[發(fā)明專利]一種結(jié)合多特征的密集場景人群分群檢測方法

在審

• 申請?zhí)枺?/td>: 201910173856.1
• 申請日: 2019-03-08
• 公開（公告）號: CN109977800A
• 公開（公告）日: 2019-07-05
• 發(fā)明（設(shè)計）人: 趙倩;吳福豪
• 申請（專利權(quán)）人: 上海電力學(xué)院
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 上海科盛知識產(chǎn)權(quán)代理有限公司 31225
• 代理人: 趙繼明

本發(fā)明涉及一種結(jié)合多特征的密集場景人群分群檢測方法，包括以下步驟：步驟1：針對視頻圖像序列的圖像獲得行人坐標(biāo)信息；步驟2：獲得所有行人兩兩組合的排列方式；步驟3：對行人坐標(biāo)信息進(jìn)行特征提取；步驟4：對已知軌跡和分組結(jié)果的數(shù)據(jù)集進(jìn)行相關(guān)性聚類求解以獲得最大權(quán)值矩陣；步驟5：通過支持向量機(jī)在測試集上獲取分群結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明采用連續(xù)能量最小化獲取行人坐標(biāo)，然后提取行人運(yùn)動軌跡時空特征、運(yùn)動方向特征、格蘭杰因果性、熱能圖特征以及運(yùn)動相關(guān)性特征，通過相關(guān)性聚類對數(shù)據(jù)集進(jìn)行訓(xùn)練得到所提取特征到聚類結(jié)果的分類映射，最后在數(shù)據(jù)集上由此分類映射實現(xiàn)分群，具有識別準(zhǔn)確度高，適用范圍廣等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及計算機(jī)視覺和智能交通技術(shù)領(lǐng)域，尤其是涉及一種結(jié)合多特征的密集場景人群分群檢測方法，該方法可以實現(xiàn)對無序密集運(yùn)動場景小群體檢測，在智能監(jiān)控、公共安全和目標(biāo)檢測等系統(tǒng)中均有廣泛應(yīng)用。

背景技術(shù)

隨著世界范圍內(nèi)的城市化，人群現(xiàn)象變得越來越頻繁，比如體育比賽、游行示威、恐怖活動等等，公共場所的安全越來越受到人們的重視。因此密集人群中小群體檢測技術(shù)對于智能監(jiān)控、虛擬現(xiàn)實、公共安全等方面有著廣泛的應(yīng)用前景，在維護(hù)社會治安、智能規(guī)劃城市交通等方面都有重要的研究價值。

密集人群的運(yùn)動場景從宏觀上可以分為兩種類型：結(jié)構(gòu)化的運(yùn)動場景和非結(jié)構(gòu)化的運(yùn)動場景。在結(jié)構(gòu)化的運(yùn)動場景中，人群在共同的路徑上運(yùn)動，運(yùn)動路徑不會頻繁發(fā)生變化，并且場景中的每個空間位置都有一個關(guān)鍵的群體行為，例如公路自行車賽、馬拉松等。在非結(jié)構(gòu)化擁擠的場景中，行人在不同的方向上自由移動，以及每個空間位置往往有幾個人群行為。另外由于在人群和遮擋之間存在復(fù)雜的相互作用，這種復(fù)雜的特性大大增加了研究的難度，因此之前研究成果設(shè)計也較少。目前有些算法通過物理模型分析人群。如，Moore等提出的構(gòu)建流體力學(xué)模型，此類算法在極其密集的人群中有效，但該類算法忽視單個個人目的和目標(biāo)的存在。如，Helbing等采用行人動力學(xué)的社會力量模型，該模型認(rèn)為任何朝向目標(biāo)移動的行人都會受到周圍行人的影響。另一類算法通過評估一個根據(jù)鄰近性和速度特征的組合來定義的社會學(xué)群體間親密度度量來分層合并小群體。如，Bandini等提出社會關(guān)系影響人們在人群的行為方式，強(qiáng)調(diào)大多數(shù)人傾向于團(tuán)體活動。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷，有監(jiān)督地在無序運(yùn)動的密集場景中對復(fù)雜運(yùn)動模式的人群分群檢測，而用于后續(xù)的視頻分析、監(jiān)控而提供一種結(jié)合多特征的密集場景人群分群檢測方法。

本發(fā)明的目的可以通過以下技術(shù)方案來實現(xiàn)：

一種結(jié)合多特征的密集場景人群分群檢測方法，包括以下步驟：

步驟1：針對視頻圖像序列的圖像獲得行人坐標(biāo)信息；

步驟2：獲得所有行人兩兩組合的排列方式；

步驟3：對行人坐標(biāo)信息進(jìn)行特征提取；

步驟4：對已知軌跡和分組結(jié)果的數(shù)據(jù)集進(jìn)行相關(guān)性聚類求解以獲得最大權(quán)值矩陣；

步驟5：通過支持向量機(jī)在測試集上獲取分群結(jié)果。

進(jìn)一步地，所述步驟3中的特征提取包括軌跡時空距離特征、運(yùn)動方向特征、格蘭杰因果性特征、熱能圖特征和運(yùn)動相關(guān)性特征，其對應(yīng)描述公式為：

d(a,b)＝[d₁(a,b),d₂(a,b),d₃(a,b),d₄(a,b),d₅(a,b)]