一種基于角點的凸包表示的人群聚集檢測的方法與裝置制造方法
【專利摘要】本發(fā)明提出了一種采用凸包(凸多邊形)來描述人群并使用二次聚類方法對人群進行進一步的簡化的人群聚集檢測的方法與裝置，通過使用角點描述人群，避免了人群個體分割的不準確性；通過使用凸包表示相隔很近并且具有相似運動形態(tài)的人群，使得事件檢測上升為群體性判斷而非個體行為判斷；通過對人群凸包進行二次聚類，減少了同向人群運動向量交點個數，使得計算的人群事件概率更加準確。
【專利說明】—種基于角點的凸包表示的人群聚集檢測的方法與裝置
【技術領域】
[0001 ] 本發(fā)明屬于人群檢測領域，涉及一種人群聚集檢測的方法與裝置。
【背景技術】
[0002]目前，已有的人群聚集檢測系統(tǒng)主要通過檢測場景中人數和密度來判斷是否出現聚集現象。但是這種系統(tǒng)僅適用于小范圍室內場景，而且在分割人群個體方面很容易受到人群遮擋等因素的影響，無法保證人群個數計算的準確性。雖然近年提出的基于運動向量交點的人群聚集檢測系統(tǒng)能解決人群個數統(tǒng)計不準確性問題，但是計算運動向量的交點和對所有角點進行分類判別具有較高的復雜度，很難達到實時性要求，并且容易產生單人相向行人誤報。
[0003]現有技術中描述具有相似運動形態(tài)的人群形狀大多采用圓形或者矩形，而實際場景中人群形狀往往不具有固定的形狀，這樣這些形狀描述器都不能很好的描述人群。例如人群在公路上行走時，人群分布是一個長條形的，如果用圓形來描述的話，勢必圓內有很大部分空洞，所以不能準確的描述人群分布范圍；人群聚集成一堆的時候，形狀也可能是類橢圓形，如果用矩形來描述的話，也會有很多的空白區(qū)域。當人群呈扁平狀時，使用圓形或者長方形來表示人群區(qū)域都會包含很多的空洞。

【發(fā)明內容】

[0004]為了解決現有技術中存在的問題，本發(fā)明提出了一種采用凸包(凸多邊形)來描述人群并使用二次聚類方法對人群進行進一步的簡化的人群聚集檢測的方法與裝置。
[0005]本發(fā)明通過如下技術方案實現:
[0006]一種基于角點的凸包表示的人群聚集檢測方法，包括如下步驟:
[0007]A、獲取視頻幀圖像；
[0008]B、通過幀差法計算出運動人群前景區(qū)域；
[0009]C、通過Harris角點檢測算法計算圖像的角點；
[0010]D、使用人群前景作為掩膜算子計算出圖像中的運動角點；
[0011]E、使用KLT (Kanade-Lucas-Tomas)算法對運動角點進行跟蹤,并計算每個角點的運動向量；
[0012]F、通過DBSCAN聚類算法對人群運動向量進行聚類，并使用凸包表示每個人群類簇；
[0013]G、用一個運動向量表示一個人群類簇，并對這些凸包運動向量使用DBSCAN聚類算法進行二次聚類，得到二次聚類運動向量；
[0014]H、計算任意兩個二次聚集運動向量的交點，并根據交點位置與運動向量之間的位置關系將每個交點定義為聚集交點、疏散交點或其他交點；
[0015]1、計算每類交點出現的概率，并進行事件決策。
[0016]進一步地，所述步驟B中還包括對前景圖像進行膨脹處理。[0017]進一步地，所述步驟B和步驟C的執(zhí)行順序可以互換。
[0018]進一步地,所述Harris角點檢測算法為C.Harris和M.Stephens提出的Harris角點檢測算法。
[0019]進一步地,所述DBSCAN聚類算法使用R*_tree算法實現。
[0020]進一步地，所述凸包即為包含所有類簇角點的最小多邊形；用凸包的頂點表示類簇的邊界，凸包頂點的運動信息表示類簇的運動信息。
[0021]進一步地，所述人群聚集交點是兩運動向量的交點位置位于兩運動向量的正前方處的交點；所述人群疏散交點是兩運動向量的交點位置位于兩運動向量的正后方處的交點。
