一種用于復雜結(jié)構(gòu)化場景的人群運動軌跡異常檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及智能視頻監(jiān)控技術(shù)中的復雜結(jié)構(gòu)化場景處理。更具體地，涉及一種用 于復雜結(jié)構(gòu)化場景的人群運動軌跡異常檢測方法。
【背景技術(shù)】
[0002] 近些年，智能視頻監(jiān)控在眾多行業(yè)及其相關(guān)領(lǐng)域中得到了普遍的運用。目前大 部分中型以上的小區(qū)都設(shè)置有安全監(jiān)控，林業(yè)牧業(yè)部門為了預防山林火災設(shè)立了火警火 情監(jiān)控，交通部門也以追蹤違章車輛違章、觀測道路流量為目的設(shè)立了道路監(jiān)控等等。有 報道（J.Vlahos. ?Surveillancesociety:Newhigh-techcamerasarewatchingyou.. PopularMechanics, 2008年，第2卷，第3期，頁碼：64-69.)指出，至2008年，已經(jīng)有多達 3000多萬個視頻監(jiān)控設(shè)備被安置在美國的各大公共場所，這些監(jiān)控設(shè)備每周可產(chǎn)生至少 40億小時的場景監(jiān)控數(shù)據(jù)；2008奧運會在中國北京舉行期間，安防部門為了保衛(wèi)各國領(lǐng)導 人、運動員以及觀賽觀眾而進行了充分的監(jiān)測工作，大約30萬臺攝像機被用于監(jiān)控奧運會 館內(nèi)發(fā)生的所有情況；據(jù)有關(guān)部門記錄，在2010年前北京市內(nèi)的人口總體數(shù)量就已經(jīng)快要 突破2000萬人，而市內(nèi)的監(jiān)控攝像頭數(shù)量也已投放近40余萬臺，也就是說大約平均每一千 人就會有約20臺的監(jiān)控攝像頭來監(jiān)測其動態(tài)行為；更有報道稱，2014年我國僅山東省一省 之內(nèi)，就有超過200萬臺的視頻監(jiān)控設(shè)備被置于各公共場所。從實際的使用功能上來看，公 共場所的智能視頻監(jiān)控不僅可以用于安全預防，還可以用于場景結(jié)構(gòu)信息的獲取、人群的 指揮調(diào)度以及公共空間的結(jié)構(gòu)設(shè)計等方面。而視頻監(jiān)控技術(shù)正是為了處理那些由視頻監(jiān)控 設(shè)備捕獲的監(jiān)控數(shù)據(jù)而產(chǎn)生的。
[0003] 早在20世紀末，就已有相關(guān)眾學者（吳建國..視頻監(jiān)控系統(tǒng)的發(fā)展趨勢..云 南：云南警官學院，學位論文.2011年）對大中型城市的智能監(jiān)控及其相關(guān)應用進行了一 定的研宄和開發(fā)。同時，由政府推動進行的"平安城市"及"數(shù)字城市"等重大科學研宄項 目也對現(xiàn)有的視頻監(jiān)控系統(tǒng)提出了新的挑戰(zhàn)。傳統(tǒng)的視頻監(jiān)控技術(shù)主要依賴于監(jiān)控人員對 場景中視頻監(jiān)控設(shè)備獲取的監(jiān)測圖像進行查看，并進行簡單的分析。然而隨著網(wǎng)絡(luò)的迅速 發(fā)展，使得監(jiān)控圖像的獲取和傳輸日趨便捷，同時由于視頻監(jiān)控系統(tǒng)的規(guī)模逐步擴大，海量 的圖像信息僅靠人工實時查看和分析，效率極低并極易錯過重要信息（王晨.智能視頻監(jiān) 控系統(tǒng)設(shè)計.南京：南京理工大學.學位論文：2007.)。