[發明專利]密集客流異常行為檢測方法

有效

• 申請號: 201611196452.7
• 申請日: 2016-12-22
• 公開（公告）號: CN106599867B
• 公開（公告）日: 2020-02-14
• 發明（設計）人: 董楠;魏建明;陳建英
• 申請（專利權）人: 中國科學院上海高等研究院
• 主分類號: G06K9/00
• 分類號: G06K9/00;H04N7/18
• 代理公司: 31219 上海光華專利事務所(普通合伙)
• 代理人: 余明偉

1.一種密集客流異常行為檢測方法，其應用于利用少量稀疏分布的攝像頭組成的稀疏監控網絡中，其特征在于，所述密集客流異常行為檢測方法包括：

1)自少量稀疏分布的攝像頭所攝取的視頻圖像中獲取離散分布的多個特征點，并使用前景物體檢測算法判斷特征點是否在前景圖像內，若是，則確定所述特征點為待測特征點，否則，所述特征點被視為噪聲點并予以濾除；

2)使用特征點跟蹤算法獲取被確定的待測特征點的運動軌跡，以相應得到被確定的待測特征點在當前時刻幀的運動速度、運動方向以及坐標位置，并依據所得到的坐標位置，計算被確定的待測特征點相互之間的距離，且對應每個攝像頭的視域范圍，依據所得到的被確定的待測特征點的運動速度、運動方向以及相互之間的距離，并搭配依據一第一規則，將每一個攝像頭的視域范圍內的所有待測特征點劃分為不同類的點簇；

3)依據同一類點簇中所有待測特征點的運動速度以及運動方向，并搭配依據一第二規則，計算得到同一類點簇中所有待測特征點在當前時刻幀的運動速度均值以及運動方向均值；

4)依據同一類點簇中所計算得到的所有待測特征點的運動速度均值以及運動方向均值，并搭配依據一第三規則，計算得到每一類點簇在當前時刻幀的運動速度均值、運動方向均值以及加速度，且依據前景檢測算法檢測每一類點簇在前景圖像中的幾何中心，并將所檢測到的幾何中心確定為每一類點簇的質心，且據此獲取每一類點簇的質心的坐標位置，并依據所獲取的每一類點簇的質心的坐標位置，計算出所述類點簇的質心到相鄰類點簇的質心的距離；

5)依據所計算得到的同屬于一個攝像頭的視域范圍內的所有類點簇在當前時刻幀的加速度、每一類點簇的質心到相鄰各類點簇的質心的距離以及運動方向均值，并搭配依據一第四規則，計算得到一對應所述攝像頭的視域范圍內的統計值；

6)判斷所計算得到的統計值是否大于一正數閾值，若是，則提供一對應所述攝像頭的視域范圍外出現行進阻塞異常的警告提示，并根據對應所述攝像頭的視域范圍內的每一類點簇的運動方向均值，判定并提供一對應所述視域范圍外阻塞異常發生的方向的警告提示，接著，返回至步驟1)，若否，則進至下一步驟；以及

7)判斷所計算得到的統計值是否小于一負數閾值，若是，則提供一對應所述攝像頭的視域范圍外出現群體哄散異常的警告提示，并根據對應所述攝像頭的視域范圍內的每一類點簇的運動方向均值，判定并提供一對應所述視域范圍外哄散異常發生的方向的警告提示，接著，返回至步驟1)，若否，則判定對應所述攝像頭的視域范圍外的行進未出現異常，并提供一行動正常的提示，接著，返回至步驟1)。

2.根據權利要求1所述的密集客流異常行為檢測方法，其特征在于：所述前景物體檢測算法為高斯混合模型(Gaussian Mixture Model；GMM)算法以及Codebook算法的其中一者。

3.根據權利要求1所述的密集客流異常行為檢測方法，其特征在于：所述特征點為行人。

4.根據權利要求1所述的密集客流異常行為檢測方法，其特征在于：所述特征點跟蹤算法為(Kanade–Lucas–Tomasi feature tracker；KLT)算法。

5.根據權利要求1所述的密集客流異常行為檢測方法，其特征在于：所述第一規則是依據所得到的被確定的待測特征點的運動速度、運動方向以及相互之間的距離，將在同屬于一個攝像頭的視域范圍內的，且符合相距在小于一特定距離、運動速度之間的速度差值小于一特定速度值內、以及運動方向之間的角度差值小于一特定角度值的要求的所有待測特征點劃分為一類點簇。

6.根據權利要求1所述的密集客流異常行為檢測方法，其特征在于：所述第二規則為取同一類點簇中所有待測特征點從當前時刻幀起往前數一定數量時刻幀的運動速度的均值為各待測特征點在當前時刻幀的運動速度均值，并取同一類點簇中所有待測特征點從當前時刻幀起往前數一定數量時刻幀的運動方向的均值為各待測特征點在當前時刻幀的運動方向均值，具體如下列公式所示：

其中，m表示待測特征點的序號，表示序號為m的待測特征點在當前時刻幀的運動速度均值，表示序號為m的待測特征點在當前時刻幀的運動方向均值，t表示當前時刻幀，k表示從當前時刻幀起往前所取的時刻幀的數量。