CN106157326B - 群体异常行为检测方法及系统 - Google Patents
群体异常行为检测方法及系统 Download PDFInfo
- Publication number
- CN106157326B CN106157326B CN201510160725.1A CN201510160725A CN106157326B CN 106157326 B CN106157326 B CN 106157326B CN 201510160725 A CN201510160725 A CN 201510160725A CN 106157326 B CN106157326 B CN 106157326B
- Authority
- CN
- China
- Prior art keywords
- group
- tracking
- feature points
- value
- frame
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种群体异常行为检测方法,包括:采用群体结构动态演化的群体跟踪方法,对视频帧中的群体进行群体跟踪;对上述跟踪到的群体每一帧中所包含的块的数目进行记录存储,直到群体跟踪结束;计算跟踪到的群体一段时间内所包含的块的数目,根据阈值和权值判断是否发生群体异常行为。本发明还涉及一种群体异常行为检测系统。本发明直接利用群体的基本特性来检测异常行为,非常简单方便,避免了复杂的模型学习过程,提高了查找造成安全问题原因的效率。
Description
技术领域
本发明涉及一种群体异常行为检测方法及系统。
背景技术
在节奏快速发展的现代社会中,人口的增长速度越来越快,一系列人口引发的问题越显突出。在人群密度比较密集的场所,比如火车站、汽车站等,安全问题尤为突出。通过对异常行为的检测,可以将监控视频中大量的对安防无用的信息过滤掉,节约了大量的人力。在人员复杂的公共场所中,通过对监控视频进行分析进而对一些造成安全问题的事件的发生进行判定并及时做出相应的响应,不仅能够对突发事件进行有效处理,而且对维护公共场所的安全和人民的生命财产安全等方面都有突出的贡献。
目前对于群体的异常行为,由于人群规模和密度较大,所以大多以宏观的角度进行研究,即将群体当做一个整体进行研究。主要有以下步骤:对视频运动目标检测、跟踪;根据群体的运动特性进行监测;通过模型对群体轨迹建模,识别群体的异常行为。
可见,目前的群体异常行为检测方式大都需要建立模型,然后进行模型学习,效率较低而且过程复杂。
发明内容
有鉴于此,有必要提供一种群体异常行为检测方法及系统。
本发明提供一种群体异常行为检测方法,该方法包括如下步骤:a.采用群体结构动态演化的群体跟踪方法,对视频帧中的群体进行群体跟踪;b.对上述跟踪到的群体每一帧中所包含的块的数目进行记录存储,直到群体跟踪结束;c.计算跟踪到的群体一段时间内所包含的块的数目,根据阈值和权值判断是否发生群体异常行为。
其中,所述的步骤a具体包括:利用光流法跟踪视频帧中提取到的特征点,并得到所述特征点的运动信息;根据得到的所述特征点的运动信息,计算特征点的运动模式是否一致,将运动模式一致的特征点按照密度进行聚类,使生成的块中所包含的特征点的密度较大;采用群体合并方法,检测出具有一定群体结构的由块组成的群体;采用分层的动态树结构,对上述检测得到的所述视频帧中的群体进行群体跟踪。
该方法还包括:更新检测阈值。
所述的步骤c具体包括:每隔m帧,对跟踪到的群体所包含块的数目通过函数f进行计算;将当前m帧的f值和之前的m帧的f值相减,预先设置一权值,并初始化为0;若|fn-fn-1|>s,则权值加一,且预设的阈值s也相应增大,重复上述过程;若权值超过w,则判断发生异常行为;若直到群体跟踪结束,权值仍然小于该w值,则判断群体无异常行为发生。
所述的函数f对群体在m帧内的所包含的块的数目进行方差计算。
本发明还提供一种群体异常行为检测系统,该系统包括跟踪模块、存储模块及判断模块,其中:所述跟踪模块用于采用群体结构动态演化的群体跟踪方法,对视频帧中的群体进行群体跟踪;所述存储模块用于对上述跟踪到的群体每一帧中所包含的块的数目进行记录存储,直到群体跟踪结束;所述判断模块用于计算跟踪到的群体一段时间内所包含的块的数目,根据阈值和权值判断是否发生群体异常行为。
其中,所述跟踪模块具体用于:利用光流法跟踪视频帧中提取到的特征点,并得到所述特征点的运动信息;根据得到的所述特征点的运动信息,计算特征点的运动模式是否一致,将运动模式一致的特征点按照密度进行聚类,使生成的块中所包含的特征点的密度较大;采用群体合并方法,检测出具有一定群体结构的由块组成的群体;采用分层的动态树结构,对上述检测得到的所述视频帧中的群体进行群体跟踪。