有相關(guān)的軍事實驗對這一結(jié)論進行 了驗證，實驗結(jié)果顯示如果同一個監(jiān)測人員長時間觀察超過2個視頻監(jiān)視器，經(jīng)過十幾分 鐘以后，將會錯過約45%的場景，經(jīng)過二十幾分鐘后，可能會錯過近95%的場景。其次，在 許多惡劣的環(huán)境中人工無法長時間工作，僅依靠普通的視頻監(jiān)控設(shè)備無法實現(xiàn)智能警報， 發(fā)生異常情況卻也無法及時的監(jiān)測到，只能在事后進行調(diào)閱取證，卻錯過了處理的最佳處 置時機。大量的無用監(jiān)控信息，會淹沒一部分有用信息，從而使得有用信息的獲取變得更加 不易。此外，在傳統(tǒng)的視頻監(jiān)控技術(shù)中需要傳輸和保存大量的視頻數(shù)據(jù)，所以對帶寬和存儲 資源的要求較高，然而這些數(shù)據(jù)中大部分都是沒有實際研宄意義的無用數(shù)據(jù)，因此常常會 而造成嚴重的浪費。由此可以看出發(fā)展智能的視頻監(jiān)控系統(tǒng)是整個社會發(fā)展的迫切需要。
[0004] 為了滿足市場發(fā)展的需求，智能化的視頻監(jiān)控技術(shù)及其相關(guān)應用得到了廣泛的研 宄。智能視頻監(jiān)控是一種以計算機視覺為基礎(chǔ)，分析公共場所內(nèi)捕獲的視頻圖像，并進一 步獲取場景中的有效信息，從而對異常事件進行檢測、對語義行為機進行預測的監(jiān)控方式。 由于應用型計算機擁有良好的信息處理能力，新型的視頻監(jiān)控技術(shù)通常采用大中型計算機 來對監(jiān)控數(shù)據(jù)進行快速、有效的剖析，去除那些用戶不關(guān)心的、無實際意義的場景及人群信 息，僅為監(jiān)控者提供有用的關(guān)鍵信息。在面對由視頻監(jiān)控設(shè)備的廣泛部署以及大容量存儲 設(shè)備成本的大幅度下降而導致的監(jiān)控數(shù)據(jù)容量急速增長的挑戰(zhàn)下，智能化的視頻監(jiān)控系統(tǒng) 不僅可以克服傳統(tǒng)視頻監(jiān)控技術(shù)成本高、效率低的弊端，更可以從海量監(jiān)控數(shù)據(jù)中挖掘出 豐富的人群、車輛等運動對象的動態(tài)及行為信息，及時發(fā)覺突發(fā)事件和異常事件，并進行報 警。已經(jīng)遠遠超出了安保工作的范疇，成為一個更具有研宄價值，值得進一步深入挖掘的 課題。其中智能監(jiān)控技術(shù)的核心研宄內(nèi)容一一人群運動行為分析，在該領(lǐng)域中的主要的應 用方向有：人群運動管理、公共空間設(shè)計和異常事件檢測等等（B.Zhan,D.N.Monekosso,P. Remagnino,S.A.VelastinandL.Q.Xu. .Crowdanalysis:asurvey. .MachineVisionand Applications. ? 2008 年，第 5 卷，第 19 期，頁碼：345-357.)。
[0005] 綜上所述，智能視頻監(jiān)控技術(shù)擁有巨大發(fā)展前景，值得深入研宄。以計算機視覺相 關(guān)知識為基礎(chǔ)，對由視頻設(shè)備捕獲的結(jié)構(gòu)化公共場所監(jiān)控數(shù)據(jù)進行分析，提取數(shù)據(jù)中的有 效信息，并描述場景內(nèi)人群運動規(guī)律，實現(xiàn)智能視頻監(jiān)控技術(shù)的相關(guān)應用、解決實際需求， 為我們的根本出發(fā)點。
