人群動(dòng)態(tài)聚集特征提取方法
【專利摘要】本發(fā)明公開了一種人群動(dòng)態(tài)聚集特征提取方法，屬于計(jì)算機(jī)智能監(jiān)控【技術(shù)領(lǐng)域】。本發(fā)明將核密度空間聚類算法引入到“人群聚集的外部特征分析過(guò)程”中，有效的實(shí)現(xiàn)了對(duì)群體性事件人群聚集特征的提取和定量研判，采用人群質(zhì)心運(yùn)動(dòng)跟蹤的方法識(shí)別人群移動(dòng)模式，改變了目前僅依據(jù)人群密度等級(jí)進(jìn)行群體性事件預(yù)警，而未能充分考慮人群聚集的其他外部特征，如人群聚集形狀、人群移動(dòng)速度、人群的增長(zhǎng)速度等，存在很大的誤警率和漏警率的現(xiàn)狀。本發(fā)明方法可以運(yùn)用于其他安全敏感的人群密集場(chǎng)所，具有廣泛的推廣應(yīng)用前景。
【專利說(shuō)明】人群動(dòng)態(tài)聚集特征提取方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種人群動(dòng)態(tài)聚集特征提取方法，尤其涉及一種利用監(jiān)控視頻獲得人群動(dòng)態(tài)聚集特征的方法，屬于計(jì)算機(jī)智能監(jiān)控【技術(shù)領(lǐng)域】。
【背景技術(shù)】
[0002]近幾年來(lái)隨著我國(guó)民航運(yùn)輸量的增加，機(jī)場(chǎng)群體性事件不斷增多。根據(jù)有關(guān)資料，目前我國(guó)國(guó)內(nèi)每年約有1000萬(wàn)人次以上的旅客遭遇航班延誤，因航班延誤造成旅客與航空公司沖突的事件呈激增趨勢(shì)。僅以深圳機(jī)場(chǎng)為例，2002年全年航空旅客群體性事件33起，2005年發(fā)生41起，2007年猛增到94起，其影響不可小覷。若能對(duì)機(jī)場(chǎng)內(nèi)部進(jìn)行有效監(jiān)控，對(duì)有可能發(fā)生群體性事件的人群進(jìn)行及早預(yù)警，應(yīng)急人員及時(shí)采取相應(yīng)措施，緩解旅客情緒，阻止人群繼續(xù)擴(kuò)大并且疏導(dǎo)非正常聚集人群，保證機(jī)場(chǎng)安全有序運(yùn)行，將事態(tài)控制在最小范圍。
[0003]我國(guó)對(duì)于視頻監(jiān)控系統(tǒng)的研究已有很多，如宋紹鋒、黃鷹將機(jī)場(chǎng)監(jiān)控系統(tǒng)與報(bào)警集成、智能化集成，以及與應(yīng)用系統(tǒng)集成，提高了視頻監(jiān)控系統(tǒng)的使用和管理效率。王曉玲、王猛利用Winsock控件解決基于Web的實(shí)時(shí)數(shù)據(jù)傳輸，完全實(shí)現(xiàn)了視頻信息的采集、編碼、存貯的計(jì)算機(jī)化和視頻信息的網(wǎng)上實(shí)時(shí)傳輸及云臺(tái)、鏡頭等的計(jì)算機(jī)實(shí)時(shí)控制。周平、汪亞明等人聯(lián)合提出一種新的基于宏塊特征量化的視覺(jué)自適應(yīng)實(shí)時(shí)監(jiān)控方法，實(shí)現(xiàn)對(duì)安全防范中闖入類的有效監(jiān)控，且目標(biāo)跟蹤快捷穩(wěn)定，具有較高的工程實(shí)用價(jià)值。劉富強(qiáng)，盧赤班通過(guò)圖象分析實(shí)現(xiàn)遠(yuǎn)程自動(dòng)探測(cè)和報(bào)警、控制，使電視監(jiān)控更具智能化。呂秋云、張公禮針對(duì)目前網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)中的一個(gè)部分一報(bào)警子系統(tǒng)，提出其設(shè)計(jì)方案，并給出了報(bào)警子系統(tǒng)開發(fā)的建議。陳冬冬、張曼琳等人結(jié)合了某市大型地鐵項(xiàng)目，把相關(guān)設(shè)備深度集成到監(jiān)控系統(tǒng)中來(lái)，使視頻分析系統(tǒng)更加智能化的同時(shí)提高了監(jiān)控系統(tǒng)的精確度和整體可控度。
