本發(fā)明屬于視頻檢測領(lǐng)域，尤其涉及一種基于方向-集群性模型的人群逃散事件檢測方法及系統(tǒng)。

背景技術(shù)：

近年來，為了預(yù)防聚眾斗毆、擁擠踩踏和人群逃散等異常事件的發(fā)生，越來越多的視頻監(jiān)控設(shè)備遍布在街道、地鐵站、機場等公共區(qū)域，隨之而來的是視頻傳輸量的劇增。傳統(tǒng)的視頻監(jiān)控系統(tǒng)需要人為地進(jìn)行異常檢測，這種方法不僅效率低下、人工成本過高，而且監(jiān)控人員經(jīng)過長時間的工作后會產(chǎn)生視覺疲勞從而導(dǎo)致注意力下降，造成誤報漏報率的增加。因此，用計算機代替人進(jìn)行智能化地異常事件檢測作為智能視頻監(jiān)控點主要任務(wù)之一，成為了近年來國內(nèi)外的研究熱點，逐步受到研究者的廣泛關(guān)注。

目前，異常檢測主要分為兩類：基于單目標(biāo)的異常檢測，如行人昏倒檢測和行人逆行檢測；基于多目標(biāo)的異常檢測即群體異常行為檢測。在一般情況下，當(dāng)人群行走在擁擠的街道上時，他們會本能地趨向于跟隨身邊和他們具有相似行走方向的行人的腳步，通常會與其保持大致相同的速度。但當(dāng)異常事件發(fā)生時，行人會因驚慌導(dǎo)致以最快的速度四散逃開來遠(yuǎn)離危險區(qū)域。新聞報道稱因逃散造成的異常事件通常會導(dǎo)致踩踏死亡，如2014年在上海發(fā)生的外灘踩踏事件。

針對基于多目標(biāo)的異常檢測，目前的研究方法大致可以分為局部法和全局法。局部法傾向于通過分析其各個分量并提取每個對象的軌跡來實現(xiàn)群體事件檢測，然而這類方法會因人群遮擋和圖像的低分辨率等問題導(dǎo)致檢測性能的下降。全局法將人群視作一個整體或一個運動粒子集，通過計算相鄰運動粒子間的相互作用力和提取全局能量來表征異常行為。這類方法對于高密度人群有更好的檢測性能，但對于稀疏人群，其檢測性能不及局部法。

綜上所述，現(xiàn)有的人群逃散事件檢測方法存在檢測的準(zhǔn)確率低而且不能適用各種密度人群的逃散事件。

技術(shù)實現(xiàn)要素：

為了解決現(xiàn)有技術(shù)中的缺點，本發(fā)明的第一目的是提供一種基于方向-集群性模型的人群逃散事件檢測方法。該方法能夠廣泛應(yīng)用到各種密度人群中，而且檢測準(zhǔn)確率高以及魯棒性強。

本發(fā)明的基于方向-集群性模型的人群逃散事件檢測方法，包括：

步驟(1)：從人群監(jiān)控視頻中提取運動軌跡從而得到軌跡坐標(biāo)矩陣，進(jìn)而通過軌跡坐標(biāo)矩陣計算出運動軌跡上運動粒子的速度和方向；

步驟(2)：基于運動粒子的速度以及方向的無序性，建立表征人群的運動狀態(tài)的方向-集群性模型；

步驟(3)：根據(jù)方向-集群性模型來計算每幀人群監(jiān)控視頻的方向-集群性指數(shù)，方向-集群性指數(shù)越大表示人群集群度越低，人群運動方向越混亂；

步驟(4)：從得到的所有方向-集群性指數(shù)中自適應(yīng)提取事件檢測閾值，再通過事件檢測閾值與每一幀人群監(jiān)控視頻的方向-集群性指數(shù)相比較，最終檢測出人群監(jiān)控視頻的人群逃散事件。

進(jìn)一步的，在所述步驟(2)建立表征人群的運動狀態(tài)的方向-集群性模型的過程中：

首先，將人群中的運動粒子與其相鄰運動粒子間的行為相似性定義為集群性，并利用運動粒子的路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性，得到集群性特征；

然后，在集群性特征的基礎(chǔ)上，利用運動粒子的方向信息來表征人群逃散事件發(fā)生時人群運動方向的無序性；

最后，將集群性特征以及方向信息兩者進(jìn)行特征融合得到方向-集群性特征，得到表征人群的運動狀態(tài)的方向-集群性模型。

在一般情況下，個體的運動會影響相鄰個體的運動，并最終導(dǎo)致整個群體的運動變化。因此，群體集群性由其包含的每個個體的個體集群性組成。本發(fā)明利用“集群性”特征來表征行為一致性的程度，選取方向混亂度來表征群體運動的無序度。集群性特征僅僅考慮的相鄰運動粒子間的影響，當(dāng)兩個運動粒子間具有一定的距離時，則無法精確地估計其行為相似性。為了解決這一問題，本發(fā)明運用路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性。

