CN102930248A

CN102930248A - 基于机器学习的人群异常行为检测方法

Info

Publication number: CN102930248A
Application number: CN2012104038193A
Authority: CN
Inventors: 章东平; 彭怀亮; 沈晔; 李九生; 陈非予
Original assignee: China Jiliang University
Current assignee: China Jiliang University
Priority date: 2012-10-22
Filing date: 2012-10-22
Publication date: 2013-02-13

Abstract

本发明公开了一种基于机器学习的人群异常行为检测的方法。本方法运用视频图像处理的方法，提取出人群行为（包括踩踏，跌倒，群殴等）的特征，把提取的这些特征运用到机器学习模型中，将各种行为特征进行分类，得到训练参数，从而可对人群异常的行为进行检测。

Description

基于机器学习的人群异常行为检测方法

技术领域

本发明属于视频图像技术领域，具体涉及一种基于机器学习的人群异常行为检测方法。

背景技术

随着经济的快速发展，在商场、体育场等公共场所中常常存在着人流高峰，而这些拥挤的人群对公共安全带来了极大的隐患。如果能够对人群进行监测，及时发现人群异常的行为，就可以及时采取相应的解决方案，避免重大意外事件的发生。因此，为了保障人群安全，维护公共秩序，越来越多的视频监控系统被投入使用。但大多数传统的监控系统都需要专门的人员对监控视频进行人工判断，需要耗费大量的人力，并且人长时间专注于一件事情，可能会疏忽某些异常情况，从而带来严重后果。

发明内容

为了解决现有技术中存在的上述技术问题，本发明对于公共场所人群异常行为监控技术方法以及系统进行研究，针对目前国内外各种技术的研究分析，确定了人群异常检测的方法，形成了可行的个人解决方案。在以此方法的基础之上，设计出检测人群恐慌、人群打架斗殴、人群踩踏等人群异常行为的方法，改善目前智能监控系统中在公共场所中对人群危险异常行为识别的能力。本发明是通过以下技术实现的：

一种基于机器学习的人群异常行为检测方法，包括步骤如下：

（1）人群目标检测：通过人群目标检测算法得到运动的视频目标，包括Canny边缘求取，运动边缘求取，运动目标的获取三个步骤；

（2）人群行为特征获取；

（3）神经网络训练：通过三层BP神经网络进行训练，包括输入层，隐层和输出层。

进一步的，利用变分光流法计算视频中每个运动像素的光流值，在运动估计中对运动进行遮挡处理，将视频分为尺寸为20*20的小块，得到每小块的速度大小；且将运动像素的运动方向量化为4个方向,得到每小块的运动方向。

进一步的，所述输入层神经元个数根据视觉特征提取网格像素特征信息量大小确定，对为18*12*10样本进行训练。

进一步的，在一个样本分成18个子样本集，对他们分别采用相同的神经网络模型参数进行训练，对一个样本的18个结果若超过半数为其中一种异常行为，就判定成功；反之就定为正常结果。

本发明方法与现有技术相比，取得的改进表现在：设计了一种适合于人群行为检测的BP神经网络模型，将视频序列样本特征提取，并将提取的样本特征有效组合为一系列的子样本，从训练好的模型中输出结果，判决检测人群恐慌、人群打架斗殴、人群踩踏等人群异常行为。

附图说明

图1是本发明的基于机器学习的人群异常行为检测方法的流程图；

图2是三层BP神经网络；

图3是遮挡区域示意图；

图4是样本采集过程示意图；

图5是样本训练过程示意图。

具体实施方式

下面结合附图对本发明作进一步说明。

如图1-5所示，本发明的基于机器学习的人群异常行为检测方法，采用了适合于人群行为检测的BP神经网络模型。

其具体包括如下步骤：

步骤一：人群目标检测

1-1、Canny边缘求取：

首先对图像做高斯卷积平滑，接着运用梯度值非最大值压抑细化边缘，再用滞后的阀值将与强边缘相连的弱边缘加入边缘图像。

1-2运动边缘的求取：

接着，对相继的两帧视频图像的边缘图像做差，以消除静止场景的影响。设相继的两帧图像分别为

Figure 2012104038193100002DEST_PATH_IMAGE001

和

，则运动边缘可以定义为：

其中G是高斯算子，*是卷积，▽是梯度算子，θ是Canny的边缘检测算子。

1-3运动目标的获取：

在得到的运动边缘图像中，运动的物体可以留下一个基本上封闭的边缘线。把每一行中第一个和最后一个边缘点之间的线组成的区域称为水平候选区域，同样的，每一列中的第一个和最后一个边缘点之间的线组成的区域称为竖直候选区域。同样的，±45度的扫描线也可以得到两个候选区域。通过对这些候选区域求并，接着对得到的区域做形态学处理（图像的开运算和闭运算，开运算是先腐蚀后膨胀的过程，可以消除图像上细小的噪声，并平滑物体边界。闭运算时先膨胀后腐蚀的过程，可以填充物体内细小的空洞，并平滑物体边界。