所述的判断模块还用于:更新检测阈值。
所述判断模块具体用于:每隔m帧,对跟踪到的群体所包含块的数目通过函数f进行计算;将当前m帧的f值和之前的m帧的f值相减,预先设置一权值,并初始化为0;若|fn-fn-1|>s,则权值加一,且预设的阈值s也相应增大,重复上述过程;若权值超过w,则判断发生异常行为;若直到群体跟踪结束,权值仍然小于该w值,则判断群体无异常行为发生。
所述的函数f对群体在m帧内的所包含的块的数目进行方差计算。
本发明群体异常行为检测方法及系统,直接利用群体的一些基本特性来检测异常行为,非常简单方便,而且避免了复杂的模型学习的过程。本发明能够检测出群体运动突然变得杂乱无章的事件,不仅可以提高查找造成安全问题原因的效率,而且也可以使相关人员及时做出相应的响应,对突发事件进行有效处理。
附图说明
图1为本发明一种群体异常行为检测方法的流程图;
图2为本发明一种群体异常行为检测系统的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示,是本发明一种群体异常行为检测方法较佳实施例的作业流程图。
步骤S1,采用群体结构动态演化的群体跟踪方法,对视频帧中的群体进行群体跟踪。具体步骤如下:
(1)利用光流法跟踪视频帧中提取的特征点,并得到所述特征点的运动信息。
(2)根据得到的所述特征点的运动信息,计算特征点的运动模式是否一致,将运动模式一致的特征点按照密度进行聚类,使生成的块中所包含的特征点的密度较大。
(3)采用群体合并(Collective Merging)方法,检测出具有一定群体结构的由块组成的群体。
需要说明的是,本实施例在形成由块组成的群体的过程中,由于可能发生行人离开或者加入群体的情况,使得由块组成的群体的结构不断发生变化,进而群体所包含的块的数目也相应改变。通过不断检测视频帧中块的群体一致性,在行人离开或者加入群体时,及时动态调整群体的结构。
(4)采用分层的动态树结构,对上述检测得到的所述视频帧中的群体进行群体跟踪。
步骤S2,对视频帧中跟踪到的群体每一帧中所包含的块的数目进行记录存储。具体如下:
在进行群体跟踪的过程中,对视频帧中跟踪到的群体每一帧中所包含的块的数目进行存储,直到群体跟踪结束。在进行存储时,为视频帧中跟踪到的每一个群体分配一个ID号,并记录该ID号对应的群体在每一帧中所包含的块的数目。其中,所述群体对应的ID号在整个跟踪过程保持不变。
步骤S3,计算跟踪到的群体一段时间内所包含的块的数目,根据阈值和权值检测是否有异常发生,并更新检测阈值。
由于群体跟踪的过程中,所述群体的群体结构会随着群体中人数的变动动态变化,由块组成的群体所包含的块的数目也会相应改变。所以可以通过群体所包含的块的数目,检测出群体人数大幅度的变化这一群体异常行为。
本实施例对群体异常行为检测的具体过程如下:
由于相邻帧中群体结构的变化很小,群体所包含的块的数目也相对稳定,所以每隔m帧,对跟踪到的群体所包含块的数目通过函数f进行计算。其中,函数f可以为该跟踪到的群体在m帧内的所包含的块的方差。然后,将当前m帧的f值和之前的m帧的f值相减,预先设置一权值,并初始化为0。若|fn-fn-1|>s,则权值加一,并将预设的阈值s也相应增大。不断重复上述过程,若权值超过w,则判断发生异常行为;若直到群体跟踪结束,权值仍然小于该w值,则判断群体无异常行为发生。
参阅图2所示,是本发明一种群体异常行为检测系统的硬件架构图。该系统包括跟踪模块、存储模块及判断模块。
所述跟踪模块用于采用群体结构动态演化的群体跟踪方法,对视频帧中的群体进行群体跟踪。具体步骤如下:
(1)利用光流法跟踪视频帧中提取的特征点,并得到所述特征点的运动信息。
(2)根据得到的所述特征点的运动信息,计算特征点的运动模式是否一致,将运动模式一致的特征点按照密度进行聚类,使生成的块中所包含的特征点的密度较大。
(3)采用群体合并(Collective Merging)方法,检测出具有一定群体结构的由块组成的群体。
需要说明的是,本实施例在形成由块组成的群体的过程中,由于可能发生行人离开或者加入群体的情况,使得由块组成的群体的结构不断发生变化,进而群体所包含的块的数目也相应改变。通过不断检测视频帧中块的群体一致性,在行人离开或者加入群体时,及时动态调整群体的结构。
(4)采用分层的动态树结构,对上述检测得到的所述视频帧中的群体进行群体跟踪。
所述存储模块用于对视频帧中跟踪到的群体每一帧中所包含的块的数目进行记录存储,直到群体跟踪结束。具体如下:
在进行群体跟踪的过程中,对视频帧中跟踪到的群体每一帧中所包含的块的数目进行存储,直到群体跟踪结束。在进行存储时,为视频帧中跟踪到的每一个群体分配一个ID号,并记录该ID号对应的群体在每一帧中所包含的块的数目。其中,所述群体对应的ID号在整个跟踪过程保持不变。
所述判断模块用于计算跟踪到的群体一段时间内所包含的块的数目,根据阈值和权值检测是否有异常发生,并更新检测阈值。
由于群体跟踪的过程中,所述群体的群体结构会随着群体中人数的变动动态变化,由块组成的群体所包含的块的数目也会相应改变。所以可以通过群体所包含的块的数目,检测出群体人数大幅度的变化这一群体异常行为。
本实施例对群体异常行为检测的具体过程如下:
由于相邻帧中群体结构的变化很小,群体所包含的块的数目也相对稳定,所以每隔m帧,对跟踪到的群体所包含块的数目通过函数f进行计算。其中,函数f可以为该跟踪到的群体在m帧内的所包含的块的方差。然后,将当前m帧的f值和之前的m帧的f值相减,预先设置一权值,并初始化为0。若|fn-fn-1|>s,则权值加一,并将预设的阈值s也相应增大。不断重复上述过程,若权值超过w,则判断发生异常行为;若直到群体跟踪结束,权值仍然小于该w值,则判断群体无异常行为发生。
虽然本发明参照当前的较佳实施方式进行了描述,但本领域的技术人员应能理解,上述较佳实施方式仅用来说明本发明,并非用来限定本发明的保护范围,任何在本发明的精神和原则范围之内,所做的任何修饰、等效替换、改进等,均应包含在本发明的权利保护范围之内。
Claims (8)
1.一种群体异常行为检测方法,其特征在于,该方法包括:
步骤a.采用群体结构动态演化的群体跟踪方法,对视频帧中的群体进行群体跟踪;
步骤b.对跟踪到的群体每一帧中所包含的块的数目进行记录存储,直到群体跟踪结束;
步骤c.计算跟踪到的群体一段时间内所包含的块的数目,根据阈值和权值判断是否发生群体异常行为;
所述步骤c具体包括:
(1)每隔m帧,对跟踪到的群体所包含块的数目通过函数f进行计算;
(2)将当前m帧的f值和之前的m帧的f值相减,预先设置一权值,并初始化为0;
若|fn-fn-1|>s,则权值加一,且预设的阈值s也相应增大,重复上述(1)和(2)过程;
若权值超过w,则判断发生异常行为;
若直到群体跟踪结束,权值仍然小于该w值,则判断群体无异常行为发生。
2.如权利要求1所述的方法,其特征在于,所述步骤a具体包括:
利用光流法跟踪视频帧中提取到的特征点,并得到所述特征点的运动信息;
根据得到的所述特征点的运动信息,计算特征点的运动模式是否一致,将运动模式一致的特征点按照密度进行聚类,使生成的块中所包含的特征点的密度较大;
采用群体合并方法,检测得到具有一定群体结构的由块组成的群体;
采用分层的动态树结构,对检测得到的所述视频帧中的群体进行群体跟踪。
3.如权利要求1所述的方法,其特征在于,该方法还包括:
更新检测阈值。
4.如权利要求1所述的方法,其特征在于,所述的函数f对群体在m帧内的所包含的块的数目进行方差计算。
5.一种群体异常行为检测系统,其特征在于,该系统包括跟踪模块、存储模块及判断模块,其中:
所述跟踪模块用于采用群体结构动态演化的群体跟踪方法,对视频帧中的群体进行群体跟踪;
所述存储模块用于对跟踪到的群体每一帧中所包含的块的数目进行记录存储,直到群体跟踪结束;
所述判断模块用于计算跟踪到的群体一段时间内所包含的块的数目,根据阈值和权值判断是否发生群体异常行为;
所述判断模块具体用于:
(1)每隔m帧,对跟踪到的群体所包含块的数目通过函数f进行计算;
(2)将当前m帧的f值和之前的m帧的f值相减,预先设置一权值,并初始化为0;
若|fn-fn-1|>s,则权值加一,且预设的阈值s也相应增大,重复上述(1)和(2)过程;
若权值超过w,则判断发生异常行为;
若直到群体跟踪结束,权值仍然小于该w值,则判断群体无异常行为发生。
6.如权利要求5所述的系统,其特征在于,所述跟踪模块具体用于:
利用光流法跟踪视频帧中提取到的特征点,并得到所述特征点的运动信息;
根据得到的所述特征点的运动信息,计算特征点的运动模式是否一致,将运动模式一致的特征点按照密度进行聚类,使生成的块中所包含的特征点的密度较大;
采用群体合并方法,检测得到具有一定群体结构的由块组成的群体;
采用分层的动态树结构,对检测得到的所述视频帧中的群体进行群体跟踪。
7.如权利要求6所述的系统,其特征在于,所述的判断模块还用于:
更新检测阈值。