群體集群度特征對于行人數(shù)量大于500的超高密度人群具有優(yōu)越的性能。然而，對于行人數(shù)量在50-100的中高密度人群，其檢測性能有所下降。為了解決這一問題，本發(fā)明在群體集群度特征的基礎(chǔ)上，利用方向信息來表征群體逃散事件發(fā)生時人群運動方向的無序性，并將兩者進(jìn)行特征融合得到方向-集群性特征。

進(jìn)一步的，所述步驟(4)中從得到的所有方向-集群性指數(shù)中自適應(yīng)提取閾值的過程包括：

步驟(4.1)：初始化閾值，設(shè)定初始閾值為包含每幀人群監(jiān)控視頻方向-集群性指數(shù)的矩陣中最大值與最小值的平均數(shù)；

步驟(4.2)：對人群監(jiān)控視頻幀進(jìn)行分類，將大于初始閾值的幀數(shù)歸為異常幀，小于或等于初始閾值的幀數(shù)歸為正常幀；

步驟(4.3)：分別計算歸類后的正常幀與異常幀方向-集群性指數(shù)的平均值和

步驟(4.4)：更新閾值，使得更新后的閾值為和的平均值；

步驟(4.5)：重復(fù)以上步驟直至閾值不再變化，得到事件檢測閾值。

尋找適當(dāng)?shù)姆指铋撝祵τ跈z測性能和準(zhǔn)確率的提升至關(guān)重要。手動選擇閾值的方法將導(dǎo)致檢測效率低下、檢測方法缺乏普適性。因此，本發(fā)明采用自適應(yīng)閾值的方法通過迭代來尋找最合適的閾值，本發(fā)明避免了手動地進(jìn)行閾值選取，使檢測方法更具有泛化性。

本發(fā)明的第二目的是提供一種基于方向-集群性模型的人群逃散事件檢測系統(tǒng)。

本發(fā)明的一種基于方向-集群性模型的人群逃散事件檢測系統(tǒng)，包括：

運動粒子狀態(tài)計算模塊，其用于從人群監(jiān)控視頻中提取運動軌跡從而得到軌跡坐標(biāo)矩陣，進(jìn)而通過軌跡坐標(biāo)矩陣計算出運動軌跡上運動粒子的速度和方向；

方向-集群性模型建立模塊，其用于基于運動粒子的速度以及方向的無序性，建立表征人群的運動狀態(tài)的方向-集群性模型；

方向-集群性指數(shù)計算模塊，其用于根據(jù)方向-集群性模型來計算每幀人群監(jiān)控視頻的方向-集群性指數(shù)，方向-集群性指數(shù)越大表示人群集群度越低，人群運動方向越混亂；

方向-集群性指數(shù)比較模塊，其用于從得到的所有方向-集群性指數(shù)中自適應(yīng)提取事件檢測閾值，再通過事件檢測閾值與每一幀人群監(jiān)控視頻的方向-集群性指數(shù)相比較，最終檢測出人群監(jiān)控視頻的人群逃散事件。

進(jìn)一步的，所述方向-集群性模型建立模塊包括：

集群性特征獲取模塊，其用于將人群中的運動粒子與其相鄰運動粒子間的行為相似性定義為集群性，并利用運動粒子的路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性，得到集群性特征；

人群運動方向的無序性表征模塊，其用于在集群性特征的基礎(chǔ)上，利用運動粒子的方向信息來表征人群逃散事件發(fā)生時人群運動方向的無序性；

特征融合模塊，其用于將集群性特征以及方向信息兩者進(jìn)行特征融合得到方向-集群性特征，得到表征人群的運動狀態(tài)的方向-集群性模型。

在一般情況下，個體的運動會影響相鄰個體的運動，并最終導(dǎo)致整個群體的運動變化。因此，群體集群性由其包含的每個個體的個體集群性組成。本發(fā)明利用“集群性”特征來表征行為一致性的程度，選取方向混亂度來表征群體運動的無序度。集群性特征僅僅考慮的相鄰運動粒子間的影響，當(dāng)兩個運動粒子間具有一定的距離時，則無法精確地估計其行為相似性。為了解決這一問題，本發(fā)明運用路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性。