[0004]綜合前人研究發(fā)現(xiàn)視頻監(jiān)控系統(tǒng)發(fā)展較為成熟，目前已應(yīng)用到很多行業(yè)，但用于群體性事件預(yù)警的研究還比較缺乏，而且基于視頻監(jiān)控的群體性事件預(yù)警研究主要依據(jù)人群的密度進(jìn)行預(yù)警，未能充分考慮人群聚集的其他外部特征，如人群聚集形狀、人群移動(dòng)速度、人群的增長(zhǎng)速度等，因而當(dāng)前的預(yù)警方法通常會(huì)存在很大的誤警率和漏警率。有必要尋找一種能夠獲得人群聚集形狀、人群移動(dòng)速度、人群的增長(zhǎng)速度等人群聚集特征的新的人群動(dòng)態(tài)聚集特征提取方法，從而為人群非正常聚集的分析、預(yù)警提供更準(zhǔn)確的依據(jù)。

【發(fā)明內(nèi)容】

[0005]本發(fā)明所要解決的技術(shù)問(wèn)題在于克服現(xiàn)有技術(shù)不足，提供一種人群動(dòng)態(tài)聚集特征提取方法，除人群密度以外，還能對(duì)人群聚集形狀、人群移動(dòng)速度、人群的增長(zhǎng)速度等人群聚集特征進(jìn)行更準(zhǔn)確有效的提取，進(jìn)而提高人群聚集特征分析的可靠性。
[0006]本發(fā)明的人群動(dòng)態(tài)聚集特征提取方法，包括以下步驟:
[0007]步驟A、對(duì)目標(biāo)視頻進(jìn)行分割，得到一組連續(xù)的圖像幀；
[0008]步驟B、對(duì)各圖像幀進(jìn)行前景檢測(cè)，得到二值化前景檢測(cè)結(jié)果；[0009]步驟C、將各圖像幀進(jìn)行分塊，并根據(jù)各圖像塊中前景像素在所在塊的總像素中所占比例的高低將圖像塊分為高人群密度圖像塊和低人群密度圖像塊；對(duì)于低人群密度圖像塊，進(jìn)行人頭檢測(cè)，并利用所檢測(cè)出的每個(gè)人頭的質(zhì)心所在點(diǎn)表示相對(duì)應(yīng)的人頭；對(duì)于高人群密度圖像塊，基于圖像紋理特征估計(jì)圖像塊中的總?cè)藬?shù)，用相同數(shù)量的點(diǎn)表征這些人，并將這些點(diǎn)平均分布于所在圖像塊；
[0010]步驟D、對(duì)各圖像幀分別進(jìn)行網(wǎng)格化處理；以網(wǎng)格中表征人的點(diǎn)數(shù)大于一預(yù)設(shè)閾值的網(wǎng)格作為高密度網(wǎng)格，并以各高密度網(wǎng)格作為中心，按照預(yù)設(shè)的鄰近網(wǎng)格閾值，查找其鄰近網(wǎng)格，每個(gè)高密度網(wǎng)格及其鄰近網(wǎng)格構(gòu)成一個(gè)局部計(jì)算區(qū)域，從而確定一系列局部計(jì)算區(qū)域；
[0011]步驟E、對(duì)于每一個(gè)局部計(jì)算區(qū)域，對(duì)該區(qū)域內(nèi)的所有表征人的點(diǎn)進(jìn)行基于核密度的空間聚類，聚類得到的每一個(gè)簇表征一個(gè)人群，進(jìn)而得到相應(yīng)的人群聚集形狀、密度分布特征；
[0012]步驟F、利用質(zhì)心運(yùn)動(dòng)跟蹤的方法，確定各人群聚集形狀、密度分布的變化、聚集人群的移動(dòng)特征以及人群規(guī)模的增長(zhǎng)速度變化趨勢(shì)。
[0013]優(yōu)選地，所述前景檢測(cè)使用基于YCbCr色彩空間的碼書模型。
[0014]優(yōu)選地，所述根據(jù)各圖像塊中前景像素在所在塊的總像素中所占比例的高低將圖像塊分為高人群密度圖像塊和低人群密度圖像塊，具體是以40%作為閾值，當(dāng)前景像素在所在塊的總像素中所占比例小于該閾值，則為低人群密度圖像塊；否則，為高人群密度圖像塊。
[0015]優(yōu)選地，對(duì)低人群密度圖像塊，使用基于樣本非對(duì)稱性的AdaBoostSVM人頭檢測(cè)方法進(jìn)行人頭檢測(cè)。
[0016]優(yōu)選地，步驟E中所述基于核密度的空間聚類為DENCLUE聚類算法。
[0017]優(yōu)選地，所述DENCLUE算法中的核密度函數(shù)為高斯核密度函數(shù)。