[0022]進一步地，所述步驟I具體為:首先統(tǒng)計人群聚集交點個數、人群疏散交點個數和其他事件交點個數，并計算每類點在總的交點中所占的比例，即得人群聚集概率、人群疏散概率和其他事件概率。
[0023]進一步地，為每類事件設置權重系數Wi。
[0024]另一方面，本發(fā)明提供給了一種基于角點的凸包表示的人群聚集檢測裝置，包括視頻獲取模塊、角點檢測模塊、運動交點獲取模塊、人群建模凸包表示模塊、聚散事件檢測模塊；其中，所述視頻獲取模塊，用于獲取視頻幀圖像；角點檢測模塊，用于通過幀差法計算出運動人群前景區(qū)域并通過Harris角點檢測算法計算圖像的角點；角點運動向量獲取模塊，用于使用人群前景作為掩膜算子計算出圖像的運動角點，并使用KLT算法對運動角點進行跟蹤，并計算每個角點的運動向量；人群建模凸包表示模塊，用于通過DBSCAN聚類算法對人群運動向量進行聚類，并使用凸包表示每個人群類簇，然后用一個運動向量表示一個人群類簇，并對這些凸包運動向量使用DBSCAN聚類算法進行二次聚類，得到二次聚類運動向量；聚散事件檢測模塊，用于計算任意兩個二次聚集運動向量的交點，并根據交點位置與運動向量之間的位置關系將每個交點定義為聚集交點、疏散交點或其他交點，得到每類交點出現的概率，并進行事件決策。
[0025]本發(fā)明的有益效果是:通過使用角點描述人群，避免了人群個體分割的不準確性；通過人群聚類，并用凸包表示相隔很近并且具有相似運動形態(tài)的人群，使得事件檢測上升為群體性判斷而非個體行為判斷；通過對人群凸包進行二次聚類，減少了同向人群運動向量交點個數，使得計算的人群事件概率更加準確。
【專利附圖】

【附圖說明】
[0026]圖1是本發(fā)明的基于角點凸包表示的人群聚集檢測方法流程示意圖；
[0027]圖2是Graham求點集凸包算法流程示意圖；
[0028]圖3是本發(fā)明基于角點凸包表示的人群聚集檢測裝置的結構示意圖。
【具體實施方式】
[0029]下面結合【專利附圖】

【附圖說明】及【具體實施方式】對本發(fā)明進一步說明。
[0030]本發(fā)明的基于角點的凸包表示的人群聚集檢測包括以下步驟:
[0031]A.通過攝像頭獲取視頻幀圖像。
[0032]B.幀差法獲取人群運動前景區(qū)域。幀差法通過計算視頻序列相鄰兩幀圖像的差圖像。將得到的差圖像進行二值化處理，二值化閾值為50，獲取人群運動區(qū)域。由于幀差法得到的前景區(qū)域有“空洞”現象，因此，對前景圖像進行膨脹處理，這樣作為角點掩膜算法能夠獲取更多的人群角點。
[0033]C.Harris角點檢測。鑒于Harris角點檢測算法計算簡單,提取的角點特征分布均勻而且合理等有點，算法使用C.Harris和M.Stephens提出了 Harris角點檢測算法。
[0034]D.使用人群前景作為掩膜算子計算出圖像中的運動角點。使用人群運動前景區(qū)域作為掩膜算子，保留前景區(qū)域中的角點，即人群角點；濾除背景區(qū)域中的角點。
[0035]E.使用KLT算法進行角點跟蹤，并計算每個角點的運動向量。使用金字塔KLT跟蹤前一幀圖像中角點在當前幀圖像中位置，此時得到角點的運動向量:
[0036]V= {V1， V2,...，Vn I Vi= (Xi, Yi, α i， Mi)} (1-1)
[0037]公式(1-1)中，η表示提取的角點數目，Vi表示第i個角點的運動向量，(Xi, Yi)表示第i個角點的橫縱坐標，a i表示第i個角點的運動方向，Mi表示第i個角點的運動強度。
[0038]F.通過DBSCAN聚類算法對角點運動向量進行聚類，并使用凸包表示每個人群類簇；鑒于人群行為分析中，考慮的是人群整體的行為特征，而非個體之間的一些細節(jié)行為，因此，根據角點運動向量運動的特征，將具有相似運動形態(tài)的角點個體使用DBSCAN聚類算法進行聚類，這樣就可以對同一類簇的角點進行整體考慮。DBSCAN聚類算法使用R*-tree實現，時間復雜度為O(nlogn)。聚類的另一個好處是可以濾除一些比較獨立的噪聲點。