進(jìn)一步的，所述方向-集群性指數(shù)比較模塊包括事件檢測閾值自適應(yīng)提取模塊，所述事件檢測閾值自適應(yīng)提取模塊包括：

初始化閾值模塊，其用于初始化閾值，設(shè)定初始閾值為包含每幀人群監(jiān)控視頻方向-集群性指數(shù)的矩陣中最大值與最小值的平均數(shù)；

人群監(jiān)控視頻幀分類模塊，其用于對人群監(jiān)控視頻幀進(jìn)行分類，將大于初始閾值的幀數(shù)歸為異常幀，小于或等于初始閾值的幀數(shù)歸為正常幀；

方向-集群性指數(shù)平均值計算模塊，其用于分別計算歸類后的正常幀與異常幀方向-集群性指數(shù)的平均值和

閾值更新模塊，其用于更新閾值，使得更新后的閾值為和的平均值，直至閾值不再變化，得到事件檢測閾值。尋找適當(dāng)?shù)姆指铋撝祵τ跈z測性能和準(zhǔn)確率的提升至關(guān)重要。手動選擇閾值的方法將導(dǎo)致檢測效率低下、檢測方法缺乏普適性。因此，本發(fā)明采用自適應(yīng)閾值的方法通過迭代來尋找最合適的閾值，本發(fā)明避免了手動地進(jìn)行閾值選取，使檢測方法更具有泛化性。

本發(fā)明還提供另一種基于方向-集群性模型的人群逃散事件檢測系統(tǒng)。

該基于方向-集群性模型的人群逃散事件檢測系統(tǒng)，包括：

人群監(jiān)控視頻采集裝置，其被配置采集人群運動的視頻信息，并傳送至服務(wù)器；

所述服務(wù)器，其被配置為：

從人群監(jiān)控視頻中提取運動軌跡從而得到軌跡坐標(biāo)矩陣，進(jìn)而通過軌跡坐標(biāo)矩陣計算出運動軌跡上運動粒子的速度和方向；

基于運動粒子的速度以及方向的無序性，建立表征人群的運動狀態(tài)的方向-集群性模型；

根據(jù)方向-集群性模型來計算每幀人群監(jiān)控視頻的方向-集群性指數(shù)，方向-集群性指數(shù)越大表示人群集群度越低，人群運動方向越混亂；

從得到的所有方向-集群性指數(shù)中自適應(yīng)提取事件檢測閾值，再通過事件檢測閾值與每一幀人群監(jiān)控視頻的方向-集群性指數(shù)相比較，最終檢測出人群監(jiān)控視頻的人群逃散事件。

進(jìn)一步的，所述服務(wù)器，還被配置為：

將人群中的運動粒子與其相鄰運動粒子間的行為相似性定義為集群性，并利用運動粒子的路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性，得到集群性特征；

在集群性特征的基礎(chǔ)上，利用運動粒子的方向信息來表征人群逃散事件發(fā)生時人群運動方向的無序性；

將集群性特征以及方向信息兩者進(jìn)行特征融合得到方向-集群性特征，得到表征人群的運動狀態(tài)的方向-集群性模型。

在一般情況下，個體的運動會影響相鄰個體的運動，并最終導(dǎo)致整個群體的運動變化。因此，群體集群性由其包含的每個個體的個體集群性組成。本發(fā)明利用“集群性”特征來表征行為一致性的程度，選取方向混亂度來表征群體運動的無序度。集群性特征僅僅考慮的相鄰運動粒子間的影響，當(dāng)兩個運動粒子間具有一定的距離時，則無法精確地估計其行為相似性。為了解決這一問題，本發(fā)明運用路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性。

進(jìn)一步的，所述服務(wù)器，還被配置為：

初始化閾值，設(shè)定初始閾值為包含每幀人群監(jiān)控視頻方向-集群性指數(shù)的矩陣中最大值與最小值的平均數(shù)；

對人群監(jiān)控視頻幀進(jìn)行分類，將大于初始閾值的幀數(shù)歸為異常幀，小于或等于初始閾值的幀數(shù)歸為正常幀；

分別計算歸類后的正常幀與異常幀方向-集群性指數(shù)的平均值和

更新閾值，使得更新后的閾值為和的平均值；

重復(fù)以上步驟直至閾值不再變化，得到事件檢測閾值。

尋找適當(dāng)?shù)姆指铋撝祵τ跈z測性能和準(zhǔn)確率的提升至關(guān)重要。手動選擇閾值的方法將導(dǎo)致檢測效率低下、檢測方法缺乏普適性。因此，本發(fā)明采用自適應(yīng)閾值的方法通過迭代來尋找最合適的閾值，本發(fā)明避免了手動地進(jìn)行閾值選取，使檢測方法更具有泛化性。

