專利名稱：基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于視頻圖像技術(shù)領(lǐng)域，具體涉及一種基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法。
背景技術(shù)：
隨著經(jīng)濟(jì)的快速發(fā)展，在商場(chǎng)、體育場(chǎng)等公共場(chǎng)所中常常存在著人流高峰，而這些擁擠的人群對(duì)公共安全帶來(lái)了極大的隱患。如果能夠?qū)θ巳哼M(jìn)行監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)人群異常的行為，就可以及時(shí)采取相應(yīng)的解決方案，避免重大意外事件的發(fā)生。因此，為了保障人群安全，維護(hù)公共秩序，越來(lái)越多的視頻監(jiān)控系統(tǒng)被投入使用。但大多數(shù)傳統(tǒng)的監(jiān)控系統(tǒng)都需要專門的人員對(duì)監(jiān)控視頻進(jìn)行人工判斷，需要耗費(fèi)大量的人力，并且人長(zhǎng)時(shí)間專注于一件事情，可能會(huì)疏忽某些異常情況，從而帶來(lái)嚴(yán)重后果。

發(fā)明內(nèi)容
為了解決現(xiàn)有技術(shù)中存在的上述技術(shù)問題，本發(fā)明對(duì)于公共場(chǎng)所人群異常行為監(jiān)控技術(shù)方法以及系統(tǒng)進(jìn)行研究，針對(duì)目前國(guó)內(nèi)外各種技術(shù)的研究分析，確定了人群異常檢測(cè)的方法，形成了可行的個(gè)人解決方案。在以此方法的基礎(chǔ)之上，設(shè)計(jì)出檢測(cè)人群恐慌、人群打架斗毆、人群踩踏等人群異常行為的方法，改善目前智能監(jiān)控系統(tǒng)中在公共場(chǎng)所中對(duì)人群危險(xiǎn)異常行為識(shí)別的能力。本發(fā)明是通過(guò)以下技術(shù)實(shí)現(xiàn)的
一種基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法，包括步驟如下
Cl)人群目標(biāo)檢測(cè)通過(guò)人群目標(biāo)檢測(cè)算法得到運(yùn)動(dòng)的視頻目標(biāo)，包括Canny邊緣求取，運(yùn)動(dòng)邊緣求取，運(yùn)動(dòng)目標(biāo)的獲取三個(gè)步驟；
(2)人群行為特征獲??；
(3)神經(jīng)網(wǎng)絡(luò)訓(xùn)練通過(guò)三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括輸入層，隱層和輸出層。進(jìn)一步的，利用變分光流法計(jì)算視頻中每個(gè)運(yùn)動(dòng)像素的光流值，在運(yùn)動(dòng)估計(jì)中對(duì)運(yùn)動(dòng)進(jìn)行遮擋處理，將視頻分為尺寸為20*20的小塊，得到每小塊的速度大??；且將運(yùn)動(dòng)像素的運(yùn)動(dòng)方向量化為4個(gè)方向，得到每小塊的運(yùn)動(dòng)方向。進(jìn)一步的，所述輸入層神經(jīng)元個(gè)數(shù)根據(jù)視覺特征提取網(wǎng)格像素特征信息量大小確定，對(duì)為18*12*10樣本進(jìn)行訓(xùn)練。進(jìn)一步的，在一個(gè)樣本分成18個(gè)子樣本集，對(duì)他們分別采用相同的神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行訓(xùn)練，對(duì)一個(gè)樣本的18個(gè)結(jié)果若超過(guò)半數(shù)為其中一種異常行為，就判定成功；反之就定為正常結(jié)果。本發(fā)明方法與現(xiàn)有技術(shù)相比，取得的改進(jìn)表現(xiàn)在設(shè)計(jì)了一種適合于人群行為檢測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型，將視頻序列樣本特征提取，并將提取的樣本特征有效組合為一系列的子樣本，從訓(xùn)練好的模型中輸出結(jié)果，判決檢測(cè)人群恐慌、人群打架斗毆、人群踩踏等人群異常行為。


圖I是本發(fā)明的基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法的流程 圖2是三層BP神經(jīng)網(wǎng)絡(luò)；
圖3是遮擋區(qū)域示意 圖4是樣本采集過(guò)程示意 圖5是樣本訓(xùn)練過(guò)程示意圖。
具體實(shí)施例方式下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步說(shuō)明。如圖1-5所示，本發(fā)明的基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法，采用了適合于人群行為檢測(cè)的BP神經(jīng)網(wǎng)絡(luò)模型。其具體包括如下步驟
步驟一人群目標(biāo)檢測(cè)
1-1、Canny邊緣求取
首先對(duì)圖像做高斯卷積平滑，接著運(yùn)用梯度值非最大值壓抑細(xì)化邊緣，再用滯后的閥值將與強(qiáng)邊緣相連的弱邊緣加入邊緣圖像。1-2運(yùn)動(dòng)邊緣的求取