[0039]使用DBSCAN聚類算法對角點運動向量進行聚類時，將運動方向、運動速度和距離相近的角點視為相似的，即同時滿足以下三個條件:
【權利要求】
1.一種基于角點的凸包表示的人群聚集檢測方法，其特征在于:包括如下步驟: A、獲取視頻幀圖像； B、通過幀差法計算出運動人群前景區(qū)域； C、通過Harris角點檢測算法計算圖像的角點； D、使用人群前景作為掩膜算子計算出圖像的運動角點； E、使用KLT(Kanade-Lucas-Tomas)算法對運動角點進行跟蹤,并計算每個角點的運動向量; F、通過DBSCAN聚類算法對人群運動向量進行聚類，并使用凸包表示每個人群類簇； G、用一個運動向量表示一個人群類簇，并對這些凸包運動向量使用DBSCAN聚類算法進行二次聚類，得到二次聚類運動向量； H、計算任意兩個二次聚集運動向量的交點，并根據交點位置與運動向量之間的位置關系將每個交點定義為聚集交點、疏散交點或其他交點； 1、計算每類交點出現的概率，并進行事件決策。
2.根據權利要求1所述的 方法，其特征在于:所述步驟B中還包括對前景圖像進行膨脹處理。
3.根據權利要求1所述的方法，其特征在于:所述步驟B和步驟C的執(zhí)行無先后順序。
4.根據權利要求1所述的方法，其特征在于:所述Harris角點檢測算法為C.Harris和M.Stephens提出的Harris角點檢測算法。
5.根據權利要求1所述的方法，其特征在于:所述DBSCAN聚類算法使用R*-tree算法實現。
6.根據權利要求1所述的方法，其特征在于:所述凸包即為包含所有類簇角點的最小多邊形；用凸包的頂點表示類簇的邊界，凸包頂點的運動信息表示類簇的運動信息。
7.根據權利要求1所述的方法，其特征在于:所述人群聚集交點是兩運動向量的交點位置位于兩運動向量的正前方處的交點；所述人群疏散交點是兩運動向量的交點位置位于兩運動向量的正后方處的交點。
8.根據權利要求1所述的方法，其特征在于:所述步驟I具體為:首先統(tǒng)計人群聚集交點個數、人群疏散交點個數和其他事件交點個數，并計算每類點在總的交點中所占的比例，即得人群聚集概率、人群疏散概率和其他事件概率。
9.根據權利要求8所述的方法，其特征在于:為每類事件設置權重系數。
10.一種基于角點的凸包表示的人群聚集檢測裝置，其特征在于:所述裝置包括視頻獲取模塊、角點檢測模塊、角點運動向量獲取模塊、人群建模凸包表示模塊、聚散事件檢測模塊；其中，所述視頻獲取模塊，用于獲取視頻幀圖像；角點檢測模塊，用于通過幀差法計算出運動人群前景區(qū)域并通過Harris角點檢測算法計算圖像的角點；角點運動向量獲取模塊，用于使用人群前景作為掩膜算子計算出圖像的運動角點，并使用KLT算法對運動角點進行跟蹤，并計算每個角點的運動向量；人群建模凸包表示模塊，用于通過DBSCAN聚類算法對人群運動向量進行聚類，并使用凸包表示每個人群類簇，然后用一個運動向量表示一個人群類簇，并對這些凸包運動向量使用DBSCAN聚類算法進行二次聚類，得到二次聚類運動向量；聚散事件檢測模塊，用于計算任意兩個二次聚集運動向量的交點，并根據交點位置與運動向量之間的位置關系將每個交點定義為聚集交點、疏散交點或其他交點，得到每類交點出現的概率 ，并進行事件決策。
【文檔編號】G06K9/62GK103679149SQ201310676785
【公開日】2014年3月26日 申請日期:2013年12月11日 優(yōu)先權日:2013年12月11日
【發(fā)明者】徐勇, 何麗文 申請人:哈爾濱工業(yè)大學深圳研究生院