進(jìn)一步的，該系統(tǒng)還包括預(yù)警裝置，其與服務(wù)器相連，用來對人群監(jiān)控視頻中出現(xiàn)人群逃散事件進(jìn)行預(yù)警。

本發(fā)明的有益效果為：

本發(fā)明應(yīng)用集群性特征區(qū)分人群自組織和無組織行為，提出一種方向-集群性模型用來檢測異常群體逃散事件，運用自適應(yīng)閾值選取法，避免手動地進(jìn)行閾值選取，使檢測方法更具有泛化性；與傳統(tǒng)方法相比，本模型在檢測準(zhǔn)確率和魯棒性上均有提升，且具有廣泛的性能裕度。

附圖說明

構(gòu)成本發(fā)明的一部分的說明書附圖用來提供對本發(fā)明的進(jìn)一步理解，本發(fā)明的示意性實施例及其說明用于解釋本發(fā)明，并不構(gòu)成對本發(fā)明的不當(dāng)限定。

圖1是本發(fā)明的基于方向-集群性模型的人群逃散事件檢測方法流程圖；

圖2是從所有方向-集群性指數(shù)中自適應(yīng)提取閾值的過程示意圖；

圖3是本發(fā)明的一種基于方向-集群性模型的人群逃散事件檢測系統(tǒng)結(jié)構(gòu)示意圖；

圖4是方向-集群性模型建立模塊結(jié)構(gòu)示意圖；

圖5是事件檢測閾值自適應(yīng)提取模塊結(jié)構(gòu)示意圖；

圖6是本發(fā)明的另一種基于方向-集群性模型的人群逃散事件檢測系統(tǒng)結(jié)構(gòu)示意圖。

具體實施方式

應(yīng)該指出，以下詳細(xì)說明都是例示性的，旨在對本發(fā)明提供進(jìn)一步的說明。除非另有指明，本文使用的所有技術(shù)和科學(xué)術(shù)語具有與本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員通常理解的相同含義。

需要注意的是，這里所使用的術(shù)語僅是為了描述具體實施方式，而非意圖限制根據(jù)本發(fā)明的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數(shù)形式也意圖包括復(fù)數(shù)形式，此外，還應(yīng)當(dāng)理解的是，當(dāng)在本說明書中使用術(shù)語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。

本發(fā)明將“群體行為”定義為在一定空間區(qū)域內(nèi)超過50個目標(biāo)具有連貫均勻運動的行為，并將“異常事件”定義為在極短的時間段內(nèi)發(fā)生的區(qū)別于預(yù)期的、偏離正常行為的事件。

在正常的群體運動中，行人在自組織運動與相鄰個體保持大致相同的運動方向。而逃散事件發(fā)生時，行人將快速偏離預(yù)期軌跡從而導(dǎo)致運動方向混亂，人群系統(tǒng)性降低。本發(fā)明選取“集群性”特征來表征行為一致性的程度，選取方向混亂度來表征群體運動的無序度。

圖1是本發(fā)明的基于方向-集群性模型的人群逃散事件檢測方法流程圖。如圖1所示，基于方向-集群性模型的人群逃散事件檢測方法的流程為：

步驟(1)：從人群監(jiān)控視頻中提取運動軌跡從而得到軌跡坐標(biāo)矩陣，進(jìn)而通過軌跡坐標(biāo)矩陣計算出運動軌跡上運動粒子的速度和方向。

具體地，可以采用gKLT跟蹤算法從人群監(jiān)控視頻中提取運動軌跡。

其中，gKLT跟蹤算法，是指的泛化Kanade-Lucas-Tomasi跟蹤算法，英文全稱為：generalized Kanade-Lucas-Tomasi跟蹤算法。

將通過gKLT跟蹤算法得到的關(guān)鍵點集合K_t表示如下：

其中為第t幀的第i個運動粒子，和分別為第i個運動粒子的橫縱坐標(biāo)、速度和方向，N為第t幀的運動粒子數(shù)目。

也可以采用其他現(xiàn)有的跟蹤算法從人群監(jiān)控視頻中提取運動軌跡，此處將不再累述。

步驟(2)：基于運動粒子的速度以及方向的無序性，建立表征人群的運動狀態(tài)的方向-集群性模型。

在一般情況下，個體的運動會影響相鄰個體的運動，并最終導(dǎo)致整個群體的運動變化。因此，群體集群性由其包含的每個個體的個體集群性組成。本發(fā)明將集群性定義為群體運動中的運動粒子與其相鄰運動粒子間的行為相似性。

設(shè)為相鄰運動粒子，其行為相似性的計算方式可表示為：

當(dāng)時，運動粒子i，j被視作具有相似的方向性，運動粒子間的作用力為吸引力，夾角越大則行為相似性越低。當(dāng)時，運動粒子i，j被視作具有不同的方向性，運動粒子間的作用力為排斥力，此時行為相似性為0；φ為兩運動粒子間速度方向的夾角。

