[發明專利]基于LBP加權社會力模型的人群異常事件檢測方法

有效

• 申請號: 201210065523.5
• 申請日: 2012-03-13
• 公開（公告）號: CN102682303A
• 公開（公告）日: 2012-09-19
• 發明（設計）人: 楊華;曹藝華;張科銘;蘇航
• 申請（專利權）人: 上海交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/20
• 代理公司: 上海漢聲知識產權代理有限公司 31236
• 代理人: 郭國中

1.一種基于LBP加權的社會力模型的人群異常事件檢測方法，其特征在于，包括以下步驟：

第一步：基于塊匹配法計算網格采樣點的光流向量；

第二步：基于時空域局部二值模式對采樣點進行動態紋理提取，并進行傅里葉變換的譜分析；

第三步：根據LBP加權社會力模型計算采樣點的社會力；

第四步：將社會力進行直方圖量化并進行歸一，通過支持向量機進行學習檢測。

2.根據權利要求1所述的基于LBP加權的社會力模型的人群異常事件檢測方法，其特征在于，第一步中，將彩色視頻轉化為灰度視頻，使用中值濾波進行去噪，然后在空間和時間上進行網格狀采樣，基于塊匹配旋轉搜索的方法計算采樣點的光流向量，并對光流向量的大小進行線性校正。

3.根據權利要求2所述的基于LBP加權的社會力模型的人群異常事件檢測方法，其特征在于，所述對光流向量的大小進行線性校正采用了基于線性內插權重的透視矯正，對光流大小不為零的地方加一個矯正參數以更為準確的表示實際光流，離攝像頭越遠，矯正參數越大。

4.根據權利要求1所述的基于LBP加權的社會力模型的人群異常事件檢測方法，其特征在于，第二步中，所述基于時空域局部二進制模式對采樣點進行動態紋理提取是指：通過時空鄰域點像素與中心像素差值的大小來決定賦值，差值大的置為1，差值小的置為0，再結合時域特性，取相鄰3幀計算；序列順序有兩種：螺旋形，即先在幀內旋轉排列，再沿圓柱體在幀間旋轉排列；之字形，即先排列幀間對應點，再走之字形旋轉排列。

5.根據權利要求4所述的基于LBP加權的社會力模型的人群異常事件檢測方法，其特征在于，第二步中，將采樣點處得到的二進制序列進行傅里葉變換，根據主頻和副頻的幅值相加得到一個頻值，其中，人群流量大的地方變化大，其相應的二進制波形變化快，所得到的頻值也大；兩個序列得到兩個不同的頻值，將其相加取平均值并歸一化。

6.根據權利要求1-5任一項所述的基于LBP加權的社會力模型的人群異常事件檢測方法，其特征在于，第三步中，所述根據LBP加權社會力模型計算采樣點的社會力，具體為：

社會力Fint=mi{dvidt+1τpi(O(xi,yi)-Oave(xi,yi))}]]>

其中，O(x_i，y_i)為粒子i的光流運動向量，O_ave(x_i，y_i)為光流向量在粒子i時空鄰域上的平均值，即相鄰多幀粒子i領域光流運動向量的平均值，τ為控制反饋速度的時間參數，為相鄰兩幀光流的差值；由于粒子i處LBP譜特征值越大，代表人群密度越大，相應的粒子i的質量也越大，也越傾向于按照周圍粒子的趨勢運動，因此質量m_i與聚集移動參數p_i與LBP譜特征值成正比，采用LBP譜特征值來表示質量m_i與聚集移動參數p_i，使社會力模型能夠更好的融入視頻的時域特性和密度特性，更好的模擬行人運動。

7.根據權利要求4或5所述的基于LBP加權的社會力模型的人群異常事件檢測方法，其特征在于，第四步中，所述直方圖量化只對非0數據進行直方圖量化。