[發(fā)明專利]基于圖像的人群聚集狀態(tài)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201510076652.8
• 申請(qǐng)日: 2015-02-13
• 公開(kāi)（公告）號(hào): CN104680140B
• 公開(kāi)（公告）日: 2017-10-31
• 發(fā)明（設(shè)計(jì)）人: 于力;張鴿;鄒見(jiàn)效;徐紅兵
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙)51220
• 代理人: 溫利平

技術(shù)領(lǐng)域

本發(fā)明屬于人群聚集狀態(tài)檢測(cè)領(lǐng)域，更為具體地講，涉及一種基于圖像的人群聚集狀態(tài)檢測(cè)方法。

背景技術(shù)

隨著經(jīng)濟(jì)持續(xù)穩(wěn)定發(fā)展，城市公共場(chǎng)所作為經(jīng)濟(jì)文化的主要載體承擔(dān)著越來(lái)越多的商業(yè)活動(dòng)、娛樂(lè)活動(dòng)、文化活動(dòng)、交通運(yùn)輸活動(dòng)，體育活動(dòng)、宗教活動(dòng)等，每一次活動(dòng)都伴隨著大量的人群聚集。近年來(lái)，城市公共場(chǎng)所事故、災(zāi)害、突發(fā)重大事件的風(fēng)險(xiǎn)性逐步增大已成為一種客觀趨勢(shì)，其中，由人群聚集引發(fā)的事故發(fā)生頻率也在迅速增加。

面對(duì)嚴(yán)峻的形勢(shì)，如何有效地減少事故發(fā)生，控制事故發(fā)展，降低事故傷亡后果是一個(gè)重大的科研課題和社會(huì)課題。通過(guò)對(duì)人群聚集與人群動(dòng)力學(xué)屬性的研究，可以為公共場(chǎng)所大型人群聚集活動(dòng)中的人群管理和人群疏散提供理論指導(dǎo)，達(dá)到預(yù)防、控制和減緩人群聚集事故的目的。因此，對(duì)該問(wèn)題進(jìn)行深入的研究具有重要的現(xiàn)實(shí)意義，同時(shí)其應(yīng)用前景也十分廣泛，比如公共安全領(lǐng)域的人群示威游行、暴亂、踩踏事故、火災(zāi)等。

聚集是指具有一定數(shù)量個(gè)體的群體同時(shí)趨向于某一地點(diǎn)，構(gòu)成人群聚集狀態(tài)需要滿足兩個(gè)條件，第一，要求每個(gè)個(gè)體運(yùn)動(dòng)趨向性保持一致，運(yùn)動(dòng)趨向性保持一致包括個(gè)體從四周向同一地點(diǎn)聚集，或個(gè)體以同樣的速度趨向向同一地點(diǎn)聚集。第二，要求每個(gè)個(gè)體運(yùn)動(dòng)保持同時(shí)性。人群聚集現(xiàn)象的本質(zhì)特征是一定數(shù)量的自主個(gè)體通過(guò)關(guān)聯(lián)作用和自組織，在集體層面上呈現(xiàn)出有序的協(xié)同運(yùn)動(dòng)和行為，這種行為可以使群體表現(xiàn)出相同的集體的“意向”或“目的”。

在具有中高密度人群的場(chǎng)景中，大量的人相互碰撞會(huì)導(dǎo)致相互影響、相互遮擋等問(wèn)題，而且視頻中人群個(gè)體目標(biāo)大小不一，他們所展現(xiàn)出的個(gè)體行為趨向也更為多樣化，這些都使得人群聚集檢測(cè)變得十分復(fù)雜。

目前，傳統(tǒng)的基于軌跡或基于像素統(tǒng)計(jì)等人群聚集檢測(cè)算法主要存在以下缺陷：1)檢測(cè)的群體對(duì)象非常局限，并且主要局限于小群體聚集研究。2)不能準(zhǔn)確判斷群體狀態(tài)。3)不能定量衡量群體聚集狀態(tài)。

發(fā)明內(nèi)容

本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于圖像的人群聚集狀態(tài)檢測(cè)方法，通過(guò)結(jié)合人群聚集度和人群速度協(xié)同判斷人群聚集狀態(tài)。

為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明基于圖像的人群聚集狀態(tài)檢測(cè)方法包括以下步驟：

S1：獲取被檢測(cè)場(chǎng)所的監(jiān)控視頻圖像作為檢測(cè)樣本，將其中若干張圖像的平均圖像作為背景圖像；

S2：根據(jù)步驟S1得到的背景圖像對(duì)每幀監(jiān)控視頻圖像提取特征點(diǎn)并進(jìn)行跟蹤，記當(dāng)前監(jiān)控視頻圖像t中和前一幀監(jiān)控視頻圖像t-1匹配的有效特征點(diǎn)數(shù)量為n，特征點(diǎn)集C＝[p₁,p₂…p_n]；根據(jù)n個(gè)特征點(diǎn)在監(jiān)控視頻圖像t和前一幀監(jiān)控視頻圖像t-1中的坐標(biāo)計(jì)算得到第m個(gè)特征點(diǎn)的速度m的取值范圍為m＝1,2,…,n；根據(jù)各個(gè)特征點(diǎn)的速度計(jì)算得到人群的平均速度V；

S3：根據(jù)每個(gè)特征點(diǎn)的速度(υ_x,m,υ_y,m)進(jìn)行聚類，記聚類數(shù)量為c；

S4：對(duì)步驟S3得到的每個(gè)聚類分別計(jì)算群體聚集度，群體聚集度的計(jì)算包括以下步驟：

S4.1：根據(jù)特征點(diǎn)坐標(biāo)之間的距離，采用KNN算法得到聚類中每個(gè)特征點(diǎn)的K個(gè)鄰接特征點(diǎn)集合；

S4.2：根據(jù)步驟S4.1中得到的各個(gè)特征點(diǎn)的鄰接特征點(diǎn)集合建立當(dāng)前聚類的人群網(wǎng)絡(luò)圖G_k，k是聚類的序號(hào)，取值范圍為k＝1,2,…,c，每個(gè)特征點(diǎn)作為人群網(wǎng)絡(luò)圖中的節(jié)點(diǎn)，特征點(diǎn)與其鄰接特征點(diǎn)連接，與其非鄰接特征點(diǎn)不連接；

S4.3：計(jì)算各個(gè)特征點(diǎn)之間的行為相似度，對(duì)于特征點(diǎn)i，特征點(diǎn)j與其行為相似度ω_t(i,j)的計(jì)算公式為：

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

將行為相似度ω_t(i,j)作為人群網(wǎng)絡(luò)圖G_k中對(duì)應(yīng)兩個(gè)特征點(diǎn)連線的權(quán)重，從而得到加權(quán)鄰接矩陣W_k；

S4.4：計(jì)算聚類的群體聚集度Φ_k，的計(jì)算公式為：

其中，N_k表示聚類k中特征點(diǎn)的數(shù)量，e為單位列向量，上標(biāo)T表示轉(zhuǎn)置，I為單位矩陣，z為預(yù)設(shè)的常數(shù)，取值范圍為0＜z＜1/ρ(W_k)，ρ(W_k)表示W(wǎng)_k的譜半徑；

S5：計(jì)算整體群體聚集度Φ，計(jì)算公式為：