上述方法僅僅考慮的相鄰運動粒子間的影響，當(dāng)兩個運動粒子間具有一定的距離時，則無法精確地估計其行為相似性。為了解決這一問題，本發(fā)明運用路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性。設(shè)代表從到途徑k₁,k₂,…,k_L-1各點的長度為L的路徑。則從到的所有長度為L的路徑的行為相似性可表示為：

其中：為γ_L這一特定路徑上的路徑的行為相似性；P為從到的所有長度為L的路徑的集合。

因此，單個運動粒子的集群性指數(shù)可表示為：

其中ω為實值正則化因子，用來削弱因集群性指數(shù)隨L增加呈指數(shù)型增長所帶來的影響?；谝陨蠑?shù)學(xué)分析，t時刻的群體集群性指數(shù)Collectiveness(t)∈[0,1]可定義為：

群體集群度特征對于行人數(shù)量大于500的超高密度人群具有優(yōu)越的性能。然而，對于行人數(shù)量在50-100的中高密度人群，其檢測性能有所下降。為了解決這一問題，本發(fā)明在群體集群度特征的基礎(chǔ)上，利用方向信息來表征群體逃散事件發(fā)生時人群運動方向的無序性，并將兩者進(jìn)行特征融合得到方向-集群性特征。

步驟(3)：根據(jù)方向-集群性模型來計算每幀人群監(jiān)控視頻的方向-集群性指數(shù)，方向-集群性指數(shù)越大表示人群集群度越低，人群運動方向越混亂。

方向-集群性特征在t時刻的表達(dá)式為：

其中N為t時刻的運動粒子數(shù)，Direction(i,t)∈[0,1]為t時刻運動粒子i的方向無序度，其計算方式如下：

其中，θ_mean(i,t)為t時刻運動粒子i的速度方向與平均速度方向的角度差，θ_max(i,t)為t時刻運動粒子i的速度方向與最大速度方向的角度差，ρ為調(diào)節(jié)模型大小的權(quán)重，此處設(shè)使Direction(i,t)的值域在0到1之間。具體計算方法如下：

經(jīng)過上述操作，得到了每一幀圖像的方向-集群性指數(shù)，其值域為[0,1]。方向-集群性指數(shù)越大代表群體集群度越低，群體運動方向越混亂。

步驟(4)：從得到的所有方向-集群性指數(shù)中自適應(yīng)提取事件檢測閾值，再通過事件檢測閾值與每一幀人群監(jiān)控視頻的方向-集群性指數(shù)相比較，最終檢測出人群監(jiān)控視頻的人群逃散事件。

在得到方向-集群性指數(shù)后，本發(fā)明通過閾值法判斷是否發(fā)生人群逃散事件?？紤]到異常行為的連續(xù)性，當(dāng)方向-集群性指數(shù)短時間內(nèi)突然陡增時將其視為噪聲，系統(tǒng)不會發(fā)出警報；而當(dāng)這種上升趨勢保持超過連續(xù)10幀時，系統(tǒng)認(rèn)定異常事件發(fā)生。

具體算法如下：

在獲得方向-集群性曲線后，尋找適當(dāng)?shù)姆指铋撝祵τ跈z測性能和準(zhǔn)確率的提升至關(guān)重要。手動選擇閾值的方法將導(dǎo)致檢測效率低下、檢測方法缺乏普適性。因此，本發(fā)明采用自適應(yīng)閾值的方法通過迭代來尋找最合適的閾值。

如圖2所示，從得到的所有方向-集群性指數(shù)中自適應(yīng)提取閾值的過程，具體包括：

設(shè)Φ為包含每幀圖像方向-集群性指數(shù)的矩陣，令初始閾值Th₀為矩陣Φ中最大值與最小值的平均數(shù)；

根據(jù)Th₀將大于初始閾值的幀數(shù)歸為異常幀，小于初始閾值的幀數(shù)歸為正常幀；

然后分別計算歸類后的正常幀與異常幀方向-集群性指數(shù)的平均值和

更新閾值Th使新閾值為和的平均值并重復(fù)以上步驟直至閾值不再變化。

具體算法如下：

實驗結(jié)果

本發(fā)明將所提出的模型在PETS2009數(shù)據(jù)集和網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行驗證，并與社會力模型、貝葉斯模型和能量模型進(jìn)行對比。為了更直觀的評估檢測性能，手動標(biāo)注了所有測試視頻序列的樣本標(biāo)簽(groundtruth)，相當(dāng)于參考標(biāo)準(zhǔn)；將異常幀標(biāo)注為正樣本，將正常幀標(biāo)注為負(fù)樣本。采用準(zhǔn)確率(ACC)和感受形曲線(ROC)下方的面積(AUC)兩個指標(biāo)作為評價標(biāo)準(zhǔn)。ACC的值越高，則方法的檢測性能越好；AUC的值越高，則方法的分類性能越好。