8.如权利要求5所述的系统,其特征在于,所述的函数f对群体在m帧内的所包含的块的数目进行方差计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510160725.1A CN106157326B (zh) | 2015-04-07 | 2015-04-07 | 群体异常行为检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510160725.1A CN106157326B (zh) | 2015-04-07 | 2015-04-07 | 群体异常行为检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106157326A CN106157326A (zh) | 2016-11-23 |
CN106157326B true CN106157326B (zh) | 2020-10-27 |
Family
ID=57338616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510160725.1A Active CN106157326B (zh) | 2015-04-07 | 2015-04-07 | 群体异常行为检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106157326B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106355605B (zh) * | 2016-08-25 | 2018-12-28 | 深圳先进技术研究院 | 群体运动一致性过滤方法 |
CN109600344B (zh) * | 2017-09-30 | 2021-03-23 | 腾讯科技(深圳)有限公司 | 识别风险群体的方法、装置及电子设备 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872418A (zh) * | 2010-05-28 | 2010-10-27 | 电子科技大学 | 基于群体环境异常行为的检测方法 |
CN102799863A (zh) * | 2012-07-02 | 2012-11-28 | 中国计量学院 | 视频监控中的团体人群异常行为检测方法 |
CN103258193A (zh) * | 2013-05-21 | 2013-08-21 | 西南科技大学 | 一种基于kod能量特征的群体异常行为识别方法 |
CN103413321A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 地理环境下的群体行为模式分析与异常行为检测方法 |
CN103593646A (zh) * | 2013-10-16 | 2014-02-19 | 中国计量学院 | 一种基于微行为分析的密集人群异常行为检测方法 |
CN103745230A (zh) * | 2014-01-14 | 2014-04-23 | 四川大学 | 一种自适应群体异常行为分析方法 |
CN103996051A (zh) * | 2014-05-12 | 2014-08-20 | 上海大学 | 基于运动特征变化的视频运动对象异常行为自动检测方法 |
CN104123544A (zh) * | 2014-07-23 | 2014-10-29 | 通号通信信息集团有限公司 | 基于视频分析的异常行为检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4368767B2 (ja) * | 2004-09-08 | 2009-11-18 | 独立行政法人産業技術総合研究所 | 異常動作検出装置および異常動作検出方法 |
-
2015
- 2015-04-07 CN CN201510160725.1A patent/CN106157326B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872418A (zh) * | 2010-05-28 | 2010-10-27 | 电子科技大学 | 基于群体环境异常行为的检测方法 |
CN102799863A (zh) * | 2012-07-02 | 2012-11-28 | 中国计量学院 | 视频监控中的团体人群异常行为检测方法 |
CN103258193A (zh) * | 2013-05-21 | 2013-08-21 | 西南科技大学 | 一种基于kod能量特征的群体异常行为识别方法 |
CN103413321A (zh) * | 2013-07-16 | 2013-11-27 | 南京师范大学 | 地理环境下的群体行为模式分析与异常行为检测方法 |