步骤二：人群行为特征获取

2-1、变分光流法：

为了解决了物体运动范围较大时，光流误差大，且对光照等因素敏感的问题，提出了基于分层金字塔理论的光流估计算法。首先为了增强光流算法对图像灰度变化的鲁棒性，在H-S微分法灰度一致性假设的基础上，又扩展了梯度一致性假设。其次在平滑约束项上，采用分段平滑来代替全局平滑。最后为了计算大位移运动的光流，采用一种多尺度的思想：首先计算图像在最低分辨率下的光流场，然后把所求得的光流场经过双三次插值后作为下一个稍高分辨率的两图像光流计算的初始值，如此反复，直到完成初始分辨率下的光流计算。

其中:

，

是鲁棒函数抑制了异常点。

通过最小化总能量

，正则化参数

，计算得出u和v;

根据变分计算法，总的能量函数式应满足如下欧拉方程：

上述稀疏线性方程是非线性的，首先采用固定点迭代转化为线性方程，然后使用逐次超松弛迭代（SOR）及由粗到细的分层策略可以获取光流场。

2-2、基于光流的遮挡检测：

跟踪目标是会存在遮挡问题，遮挡会导致目标跟踪的准确性，甚至丢失、混乱跟踪目标。利用光流信息来处理遮挡问题。通过直接标记像素点的方式来表示遮挡。当像素点被标记遮挡区域后，就会在随后的计算运动估计中被排除。其具体原理是利用光流的散度和像素投影差分来识别遮挡点。在不同运动特性区域的光流场散度是不同的，可以表示为：

(1)

对于非遮挡边界流场的散度是正的，对于遮挡边界其值是负的，沿着遮挡边界方向其值为零。

为了得到遮挡边界，定义一个单边散度方程

：

(2)

像素投影差分提供了另一个遮挡线索：

（3）

使用一个零均值未归一化的高斯分布结合单边散度和像素投影差：

（4）

上式中根据实验观察值取

，

。如此在遮挡区域值几乎为0，在非遮挡区域

值近为1。

2-3、视觉特征提取：

将视频分为尺寸为20*20的小块，得到每小块的速度大小；且将运动像素的运动方向量化为4个方向。得到每小块的运动方向。

步骤三：神经网络训练

3-1、输入层神经元个数根据视觉特征提取网格像素特征信息量大小确定，对为18*12*10假设视频大小为（360*240）样本进行训练。在每一帧中取两列等距竖列，同样位置的取间隔的10帧，即子样本的神经元个数取240，这样尽可能的把发生的事件发生在样本时间段内。

3-2、隐含层节点数的确定,隐含层节点数的数目增加达到一定的程度时，计算的复杂度增加，网络训练的收敛速度将降低，网络的推广能力将变差，所以需要根据问题的规模合理地选择隐藏层单元数。

其中，k为样本数，n₁为隐单元数，n为输入单元数，如果i>n₁，

其中,m为输出神经元数,n为输入单元数，a为[1,10]之间的常数。

其中，n为输入单元数。

3-3、输出层神经元个数及输出表示。神经网络输出层神经元个数由设计网络时所采用的输出表示和决策规则所确定。当设计神经网络作为模式分类器时，因此，网络输出层神经元的数目即为待识别的类别数M,输出层的每一个神经元就代表一个目标种类。

3-4、样本判决决策：在一个样本分成18个子样本集，对他们分别采用相同的神经网络模型参数进行训练。对一个样本的18个结果若超过半数为其中一种异常行为，就判定成功；反之就定为正常结果。

以上所述及图中所示的仅是本发明的优选实施方式。应当指出，对于本领域的普通技术人员来说，在不脱离本发明的原理的前提下，还可以作出若干变型和改进，这些也应视为属于本发明的保护范围。

Claims

1.一种基于机器学习的人群异常行为检测方法，包括步骤如下：

（2）人群行为特征获取；

2.如权利要求1所述的一种基于机器学习的人群异常行为检测方法，其特征在于：利用变分光流法计算视频中每个运动像素的光流值，在运动估计中对运动进行遮挡处理，将视频分为尺寸为20*20的小块，得到每小块的速度大小；且将运动像素的运动方向量化为4个方向,得到每小块的运动方向。

3.如权利要求1或2所述的一种基于机器学习的人群异常行为检测方法，其特征在于：所述输入层神经元个数根据视觉特征提取网格像素特征信息量大小确定，对为18*12*10样本进行训练。

4.如权利要求3所述的一种基于机器学习的人群异常行为检测方法，其特征在于：在一个样本分成18个子样本集，对他们分别采用相同的神经网络模型参数进行训练，对一个样本的18个结果若超过半数为其中一种异常行为，就判定成功；反之就定为正常结果。