[0018]進(jìn)一步地，所述DENCLUE算法中的高斯核函數(shù)窗口寬度h按照下式動(dòng)態(tài)確定:
【權(quán)利要求】
1.人群動(dòng)態(tài)聚集特征提取方法，其特征在于，包括以下步驟: 步驟A、對(duì)目標(biāo)視頻進(jìn)行分割，得到一組連續(xù)的圖像幀； 步驟B、對(duì)各圖像幀進(jìn)行前景檢測(cè)，得到二值化前景檢測(cè)結(jié)果； 步驟C、將各圖像幀進(jìn)行分塊，并根據(jù)各圖像塊中前景像素在所在塊的總像素中所占比例的高低將圖像塊分為高人群密度圖像塊和低人群密度圖像塊；對(duì)于低人群密度圖像塊，進(jìn)行人頭檢測(cè)，并利用所檢測(cè)出的每個(gè)人頭的質(zhì)心所在點(diǎn)表示相對(duì)應(yīng)的人頭；對(duì)于高人群密度圖像塊，基于圖像紋理特征估計(jì)圖像塊中的總?cè)藬?shù)，用相同數(shù)量的點(diǎn)表征這些人，并將這些點(diǎn)平均分布于所在圖像塊； 步驟D、對(duì)各圖像幀分別進(jìn)行網(wǎng)格化處理；以網(wǎng)格中表征人的點(diǎn)數(shù)大于一預(yù)設(shè)閾值的網(wǎng)格作為高密度網(wǎng)格，并以各高密度網(wǎng)格作為中心，按照預(yù)設(shè)的鄰近網(wǎng)格閾值，查找其鄰近網(wǎng)格，每個(gè)高密度網(wǎng)格及其鄰近網(wǎng)格構(gòu)成一個(gè)局部計(jì)算區(qū)域，從而確定一系列局部計(jì)算區(qū)域； 步驟E、對(duì)于每一個(gè)局部計(jì)算區(qū)域，對(duì)該區(qū)域內(nèi)的所有表征人的點(diǎn)進(jìn)行基于核密度的空間聚類，聚類得到的每一個(gè)簇表征一個(gè)人群，進(jìn)而得到相應(yīng)的人群聚集形狀、密度分布特征； 步驟F、利用質(zhì)心運(yùn)動(dòng)跟蹤的方法，確定各人群聚集形狀、密度分布的變化、聚集人群的移動(dòng)特征以及人群規(guī)模的增長(zhǎng)速度變化趨勢(shì)。
2.如權(quán)利要求1所述人群動(dòng)態(tài)聚集特征提取方法，其特征在于，所述前景檢測(cè)使用基于YCbCr色彩空間的碼書模型。
3.如權(quán)利要求1所述人群動(dòng)態(tài)聚集特征提取方法，其特征在于，所述根據(jù)各圖像塊中前景像素在所在塊的總像素中所占比例的高低將圖像塊分為高人群密度圖像塊和低人群密度圖像塊，具體是以40%作為閾值，當(dāng)前景像素在所在塊的總像素中所占比例小于該閾值，則為低人群密度圖像塊；否則，為高人群密度圖像塊。
4.如權(quán)利要求1所述人群動(dòng)態(tài)聚集特征提取方法，其特征在于，對(duì)低人群密度圖像塊，使用基于樣本非對(duì)稱性的AdaBoostSVM人頭檢測(cè)方法進(jìn)行人頭檢測(cè)。
5.如權(quán)利要求1所述人群動(dòng)態(tài)聚集特征提取方法，其特征在于，步驟E中所述基于核密度的空間聚類為DENCLUE聚類算法。
6.如權(quán)利要求5所述人群動(dòng)態(tài)聚集特征提取方法，其特征在于，所述DENCLUE算法中的核密度函數(shù)為高斯核密度函數(shù)。
7.如權(quán)利要求5所述人群動(dòng)態(tài)聚集特征提取方法，其特征在于，所述DENCLUE算法中的高斯核函數(shù)窗口寬度h按照下式動(dòng)態(tài)確定:1
8.如權(quán)利要求1所述人群動(dòng)態(tài)聚集特征提取方法，其特征在于，步驟F具體如下: 步驟F1、根據(jù)當(dāng)前的人群聚類結(jié)果，根據(jù)以下公式確定各聚集人群的質(zhì)心，對(duì)其進(jìn)行編號(hào):
【文檔編號(hào)】G06K9/46GK103839065SQ201410051592
【公開日】2014年6月4日 申請(qǐng)日期:2014年2月14日 優(yōu)先權(quán)日:2014年2月14日
【發(fā)明者】邵荃, 羅雄, 周航, 唐志星, 韓松臣 申請(qǐng)人:南京航空航天大學(xué)