基于cd運(yùn)動(dòng)特征的群體行為識(shí)別方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及的是智能視頻監(jiān)控領(lǐng)域,具體地,涉及的是一種監(jiān)控場(chǎng)景下的群體行 為識(shí)別方法及系統(tǒng)。
【背景技術(shù)】
[0002] 在智能視頻監(jiān)控領(lǐng)域,如何及時(shí)有效地分析群體行為并給出公共安全管理的決策 依據(jù)是非常重要的一個(gè)問(wèn)題。隨著人民生活水平不斷提高,社會(huì)公共活動(dòng)日趨頻繁,且群體 規(guī)模越來(lái)越大,導(dǎo)致維護(hù)公共安全秩序難度增大。近年來(lái),為了有效防范群體性事件發(fā)生, 加強(qiáng)公共安全管理,維護(hù)社會(huì)和諧穩(wěn)定,我國(guó)公共安全管理等相關(guān)部門(mén)相繼推出"金盾工 程"、"平安城市"、"智慧城市"等一系列安防和應(yīng)急管理信息化建設(shè),建立了大規(guī)模城市高 清圖像監(jiān)控網(wǎng)絡(luò)和應(yīng)急管理系統(tǒng)。但是,目前的視頻監(jiān)控技術(shù)還不能主動(dòng)感知理解群體行 為,亦不能達(dá)到及時(shí)防范群體性事件的目的。
[0003] 經(jīng)對(duì)現(xiàn)有的技術(shù)文獻(xiàn)檢索發(fā)現(xiàn),目前群體行為分析多數(shù)都集中在群體異常事件檢 測(cè),也就是正常\異常二分類(lèi)問(wèn)題。比如從社會(huì)力學(xué)角度出發(fā),提取群體中的社會(huì)力特征, 然后據(jù)此判斷群體是否出現(xiàn)異常;從流體力學(xué)的角度出發(fā),提出勢(shì)能場(chǎng)來(lái)表示群體的運(yùn)動(dòng) 狀態(tài),進(jìn)而判斷是否發(fā)生異常;從粘性流體場(chǎng)的角度出發(fā),通過(guò)構(gòu)建時(shí)空粘性力場(chǎng)來(lái)表示群 體的運(yùn)動(dòng)特性,然后檢測(cè)群體中是否發(fā)生異常事件;還有提出利用多尺度光流直方圖檢測(cè) 群體場(chǎng)景中的異常事件。這些方法的局限性在于只能判斷群體行為是否異常,卻無(wú)法給出 明確的群體行為類(lèi)別,比如旋轉(zhuǎn)、聚集或是發(fā)散。在識(shí)別群體行為類(lèi)別方面,有研究者提出 從動(dòng)態(tài)系統(tǒng)的穩(wěn)定性出發(fā),利用雅可比矩陣的特征值來(lái)描述不同的群體運(yùn)動(dòng)類(lèi)型。
[0004] 但是這種方法依然存在一些問(wèn)題,主要包括以下幾點(diǎn):1)由于其使用的特征是局 部特征,易受透視畸變和尺度變化影響;2)在多種運(yùn)動(dòng)模式存在相互交疊的情況下,不能 有效地分解出每個(gè)運(yùn)動(dòng)模式;3)僅僅給出群體行為的類(lèi)別,卻無(wú)法定量宏觀地描述群體運(yùn) 動(dòng)。
【發(fā)明內(nèi)容】
[0005] 鑒于現(xiàn)有群體行為識(shí)別方法存在上述不足,本發(fā)明提出了一種基于⑶(C,即 Curl,代表旋度;D即Divergence,代表散度)運(yùn)動(dòng)特征的群體行為識(shí)別方法及系統(tǒng),可以有 效地分解出一個(gè)監(jiān)控場(chǎng)景的多個(gè)運(yùn)動(dòng)模式,并用CD運(yùn)動(dòng)特征從宏觀上進(jìn)行定量地描述,然 后通過(guò)SVM分類(lèi)器判斷其行為類(lèi)別;本發(fā)明具有很強(qiáng)的魯棒性,可以有效應(yīng)對(duì)透視畸變和 尺度變化的影響,具有很好的實(shí)際應(yīng)用價(jià)值。
[0006] 為實(shí)現(xiàn)以上目的,本發(fā)明采用以下技術(shù)方案:
[0007] 根據(jù)本發(fā)明的第一方面,提供一種基于CD運(yùn)動(dòng)特征的群體行為識(shí)別方法,包括以 下步驟:
[0008] Sl :對(duì)任意給定的群體監(jiān)控視頻,計(jì)算其光流場(chǎng);
[0009] S2 :對(duì)光流場(chǎng)進(jìn)行時(shí)域上聚類(lèi),得到運(yùn)動(dòng)矢量場(chǎng);
[0010] S3 :對(duì)運(yùn)動(dòng)矢量場(chǎng)進(jìn)行分解,得到基本的子運(yùn)動(dòng)矢量場(chǎng);
[0011] S4 :對(duì)每個(gè)子運(yùn)動(dòng)矢量場(chǎng)提?、沁\(yùn)動(dòng)特征;
[0012] S5 :對(duì)每個(gè)⑶運(yùn)動(dòng)特征進(jìn)行特征抽取,得到長(zhǎng)度一致的特征向量;
[0013] S6 :將特征向量輸入到SVM分類(lèi)器,從而判斷群體行為類(lèi)別。
[0014] 優(yōu)選地,步驟Sl中,所述光流場(chǎng)的計(jì)算方法為:采用LK光流法,在相鄰兩幀計(jì)算光 流;
[0015] 假設(shè)有N+1幀圖像序列,采用LK光流計(jì)算之后,得到N個(gè)連續(xù)的光流場(chǎng),表示為:
[0016] IOi (X,y)},i = 1,2, · · ·,N,
[0017] 其中(X,y)為相應(yīng)圖像中的坐標(biāo)點(diǎn)。
[0018] 優(yōu)選地,步驟S2中,所述光流場(chǎng)在時(shí)域上聚類(lèi)的方法為:利用mean-shift算法對(duì) 每個(gè)點(diǎn)的N個(gè)運(yùn)動(dòng)矢量進(jìn)行聚類(lèi),結(jié)果表示為:
[0019] V(x,y) = Ivi (X,y)},i = 1,2, · · ·,c (X,y),
[0020] 其中:C (X,y)表示聚類(lèi)個(gè)數(shù);Iv1 (X,y)}表示聚類(lèi)之后的矢量;
[0021] 相應(yīng)的權(quán)重為:
[0022]
[0023]
[0024]
[0025] 優(yōu)選地,步驟S3中,所述矢量場(chǎng)分解的方法為:在矢量場(chǎng)M(x,y)中的點(diǎn)(x,y)上 放置c (X,y)個(gè)粒子,所述粒子由該位置相應(yīng)的運(yùn)動(dòng)矢量驅(qū)動(dòng)進(jìn)行漂流;
[0026] 假設(shè)p (t) = (X (t),y (t))表示粒子在t幀的位置,則在t+Ι幀的位置為:
[0027] p(t+l) = p(t+l)+V*(p(t)),
[0028] 其中:VYpa))表示粒子在p(t)位置時(shí)的運(yùn)動(dòng)速度,VYpa)) = VMH(VYpa-I), ¥^^1(?(〇)汨為速度相關(guān)函數(shù),定義為:!1以1,¥ 2)=¥1·%;
[0029] 如果滿足H(VYpa)), VYpa-I))) >Hth,!^是指閾值,粒子以速度V*(p(t))繼 續(xù)漂流;當(dāng)所有粒子停止漂流之后,形成一張粒子密度圖;利用mean-shift算法進(jìn)行聚類(lèi), 得到一些聚集點(diǎn);每個(gè)聚集點(diǎn)即表示一個(gè)子運(yùn)動(dòng)矢量場(chǎng),通過(guò)該聚集點(diǎn)的成員粒子的初始 速度進(jìn)行恢復(fù);
[0030] 假設(shè)有m個(gè)成員粒子MP(t) = {pjt),p2(t),· · ·,pm(t)屬于一個(gè)聚集點(diǎn),則相應(yīng) 的子運(yùn)動(dòng)矢量場(chǎng)為:
[0031]
[0032] 其中t。為初始時(shí)刻。
[0033] 優(yōu)選地,步驟S4中,所述提取CD運(yùn)動(dòng)特征的方法為:對(duì)每個(gè)子運(yùn)動(dòng)矢量場(chǎng)Msub (X, y)進(jìn)行幅值歸一化,然后計(jì)算其旋度圖和散度圖;在Msub(x,y)及其對(duì)偶矢量場(chǎng)上分別進(jìn)行 運(yùn)動(dòng)軌跡采樣,得到切向軌跡和徑向軌跡;最后對(duì)旋度圖在切向軌跡上進(jìn)行路徑積分,得到 旋度特征向量;對(duì)散度圖在徑向軌跡上進(jìn)行路徑積分,得到散度特征向量。
[0034] 更優(yōu)選地,所述旋度特征向量和所述散度特征向量共同構(gòu)成CD運(yùn)動(dòng)特征。
[0035] 優(yōu)選地,步驟S5中,所述特征抽取的方法為:假設(shè)Λ S liR,h € 1?分別表示旋度 特征向量和散度特征向量,將f。均勾地分成K個(gè)互不重疊的部分,表不為:
[0036] {fcl},i = 1,2, · · ·,K ;
[0037] 對(duì)每個(gè)部分分別進(jìn)行最大、最小特征抽?。?br>[0038]
[0039] 其中:Num+(f J表示中非負(fù)元素個(gè)數(shù),Num (f J表示f"中負(fù)元素的個(gè)數(shù);
[0040] 在特征抽取之后,新的旋度特征向量為:
[0041]
[0042] 類(lèi)似地,對(duì)^進(jìn)行特征抽取得到新的散度特征向量if;
[0043] ⑶特征經(jīng)過(guò)最大、最小特征抽取之后,得到低維的運(yùn)動(dòng)特征:
[0044]
[0045] 優(yōu)選地,步驟S6中,所訴群體行為判別的方法為:將數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集, 分別提取每個(gè)樣本的運(yùn)動(dòng)特征CD p并作為SVM分類(lèi)器的輸入;利用訓(xùn)練集的運(yùn)動(dòng)特征來(lái)訓(xùn) 練SVM分類(lèi)器,然后利用測(cè)試集的運(yùn)動(dòng)特征來(lái)測(cè)試群體行為識(shí)別方法的性能。
[0046] 根據(jù)本發(fā)明的第二方面,提供一種基于⑶運(yùn)動(dòng)特征的群體行為識(shí)別系統(tǒng),包括:
[0047] 計(jì)算光流場(chǎng)模塊,對(duì)任意給定的群體監(jiān)控視頻,計(jì)算其光流場(chǎng);
[0048] 運(yùn)動(dòng)矢量場(chǎng)聚類(lèi)模塊:對(duì)光流場(chǎng)進(jìn)行時(shí)域上聚類(lèi),得到運(yùn)動(dòng)矢量場(chǎng);
[0049] 運(yùn)動(dòng)矢量場(chǎng)分解模塊:對(duì)運(yùn)動(dòng)矢量場(chǎng)進(jìn)行分解,得到基本的子運(yùn)動(dòng)矢量場(chǎng);
[0050] 提取⑶運(yùn)動(dòng)特征模塊:對(duì)每個(gè)子運(yùn)動(dòng)矢量場(chǎng)提?、沁\(yùn)動(dòng)特征;
[0051] 特征抽取模塊:對(duì)每個(gè)CD運(yùn)動(dòng)特征進(jìn)行特征抽取,得到長(zhǎng)度一致的特征向量;
[0052] SVM分類(lèi)器:將特征向量輸入到SVM分類(lèi)器,從而判斷群體行為類(lèi)別。
[0053] 與現(xiàn)有技術(shù)相比,本發(fā)明具有以下有益效果:
[0054] 本發(fā)明提出的群體行為識(shí)別方法,由于使用CD運(yùn)動(dòng)特征,可以有效地應(yīng)對(duì)透視畸 變和尺度變化。另外,該方法亦可以分解出監(jiān)控場(chǎng)景中存在交疊的多種運(yùn)動(dòng)模式,并分別從 整體上進(jìn)行定量描述。在實(shí)際應(yīng)用場(chǎng)景中具有很好的魯棒性和適應(yīng)性。
【附圖說(shuō)明】
[0055] 通過(guò)閱讀參照以下附圖對(duì)非限制性實(shí)施例所作的詳細(xì)描述,本發(fā)明的其它特征、 目的和優(yōu)點(diǎn)將會(huì)變得更明顯:
[0056] 圖1為本發(fā)明一實(shí)施例的總體流程圖;
[0057] 圖2為本發(fā)明一實(shí)施例的一個(gè)群體監(jiān)控視頻處理流程可視化效果圖;其中:(a)為 群體監(jiān)控視頻,(b)為光流場(chǎng),(c)為運(yùn)動(dòng)矢量場(chǎng),(d)為子運(yùn)動(dòng)矢量場(chǎng),(e)為CD運(yùn)動(dòng)特征, (g)為群體行為;
[0058] 圖3為本發(fā)明一實(shí)施例的在公開(kāi)的群體行為數(shù)據(jù)集上的識(shí)別結(jié)果,其中:(a)、 (b)、(c)、(d)、(e)分別表不 Lane、cArch、ccArch、Fountainhead、Bottleneck 在 UCF 和 CUHK 數(shù)據(jù)集上的ROC曲線。圖中縱軸True Positive Rate表示檢測(cè)率,橫軸False Positive Rate表示誤檢率。
【具體實(shí)施方式】
[0059] 下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。以下實(shí)施例將有助于本領(lǐng)域的技術(shù) 人員進(jìn)一步理解本發(fā)明,但不以任何形式限制本發(fā)明。應(yīng)當(dāng)指出的是,對(duì)本領(lǐng)域的普通技術(shù) 人員來(lái)說(shuō),在不脫離本發(fā)明構(gòu)思的前提下,還可以做出若干變形和改進(jìn)。這些都屬于本發(fā)明 的保護(hù)范圍。
[0060] 實(shí)施例1
[0061] 如圖1所示,一種基于⑶運(yùn)動(dòng)特征的群體行為識(shí)別方法,該方法國(guó)際上公開(kāi)的群 體監(jiān)控視頻數(shù)據(jù)集,即UCF群體數(shù)據(jù)集和CUHK群體數(shù)據(jù)集。UCF數(shù)據(jù)集包括61個(gè)來(lái)自互聯(lián) 網(wǎng)的群體視頻片段以及PETS2009的群體圖像序列,其中總共包含的群體行為模式有66個(gè) lane (直行)、8個(gè)cArch (順時(shí)針旋轉(zhuǎn))、20個(gè)ccArch (逆時(shí)針旋轉(zhuǎn))、29個(gè)fountainhead (散 開(kāi))和20個(gè)bottleneck (聚集)。CUHK數(shù)據(jù)集由95個(gè)視頻片段組成,其中總共包含的群體 行為模式有91 個(gè) lane、20 個(gè) cArch,18 個(gè) ccArch、9 個(gè) fountainhead 以及 20 個(gè)bottleneck。
[0062] 參見(jiàn)圖1所示流程圖,本實(shí)施例所述方法具體實(shí)施步驟為:
[0063] (1):對(duì)任意給定的群體監(jiān)控視頻,如圖2中(a)所示,計(jì)算其光流場(chǎng);具體步驟如 下:
[0064] 米用LK光流法,在相鄰兩幀計(jì)算光流。假設(shè)有N+1幀圖像序列,米用LK光流計(jì)算 之后,得到N個(gè)連續(xù)的光流場(chǎng),表示為:{Ojx,y)},i = 1,2,. . .,N,其中(X,y)是相應(yīng)圖像 中的坐標(biāo)點(diǎn)。如圖2中(b)所示即為光流場(chǎng)示意圖。
[0065] (2):對(duì)光流場(chǎng)進(jìn)行時(shí)域上聚類(lèi),得到運(yùn)動(dòng)矢量場(chǎng);具體步驟如下:
[0066] 利用mean-shift算法對(duì)每個(gè)點(diǎn)的N個(gè)運(yùn)動(dòng)矢量進(jìn)行聚類(lèi),結(jié)果表示為:V(x, y) = {ν^χ,y)}