[0006] 目前國內(nèi)外也提出了一些結(jié)構(gòu)化場景內(nèi)人群軌跡的異常檢測方法，如使用4-D直 方圖檢測異常軌跡（C.R.Jung,L.HennemannandS.R.Musse..EventDetectionusing TrajectoryClusteringand4-DHistograms. .IEEETransactionsonCircuitsand SystemsforVideoTechnology..2008 年，11 期，18 卷，頁碼：1565_1575.)，但多數(shù)缺乏對 欲測試軌跡的初分類處理過程，使得軌跡異常檢測過程耗費許多不必要的時間和資源。并 且大部分的結(jié)構(gòu)化場景內(nèi)人群軌跡異常檢測方法需要提前預知詳細場景結(jié)構(gòu)信息，才能有 效的檢測其內(nèi)異常軌跡。在實際應用中存在很多不便。
[0007] 因此，需要提供一種用于復雜結(jié)構(gòu)化場景的人群運動軌跡異常檢測方法。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的目的在于提供一種用于復雜結(jié)構(gòu)化場景的人群運動軌跡異常檢測方法， 解決了檢測復雜結(jié)構(gòu)化場景的的監(jiān)控視頻數(shù)據(jù)中人群異常運動軌跡的低效和不準確的問 題。
[0009] 為達到上述目的，本發(fā)明采用下述技術(shù)方案：
[0010] 一種用于復雜結(jié)構(gòu)化場景的人群運動軌跡異常檢測方法，該方法包括如下步驟：
[0011] S1、分別提取監(jiān)控視頻歷史數(shù)據(jù)中復雜結(jié)構(gòu)化場景內(nèi)的人群中所有個體的采樣點 組成的人群中所有個體的運動軌跡并對人群中所有個體的運動軌跡分別進行分段，得到人 群中所有個體的分段運動軌跡；
[0012] S2、對人群中所有個體的分段運動軌跡進行基于最大最小距離的多中心聚類算法 的學習，得到各人群分段運動軌跡類；
[0013] S4、分別提取監(jiān)控視頻當前數(shù)據(jù)中復雜結(jié)構(gòu)化場景內(nèi)的人群中各個體的采樣點組 成的人群中各個體的運動軌跡，并根據(jù)各人群分段運動軌跡類，對監(jiān)控視頻當前數(shù)據(jù)中復 雜結(jié)構(gòu)化場景內(nèi)的人群中各個體的運動軌跡進行基于LOF算法的異常檢測。
[0014] 優(yōu)選地，步驟S2之后且步驟S4之前還包括如下步驟：
[0015] S3、將監(jiān)控視頻歷史數(shù)據(jù)中的復雜結(jié)構(gòu)化場景劃分為若干個大小相等的子區(qū)域， 統(tǒng)計各子區(qū)域內(nèi)各人群分段運動軌跡類內(nèi)采樣點的數(shù)目并將采樣點數(shù)目多的子區(qū)域作為 該人群分段運動軌跡類的感興趣區(qū)域，根據(jù)各人群分段運動軌跡類的感興趣區(qū)域分別優(yōu)化 各人群分段運動軌跡類。
[0016] 優(yōu)選地，步驟Sl中對人群中所有個體的運動軌跡進行分段進一步包括如下子步 驟：
[0017] SI. 1、將人群中所有個體的采樣點的方向特征分別離散至該采樣點最接近的標準 方向；
[0018] SI. 2、分別將人群中所有個體的采樣點的方向特征與該個體的前一采樣時刻的采 樣點的方向特征變化大的采樣點的位置點作為該個體的運動軌跡的關(guān)鍵點，并分別以關(guān)鍵 點為端點對人群中所有個體的運動軌跡進行分段。
[0019] 優(yōu)選地，步驟SI. 2中"分別將人群中所有個體的采樣點的方向特征與該個體的 前一采樣時刻的采樣點的方向特征變化大的采樣點的位置作為該個體的運動軌跡的關(guān)鍵 點"之后且"并分別以關(guān)鍵點為端點對人群中所有個體的運動軌跡進行分段"之前還包括步 驟：
[0020] 分別將間距小于人群