CN103593646A (zh) * | 2013-10-16 | 2014-02-19 | 中国计量学院 | 一种基于微行为分析的密集人群异常行为检测方法 |
CN103745230A (zh) * | 2014-01-14 | 2014-04-23 | 四川大学 | 一种自适应群体异常行为分析方法 |
CN103996051A (zh) * | 2014-05-12 | 2014-08-20 | 上海大学 | 基于运动特征变化的视频运动对象异常行为自动检测方法 |
CN104123544A (zh) * | 2014-07-23 | 2014-10-29 | 通号通信信息集团有限公司 | 基于视频分析的异常行为检测方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于加权光流能量的异常行为检测;傅傅 等;《吉林大学学报(工学版)》;20131130;第43卷(第6期);第1644-1649页 * |
基于区域光流特征的异常行为检测;杜鉴豪 等;《浙江大学学报(工学版)》;20110731;第45卷(第7期);第1161-1166页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106157326A (zh) | 2016-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110689054B (zh) | 一种工人违规行为监测方法 | |
KR102217253B1 (ko) | 행동패턴 분석 장치 및 방법 | |
CN106156706B (zh) | 行人异常行为检测方法 | |
US20100063949A1 (en) | Long-term memory in a video analysis system | |
US20190034799A1 (en) | Scalable Deep Learning Video Analytics | |
CN110309735A (zh) | 异常侦测方法、装置、服务器及存储介质 | |
JP4641450B2 (ja) | 非定常画像検出方法、非定常画像検出装置、及び非定常画像検出プログラム | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN105025271A (zh) | 行为监测方法及装置 | |
US20200216026A1 (en) | Detecting an event and automatically obtaining video data | |
Parsa et al. | Applying deep learning to detect traffic accidents in real time using spatiotemporal sequential data | |
CN106157326B (zh) | 群体异常行为检测方法及系统 | |
CN104301697A (zh) | 一种公共场所暴力事件自动检测系统及其方法 | |
CN105141923A (zh) | 一种视频浓缩方法及装置 | |
CN103107912A (zh) | 基于离群挖掘的异常检测系统 | |
CN111739243A (zh) | 一种基于d-s证据理论的火灾状态检测方法 | |
Atzori et al. | HEIMDALL: an AI-based infrastructure for traffic monitoring and anomalies detection | |
CN106157325B (zh) | 群体异常行为检测方法及系统 | |
Mathew et al. | Detecting new stable objects in surveillance video | |
CN102622579B (zh) | 人脸预警方法及系统 | |
CN105915862A (zh) | 一种视频处理方法 | |
CN106060467A (zh) | 一种安全监控系统 | |
CN103051883A (zh) | 科技社区智能监控系统 | |
Park et al. | Multi-log analysis platform for supporting public safety service | |
Kalaivani et al. | Video event representation for abnormal event detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |