[發明專利]基于圖像的人群聚集狀態檢測方法

有效

• 申請號: 201510076652.8
• 申請日: 2015-02-13
• 公開（公告）號: CN104680140B
• 公開（公告）日: 2017-10-31
• 發明（設計）人: 于力;張鴿;鄒見效;徐紅兵
• 申請（專利權）人: 電子科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 成都行之專利代理事務所(普通合伙)51220
• 代理人: 溫利平

1.一種基于圖像的人群聚集狀態檢測方法，其特征在于，包括以下步驟：

S1：獲取被檢測場所的監控視頻圖像作為檢測樣本，將其中若干張圖像的平均圖像作為背景圖像；

S2：根據步驟S1得到的背景圖像對每幀監控視頻圖像提取特征點并進行跟蹤，記當前監控視頻圖像t中和前一幀監控視頻圖像t-1匹配的有效特征點數量為n，特征點集C＝[p₁,p₂…p_n]；根據n個特征點在監控視頻圖像t和前一幀監控視頻圖像t-1中的坐標計算得到第m個特征點的速度其中Δx_m＝x_m,t-x_m,t-1，Δy_m＝y_m,t-y_m,t-1，Δt表示兩幀監控視頻圖像的時間間隔，(x_m,t,y_m,t)、(x_m,t-1,y_m,t-1)分別表示特征點在監控視頻圖像t和前一幀監控視頻圖像t-1中的坐標，m的取值范圍為m＝1,2,…,n；根據各個特征點的速度計算得到人群的平均速度V；

S3：根據每個特征點的速度(υ_x,m,υ_y,m)進行聚類，記聚類數量為c；

S4：對步驟S3得到的每個聚類分別計算群體聚集度，群體聚集度的計算包括以下步驟：

S4.1：根據特征點坐標之間的距離，采用KNN算法得到聚類中每個特征點的K個鄰接特征點集合；

S4.2：根據步驟S4.1中得到的各個特征點的鄰接特征點集合建立當前聚類的人群網絡圖G_k，k是聚類的序號，取值范圍為k＝1,2,…,c，每個特征點作為人群網絡圖中的節點，特征點與其鄰接特征點連接，與其非鄰接特征點不連接；

S4.3：計算各個特征點之間的行為相似度，對于特征點i，特征點j與其行為相似度ω_t(i,j)的計算公式為：

ωt(i,j)=max(Ct(i,j),0),j∈N(i)0j∉N(i)]]>

其中，C_t(i,j)是特征點i和j的速度夾角余弦值，N(i)指特征點i的K個鄰接特征點集合；

將行為相似度ω_t(i,j)作為人群網絡圖G_k中對應兩個特征點連線的權重，從而得到加權鄰接矩陣W_k；

S4.4：計算聚類的群體聚集度Φ_k，的計算公式為：

Φk=1NkeT((I-zWk)-1-I)e]]>

其中，N_k表示聚類k中特征點的數量，e為單位列向量，上標T表示轉置，I為單位矩陣，z為預設的常數，取值范圍為0＜z＜1/ρ(W_k)，ρ(W_k)表示W_k的譜半徑；

S5：計算整體群體聚集度Φ，計算公式為：

Φ=1|N|Σk=1cNk·Φk,N=Σk=1cNk]]>

S6：設置平均速度閾值V_T、群體聚集度閾值Φ_T1和Φ_T2，并且Φ_T1＜Φ_T2，根據平均速度V和整體群體聚集度Φ得到當前人群聚集狀態，分為以下六種情況：

如果V≤V_T，Φ≤Φ_T1，人群聚集狀態為低速低聚集度；

如果V≤V_T，Φ_T1＜Φ≤Φ_T2，人群聚集狀態為低速中聚集度；

如果V≤V_T，Φ＞Φ_T2，人群聚集狀態為低速高聚集度；

如果V＞V_T，Φ≤Φ_T1，人群聚集狀態為高速低聚集度；

如果V＞V_T，Φ_T1＜Φ≤Φ_T2，人群聚集狀態為高速中聚集度；

如果V＞V_T，Φ＞Φ_T2，人群聚集狀態為高速高聚集度。