[發(fā)明專利]一種用于視頻監(jiān)控自動(dòng)探測(cè)人群異常行為的特征描述方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410154600.3
• 申請(qǐng)日: 2014-04-17
• 公開（公告）號(hào): CN105023019B
• 公開（公告）日: 2018-11-13
• 發(fā)明（設(shè)計(jì)）人: 楊夙;張新峰
• 申請(qǐng)（專利權(quán)）人: 復(fù)旦大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;盛志范

本發(fā)明屬于模式識(shí)別和人工智能技術(shù)領(lǐng)域，具體為一種用于視頻監(jiān)控自動(dòng)探測(cè)人群異常行為的特征描述方法。本發(fā)明方法的步驟為：計(jì)算監(jiān)控視頻中像素運(yùn)動(dòng)的瞬時(shí)速度；根據(jù)像素的速度的屬性，建立分布直方圖；根據(jù)該直方圖的統(tǒng)計(jì)意義或數(shù)學(xué)意義構(gòu)造出對(duì)應(yīng)的特征描述。本發(fā)明提出的用于自動(dòng)監(jiān)視視頻監(jiān)控中異常人群移動(dòng)的特征描述方法具有明確的物理意義，便于有目的的參數(shù)調(diào)整以適應(yīng)不同場(chǎng)合的應(yīng)用；實(shí)現(xiàn)步驟簡(jiǎn)單，速度快，不需要費(fèi)時(shí)的機(jī)器學(xué)習(xí)過程；不基于目標(biāo)跟蹤，不受場(chǎng)景中人數(shù)的限制，不受視頻分辨率的影響。

技術(shù)領(lǐng)域

本發(fā)明屬于模式識(shí)別和人工智能技術(shù)領(lǐng)域，具體涉及一種用于自動(dòng)探測(cè)視頻監(jiān)控中異常人群移動(dòng)的特征描述方法。

背景技術(shù)

視頻監(jiān)控被越來越廣泛的用于各種公共場(chǎng)所，如火車站、機(jī)場(chǎng)、地鐵、公交車、道路、商場(chǎng)等。人工監(jiān)控的方式需要安保人員長(zhǎng)時(shí)間面對(duì)大量顯示器，工作枯燥又需要長(zhǎng)時(shí)間集中注意力，容易造成對(duì)異常突發(fā)事件的誤報(bào)、延報(bào)和漏報(bào)。迫切需要自動(dòng)監(jiān)視的方法。

較早的基于目標(biāo)的自動(dòng)監(jiān)視方法是將視頻中的人群行為看成是由單個(gè)人行為組合而成的。因此，這類方法通過單個(gè)個(gè)體來研究群體行為，其性能依賴于目標(biāo)的分割[1]或者目標(biāo)的跟蹤[2,3]。在低密度的人群的場(chǎng)景中，基于目標(biāo)的方法能夠獲得較好的性能。然而，在高密度人群的場(chǎng)景中，嚴(yán)重的遮擋以及動(dòng)態(tài)的遮擋嚴(yán)重地影響著目標(biāo)分割和跟蹤的準(zhǔn)確性。捕捉單個(gè)人的行為變得不可能。

最新的人群異常行為的檢測(cè)方法通過對(duì)視頻的局部小單元（視頻單幀的像素、小塊或多幀的小塊）進(jìn)行建模，來回避目標(biāo)的分割和跟蹤。基于局部小單元的方法可以分為兩大類：基于機(jī)器學(xué)習(xí)的方法和基于門限的方法。下面將討論這兩類中一些有代表性的方法。

基于機(jī)器學(xué)習(xí)的方法需要一個(gè)學(xué)習(xí)過程（有監(jiān)督，無監(jiān)督或半監(jiān)督）來為視頻中的人群行為進(jìn)行建模。Mehran等[4]結(jié)合Social Force Model (SFM)和光流算法為人群正常行為狀態(tài)下粒子之間的作用力進(jìn)行建模。Zhu等[5]在SFM的框架下提出了環(huán)境權(quán)重相互作用力來區(qū)分人群的正常行為和異常行為。文獻(xiàn)[6]利用動(dòng)態(tài)紋理對(duì)人群場(chǎng)景及其動(dòng)態(tài)特性進(jìn)行建模。Reddy等[7]提取每個(gè)前景單元的運(yùn)動(dòng)、大小和紋理特征，對(duì)這些特征分別獨(dú)立建模來實(shí)現(xiàn)異常人群行為的識(shí)別。Ryan等[8]基于灰度共生矩陣提出了光流紋理來度量視頻流的均勻程度，進(jìn)而實(shí)現(xiàn)異常行為的探測(cè)。Wu等[9]利用拉格朗日粒子軌跡的不變性來探測(cè)和定位人群的異常行為。Wang等[10]利用小波變換來獲得頻率特征進(jìn)而探測(cè)異常的人群行為。Kratz等[11]從3D的小塊視頻中提取梯度信息來擬合高斯模型，利用耦合的隱馬爾科夫模型探測(cè)群體事件中的異常。Yang等[12]用正常行為做字典用稀疏表示的方法重構(gòu)人群行為，根據(jù)重構(gòu)代價(jià)來探測(cè)異常行為。這些基于機(jī)器學(xué)習(xí)的方法包含的學(xué)習(xí)過程是非常費(fèi)時(shí)間的。此外，機(jī)器學(xué)習(xí)算法的分類結(jié)果是與訓(xùn)練樣本的選擇有關(guān)的，也就是說不同的訓(xùn)練樣本可能產(chǎn)生不同的探測(cè)結(jié)果。如果選擇的訓(xùn)練樣本不合適或者不充分，檢測(cè)到的異常行為有可能是錯(cuò)誤的或者根本探測(cè)不到?？墒?，目前還沒有公認(rèn)的訓(xùn)練樣本的選擇標(biāo)準(zhǔn)?；跈C(jī)器學(xué)習(xí)的方法要實(shí)現(xiàn)異常行為的探測(cè)需要對(duì)人群的異常行為和正常行為同時(shí)進(jìn)行建模。然而，在長(zhǎng)時(shí)間的監(jiān)控視頻中，正常行為的類型數(shù)會(huì)遠(yuǎn)遠(yuǎn)超過異常行為的類型數(shù)。用少量的訓(xùn)練樣本通過學(xué)習(xí)的方法為各種類型的正常行為建立統(tǒng)一的模型是非常困難的。所以，基于機(jī)器學(xué)習(xí)的方法通常不適用于長(zhǎng)時(shí)間的自動(dòng)監(jiān)視[13]。

基于門限的方法是一類不需要機(jī)器學(xué)習(xí)的算法，當(dāng)目標(biāo)值超過預(yù)設(shè)門限時(shí)發(fā)出警告。Ihaddadene等[14]通過分析運(yùn)動(dòng)方向代替目標(biāo)跟蹤來實(shí)現(xiàn)異常事件的探測(cè)。Xiong等[13]提出了一種能量模型來探測(cè)兩種類型的人群異常行為。Zhong等[15]通過用運(yùn)動(dòng)特征定義人群能量來表示擁擠程度，進(jìn)而探測(cè)異常行為。Cao等[16]結(jié)合了人群動(dòng)能、由動(dòng)能導(dǎo)出的運(yùn)動(dòng)變化和由方向直方圖得到的運(yùn)動(dòng)方向變化來檢測(cè)異常事件。眾所周知，機(jī)器學(xué)習(xí)能夠用于估計(jì)系統(tǒng)的參數(shù)，可是基于門限的方法沒有學(xué)習(xí)過程，如果同時(shí)參數(shù)的物理意義不夠明確，當(dāng)為了滿足不同應(yīng)用需求對(duì)參數(shù)作調(diào)整時(shí)，就會(huì)變得非常盲目，需要大量試誤，這樣會(huì)消耗大量的時(shí)間和精力進(jìn)行參數(shù)調(diào)整。

參考文獻(xiàn)