi，ui，vi，ai，mi)|0≤i≤Nfeaturepoints}，其中(ui，vi)是运动向量，ai是Vt的方向角度，mi是运动向量的大小。之后我们设定阈值Mmax和Mmin，作为运动向量大小的阈值，将所有mi≤Mmin和mi≥Mmax的向量判定为噪声并去除；将视频中所有帧跟踪得到的特征向量组成一个集合，采用高斯ART方法进一步减少该集合中特征向量的数量，以减少计算量；将视频区域划分成M×N个大小相等的单元格，使得该集合中的特征向量分别属于这些单元格；对每个单元格内的特征向量进行统计，建立这些特征向量的方向直方图Hi，jA3、对单元格内的运动信息进行优化；设直方图Hi，j中的最大值为hmax，即表示这个方向的特征向量数量是最多的；设定λhmax(0＜λ＜1)为阈值，若某个方向的特征向量数量大于该阈值，认为这个方向是其对应单元格的主运动方向；统计每个单元格相邻的8个单元格中，指向该单元格的主运动方向所含特征向量的数量，将其总和nin作为单元格的进入向量数作为单元格的流入向量数；将每个单元格所含的主运动方向的特征向量数量的总和记作nout作为单元格的流出向量数；比较单元格的流入向量数和流出向量数，若nout＞＞nin，即该单元格流出向量数远远大于流入向量数，判定该单元格为“出口”类型的单元格；若nout＜＜nin，即该单元格流入向量数远远大于流出向量数，判定该单元格为“入口”类型的单元格；否则判定该单元格为“路径”类型的单元格；A4、根据单元格的运动信息建立全局运动模式：将相邻的“出口”类型单元格合并， 形成“出口”；将相邻的“入口”单元格合并，形成入口；从“出口”出发，依照单元格的主运动方向，依次连接相邻的“路径”类型单元格，形成“路径”；一个“出口”，一个“入口”，以及能够连接它们的最短“路径”形成一种运动模式，用不同的颜色表示不同运动模式所包含的单元格。