表1四種方法在PETS2009數(shù)據(jù)集上的ACC值對比

表2四種方法在PETS2009數(shù)據(jù)集上的AUC值對比

表3四種方法在網(wǎng)絡(luò)數(shù)據(jù)集上的ACC值對比

表4四種方法在網(wǎng)絡(luò)數(shù)據(jù)集上的AUC值對比

本發(fā)明應(yīng)用集群性特征區(qū)分人群自組織和無組織行為，提出一種方向-集群性模型用來檢測異常群體逃散事件，運用自適應(yīng)閾值選取法，避免手動地進(jìn)行閾值選取，使檢測方法更具有泛化性；與傳統(tǒng)方法相比，本模型在檢測準(zhǔn)確率和魯棒性上均有提升，且具有廣泛的性能裕度。

圖3是本發(fā)明的一種基于方向-集群性模型的人群逃散事件檢測系統(tǒng)結(jié)構(gòu)示意圖。如圖所示的基于方向-集群性模型的人群逃散事件檢測系統(tǒng)，包括：

運動粒子狀態(tài)計算模塊，其用于通過gKLT跟蹤算法提取人群監(jiān)控視頻中的運動軌跡從而得到軌跡坐標(biāo)矩陣，進(jìn)而通過軌跡坐標(biāo)矩陣計算出運動粒子的速度和方向；其中，運動粒子是人群中運動的個體。

將通過gKLT跟蹤算法得到的關(guān)鍵點集合K_t表示如下：

其中為第t幀的第i個運動粒子，和分別為該運動粒子的橫縱坐標(biāo)、速度和方向，N為第t幀的運動粒子數(shù)目。

方向-集群性模型建立模塊，其用于基于運動粒子的速度以及方向的無序性，建立表征人群的運動狀態(tài)的方向-集群性模型。

如圖4所示，方向-集群性模型建立模塊包括：

運動粒子狀態(tài)計算模塊，其用于從人群監(jiān)控視頻中提取運動軌跡從而得到軌跡坐標(biāo)矩陣，進(jìn)而通過軌跡坐標(biāo)矩陣計算出運動軌跡上運動粒子的速度和方向；

方向-集群性模型建立模塊，其用于基于運動粒子的速度以及方向的無序性，建立表征人群的運動狀態(tài)的方向-集群性模型；

方向-集群性指數(shù)計算模塊，其用于根據(jù)方向-集群性模型來計算每幀人群監(jiān)控視頻的方向-集群性指數(shù)，方向-集群性指數(shù)越大表示人群集群度越低，人群運動方向越混亂；

方向-集群性指數(shù)比較模塊，其用于從得到的所有方向-集群性指數(shù)中自適應(yīng)提取事件檢測閾值，再通過事件檢測閾值與每一幀人群監(jiān)控視頻的方向-集群性指數(shù)相比較，最終檢測出人群監(jiān)控視頻的人群逃散事件。

在一般情況下，個體的運動會影響相鄰個體的運動，并最終導(dǎo)致整個群體的運動變化。因此，群體集群性由其包含的每個個體的個體集群性組成。本發(fā)明利用“集群性”特征來表征行為一致性的程度，選取方向混亂度來表征群體運動的無序度。集群性特征僅僅考慮的相鄰運動粒子間的影響，當(dāng)兩個運動粒子間具有一定的距離時，則無法精確地估計其行為相似性。為了解決這一問題，本發(fā)明運用路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性。

在一般情況下，個體的運動會影響相鄰個體的運動，并最終導(dǎo)致整個群體的運動變化。因此，群體集群性由其包含的每個個體的個體集群性組成。本發(fā)明將集群性定義為群體運動中的運動粒子與其相鄰運動粒子間的行為相似性。

設(shè)為相鄰運動粒子，其行為相似性的計算方式可表示為：

當(dāng)時，運動粒子i，j被視作具有相似的方向性，運動粒子間的作用力為吸引力，夾角越大則行為相似性越低。當(dāng)時，運動粒子i，j被視作具有不同的方向性，運動粒子間的作用力為排斥力，此時行為相似性為0。

上述方法僅僅考慮的相鄰運動粒子間的影響，當(dāng)兩個運動粒子間具有一定的距離時，則無法精確地估計其行為相似性。為了解決這一問題，本發(fā)明運用路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性。設(shè)代表從到途徑k₁,k₂,…,k_L-1各點的長度為L的路徑。則從到的所有長度為L的路徑的行為相似性可表示為：

其中P為從到的所有長度為L的路徑的集合。因此，單個運動粒子的集群性指數(shù)可表示為：

其中ω為實值正則化因子，用來削弱因集群性指數(shù)隨L增加呈指數(shù)型增長所帶來的影響。基于以上數(shù)學(xué)分析，t時刻的群體集群性指數(shù)Collectiveness(t)∈[0,1]可定義為：

方向-集群性特征在t時刻的表達(dá)式為：

其中N為t時刻的運動粒子數(shù)，Direction(i,t)∈[0,1]為t時刻運動粒子i的方向無序度，其計算方式如下：

其中，θ_mean(i,t)為t時刻運動粒子i的速度方向與平均速度方向的角度差，θ_max(i,t)為t時刻運動粒子i的速度方向與最大速度方向的角度差，ρ為調(diào)節(jié)模型大小的權(quán)重，此處設(shè)使Direction(i,t)的值域在0到1之間。具體計算方法如下：

經(jīng)過上述操作，得到了每一幀圖像的方向-集群性指數(shù)，其值域為[0,1]。方向-集群性指數(shù)越大代表群體集群度越低，群體運動方向越混亂。

其中，方向-集群性指數(shù)比較模塊包括事件檢測閾值自適應(yīng)提取模塊，如圖5所示，事件檢測閾值自適應(yīng)提取模塊包括：

初始化閾值模塊，其用于初始化閾值，設(shè)定初始閾值為包含每幀人群監(jiān)控視頻方向-集群性指數(shù)的矩陣中最大值與最小值的平均數(shù)；

人群監(jiān)控視頻幀分類模塊，其用于對人群監(jiān)控視頻幀進(jìn)行分類，將大于初始閾值的幀數(shù)歸為異常幀，小于或等于初始閾值的幀數(shù)歸為正常幀；

方向-集群性指數(shù)平均值計算模塊，其用于分別計算歸類后的正常幀與異常幀方向-集群性指數(shù)的平均值和

閾值更新模塊，其用于更新閾值，使得更新后的閾值為和的平均值，直至閾值不再變化，得到事件檢測閾值。尋找適當(dāng)?shù)姆指铋撝祵τ跈z測性能和準(zhǔn)確率的提升至關(guān)重要。手動選擇閾值的方法將導(dǎo)致檢測效率低下、檢測方法缺乏普適性。因此，本發(fā)明采用自適應(yīng)閾值的方法通過迭代來尋找最合適的閾值，本發(fā)明避免了手動地進(jìn)行閾值選取，使檢測方法更具有泛化性。

圖6是本發(fā)明的另一種基于方向-集群性模型的人群逃散事件檢測系統(tǒng)結(jié)構(gòu)示意圖。

如圖所示的該基于方向-集群性模型的人群逃散事件檢測系統(tǒng)，包括人群監(jiān)控視頻采集裝置和服務(wù)器。

其中，人群監(jiān)控視頻采集裝置，其被配置采集人群運動的視頻信息，并傳送至服務(wù)器。

人群監(jiān)控視頻采集裝置可采用攝像機來實現(xiàn)。

所述服務(wù)器，其被配置為：

從人群監(jiān)控視頻中提取運動軌跡從而得到軌跡坐標(biāo)矩陣，進(jìn)而通過軌跡坐標(biāo)矩陣計算出運動軌跡上運動粒子的速度和方向；

基于運動粒子的速度以及方向的無序性，建立表征人群的運動狀態(tài)的方向-集群性模型；

根據(jù)方向-集群性模型來計算每幀人群監(jiān)控視頻的方向-集群性指數(shù)，方向-集群性指數(shù)越大表示人群集群度越低，人群運動方向越混亂；

從得到的所有方向-集群性指數(shù)中自適應(yīng)提取事件檢測閾值，再通過事件檢測閾值與每一幀人群監(jiān)控視頻的方向-集群性指數(shù)相比較，最終檢測出人群監(jiān)控視頻的人群逃散事件。

進(jìn)一步的，所述服務(wù)器，還被配置為：

將人群中的運動粒子與其相鄰運動粒子間的行為相似性定義為集群性，并利用運動粒子的路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性，得到集群性特征；

在集群性特征的基礎(chǔ)上，利用運動粒子的方向信息來表征人群逃散事件發(fā)生時人群運動方向的無序性；

將集群性特征以及方向信息兩者進(jìn)行特征融合得到方向-集群性特征，得到表征人群的運動狀態(tài)的方向-集群性模型。

在一般情況下，個體的運動會影響相鄰個體的運動，并最終導(dǎo)致整個群體的運動變化。因此，群體集群性由其包含的每個個體的個體集群性組成。本發(fā)明利用“集群性”特征來表征行為一致性的程度，選取方向混亂度來表征群體運動的無序度。集群性特征僅僅考慮的相鄰運動粒子間的影響，當(dāng)兩個運動粒子間具有一定的距離時，則無法精確地估計其行為相似性。為了解決這一問題，本發(fā)明運用路徑拓?fù)浣Y(jié)構(gòu)來估計行為相似性。

進(jìn)一步的，所述服務(wù)器，還被配置為：

初始化閾值，設(shè)定初始閾值為包含每幀人群監(jiān)控視頻方向-集群性指數(shù)的矩陣中最大值與最小值的平均數(shù)；

對人群監(jiān)控視頻幀進(jìn)行分類，將大于初始閾值的幀數(shù)歸為異常幀，小于或等于初始閾值的幀數(shù)歸為正常幀；

分別計算歸類后的正常幀與異常幀方向-集群性指數(shù)的平均值和

更新閾值，使得更新后的閾值為和的平均值；

重復(fù)以上步驟直至閾值不再變化，得到事件檢測閾值。

尋找適當(dāng)?shù)姆指铋撝祵τ跈z測性能和準(zhǔn)確率的提升至關(guān)重要。手動選擇閾值的方法將導(dǎo)致檢測效率低下、檢測方法缺乏普適性。因此，本發(fā)明采用自適應(yīng)閾值的方法通過迭代來尋找最合適的閾值，本發(fā)明避免了手動地進(jìn)行閾值選取，使檢測方法更具有泛化性。

進(jìn)一步的，該系統(tǒng)還包括預(yù)警裝置，其與服務(wù)器相連，用來對人群監(jiān)控視頻中出現(xiàn)人群逃散事件進(jìn)行預(yù)警。

本發(fā)明應(yīng)用集群性特征區(qū)分人群自組織和無組織行為，提出一種方向-集群性模型用來檢測異常群體逃散事件，運用自適應(yīng)閾值選取法，避免手動地進(jìn)行閾值選取，使檢測方法更具有泛化性；與傳統(tǒng)方法相比，本模型在檢測準(zhǔn)確率和魯棒性上均有提升，且具有廣泛的性能裕度。

本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實施例可提供為方法、系統(tǒng)、或計算機程序產(chǎn)品。因此，本發(fā)明可采用硬件實施例、軟件實施例、或結(jié)合軟件和硬件方面的實施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機可用程序代碼的計算機可用存儲介質(zhì)(包括但不限于磁盤存儲器和光學(xué)存儲器等)上實施的計算機程序產(chǎn)品的形式。

本發(fā)明是參照根據(jù)本發(fā)明實施例的方法、設(shè)備(系統(tǒng))、和計算機程序產(chǎn)品的流程圖和/或方框圖來描述的。應(yīng)理解可由計算機程序指令實現(xiàn)流程圖和/或方框圖中的每一流程和/或方框、以及流程圖和/或方框圖中的流程和/或方框的結(jié)合?？商峁┻@些計算機程序指令到通用計算機、專用計算機、嵌入式處理機或其他可編程數(shù)據(jù)處理設(shè)備的處理器以產(chǎn)生一個機器，使得通過計算機或其他可編程數(shù)據(jù)處理設(shè)備的處理器執(zhí)行的指令產(chǎn)生用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的裝置。

這些計算機程序指令也可存儲在能引導(dǎo)計算機或其他可編程數(shù)據(jù)處理設(shè)備以特定方式工作的計算機可讀存儲器中，使得存儲在該計算機可讀存儲器中的指令產(chǎn)生包括指令裝置的制造品，該指令裝置實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能。

這些計算機程序指令也可裝載到計算機或其他可編程數(shù)據(jù)處理設(shè)備上，使得在計算機或其他可編程設(shè)備上執(zhí)行一系列操作步驟以產(chǎn)生計算機實現(xiàn)的處理，從而在計算機或其他可編程設(shè)備上執(zhí)行的指令提供用于實現(xiàn)在流程圖一個流程或多個流程和/或方框圖一個方框或多個方框中指定的功能的步驟。

本領(lǐng)域普通技術(shù)人員可以理解實現(xiàn)上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關(guān)的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質(zhì)中，該程序在執(zhí)行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質(zhì)可為磁碟、光盤、只讀存儲記憶體(Read-Only Memory，ROM)或隨機存儲記憶體(Random AccessMemory，RAM)等。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進(jìn)行了描述，但并非對本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。