接著，對(duì)相繼的兩幀視頻圖像的邊緣圖像做差，以消除靜止場(chǎng)景的影響。設(shè)相繼的兩幀圖像分別為/ 和則運(yùn)動(dòng)邊緣可以定義為
| -ι) - #(Λ) I = 木 JU) - */s) I
其中G是高斯算子，*是卷積，▽是梯度算子，Θ是Canny的邊緣檢測(cè)算子。1-3運(yùn)動(dòng)目標(biāo)的獲取
在得到的運(yùn)動(dòng)邊緣圖像中，運(yùn)動(dòng)的物體可以留下一個(gè)基本上封閉的邊緣線。把每一行中第一個(gè)和最后一個(gè)邊緣點(diǎn)之間的線組成的區(qū)域稱為水平候選區(qū)域，同樣的，每一列中的第一個(gè)和最后一個(gè)邊緣點(diǎn)之間的線組成的區(qū)域稱為豎直候選區(qū)域。同樣的，±45度的掃描線也可以得到兩個(gè)候選區(qū)域。通過(guò)對(duì)這些候選區(qū)域求并，接著對(duì)得到的區(qū)域做形態(tài)學(xué)處理(圖像的開運(yùn)算和閉運(yùn)算，開運(yùn)算是先腐蝕后膨脹的過(guò)程，可以消除圖像上細(xì)小的噪聲，并平滑物體邊界。閉運(yùn)算時(shí)先膨脹后腐蝕的過(guò)程,可以填充物體內(nèi)細(xì)小的空洞,并平滑物體邊界。步驟二 人群行為特征獲取
2-1、變分光流法
為了解決了物體運(yùn)動(dòng)范圍較大時(shí)，光流誤差大，且對(duì)光照等因素敏感的問題，提出了基于分層金字塔理論的光流估計(jì)算法。首先為了增強(qiáng)光流算法對(duì)圖像灰度變化的魯棒性，在H-S微分法灰度一致性假設(shè)的基礎(chǔ)上，又?jǐn)U展了梯度一致性假設(shè)。其次在平滑約束項(xiàng)上，采用分段平滑來(lái)代替全局平滑。最后為了計(jì)算大位移運(yùn)動(dòng)的光流，采用一種多尺度的思想首·先計(jì)算圖像在最低分辨率下的光流場(chǎng)，然后把所求得的光流場(chǎng)經(jīng)過(guò)雙三次插值后作為下一個(gè)稍高分辨率的兩圖像光流計(jì)算的初始值，如此反復(fù)，直到完成初始分辨率下的光流計(jì)算。其中Sdalsi(μ, V) = Jn 判 I(x + w) - I(X) |3 +γ | ΦΥΙ(χ + w) - VI(χ) \2 )dx
權(quán)利要求
1.一種基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法，包括步驟如下 (1)人群目標(biāo)檢測(cè)通過(guò)人群目標(biāo)檢測(cè)算法得到運(yùn)動(dòng)的視頻目標(biāo)，包括Canny邊緣求取，運(yùn)動(dòng)邊緣求取，運(yùn)動(dòng)目標(biāo)的獲取三個(gè)步驟； (2)人群行為特征獲取； (3)神經(jīng)網(wǎng)絡(luò)訓(xùn)練通過(guò)三層BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，包括輸入層，隱層和輸出層。
2.如權(quán)利要求I所述的一種基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法，其特征在于利用變分光流法計(jì)算視頻中每個(gè)運(yùn)動(dòng)像素的光流值，在運(yùn)動(dòng)估計(jì)中對(duì)運(yùn)動(dòng)進(jìn)行遮擋處理，將視頻分為尺寸為20*20的小塊，得到每小塊的速度大小；且將運(yùn)動(dòng)像素的運(yùn)動(dòng)方向量化為4個(gè)方向，得到每小塊的運(yùn)動(dòng)方向。
3.如權(quán)利要求I或2所述的一種基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法，其特征在于所述輸入層神經(jīng)元個(gè)數(shù)根據(jù)視覺特征提取網(wǎng)格像素特征信息量大小確定，對(duì)為18*12*10樣本進(jìn)行訓(xùn)練。
4.如權(quán)利要求3所述的一種基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)方法，其特征在于在一個(gè)樣本分成18個(gè)子樣本集，對(duì)他們分別采用相同的神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行訓(xùn)練，對(duì)一個(gè)樣本的18個(gè)結(jié)果若超過(guò)半數(shù)為其中一種異常行為，就判定成功；反之就定為正常結(jié)果。
全文摘要
本發(fā)明公開了一種基于機(jī)器學(xué)習(xí)的人群異常行為檢測(cè)的方法。本方法運(yùn)用視頻圖像處理的方法，提取出人群行為(包括踩踏，跌倒，群毆等)的特征，把提取的這些特征運(yùn)用到機(jī)器學(xué)習(xí)模型中，將各種行為特征進(jìn)行分類，得到訓(xùn)練參數(shù)，從而可對(duì)人群異常的行為進(jìn)行檢測(cè)。
文檔編號(hào)G06K9/62GK102930248SQ201210403819
公開日2013年2月13日 申請(qǐng)日期2012年10月22日 優(yōu)先權(quán)日2012年10月22日
發(fā)明者章東平, 彭懷亮, 沈曄, 李九生, 陳非予 申請(qǐng)人:中國(guó)計(jì)量學(xué)院