CN106599867A - 密集客流异常行为检测方法 - Google Patents

Abstract

本发明提供一种密集客流异常行为检测方法，主要是将稀疏监控网络中的每一个摄像头的视域范围内的群体运动特征予以提取分析，以分别判断出每个摄像头的视域范围外的运动行为以及可能发生异常运动行为的方位，进而确定出由各摄像头的视域范围外的区域所构成的监控盲区的群体运动的行为，实现了通过对稀疏监控网络的监控视域内群体运动行为的分析，以检测判断出监控视域外群体异常运动的行为，从而实现了通过少量摄像头就可构成一个能覆盖大片区域的监控网络。

Description

密集客流异常行为检测方法

技术领域

本发明涉及一种视频图像信息化处理技术领域，特别是涉及一种密集客流异常行为检测方法。

背景技术

近年来，视频监控技术在智能化、网络化方向上已有了众多的研究成果及实际应用。随着公共安全需求的不断提高，一方面，单纯针对少数个体的行为检测分析已无法满足监控需求，群体运动分析受到越来越多人的关注。另一方面，为了实现公共场所的无缝监控，需要布设大量的视频监控点以扩大监控范围。理想的模式是使用多个摄像头将监控区域全面覆盖，这些摄像头在视域上相互重叠或者相邻，以得到连续的场景，从而实现整个区域的连续监控。然而在实际应用中，采用这种模式并不现实，特别是对于大范围区域，成本过高，且易形成大量视频数据，对视频的进一步分析造成极大的计算困难。实际应用中为了降低成本，利用少量稀疏分布的摄像头组网对大范围监控区域实现无盲区群体行为监控更具应用前景，即在整个监控区仅在重要区域安装摄像头，每个摄像头的视域仅覆盖一块需监控的区域。然而，这样会造成不同摄像头视域间留下监控盲区，一旦这些区域发生异常情况，管理人员将无法及时发现并予以相应处理。

因此，有必要提出一种密集客流异常行为检测方法，以切实有效地解决在稀疏监控网络中监控盲区的情况无法及时被发现而予以相应处理的问题。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种密集客流异常行为检测方法，以通过对稀疏监控网络中各摄像头的视域范围内的群体运动行为的分析，进而检测判断监控视域外群体异常运动的行为，有效避免现有技术中在稀疏监控网络中监控盲区的情况无法及时被发现的情事发生。

本发明的另一个目的在于提供一种密集客流异常行为检测方法，实现了通过少量摄像头就可构成一个能覆盖大片区域的监控网络，极大地节约了摄像头的过多设置，以避免过多的硬件成本的增加以及后期视频数据的分析成本的增加。

为实现上述目的及其他相关目的，本发明提供一种密集客流异常行为检测方法，其应用于利用少量稀疏分布的摄像头组成的稀疏监控网络中，其特征在于，所述密集客流异常行为检测方法包括：1)自所述该等摄像头所摄取的视频图像中获取离散分布的多个特征点，并使用前景物体检测算法判断特征点是否在前景图像内，若是，则确定所述特征点为待测特征点，否则，该特征点被视为噪声点并予以滤除；2)使用特征点跟踪算法获取该等被确定的待测特征点的运动轨迹，以相应得到该等待测特征点在当前时刻帧的运动速度、运动方向以及坐标位置，并依据所得到的坐标位置，计算该等待测特征点相互之间的距离，且对应每个摄像头的视域范围，依据所得到的该等待测特征点的运动速度、运动方向以及相互之间的距离，并搭配依据一第一规则，将每一个摄像头的视域范围内的所有待测特征点划分为不同类的点簇；3)依据同一类点簇中所有待测特征点的运动速度以及运动方向，并搭配依据一第二规则，计算得到该等待测特征点在当前时刻帧的运动速度均值以及运动方向均值；4)依据同一类点簇中所计算得到的所有待测特征点的运动速度均值以及运动方向均值，并搭配依据一第三规则，计算得到每一类点簇在当前时刻帧的运动速度均值、运动方向均值以及加速度，且依据前景检测算法检测该等类点簇在前景图像中的几何中心，并将所检测到的几何中心确定为每一类点簇的质心，且据此获取每一类点簇的质心的坐标位置，并依据所获取的每一类点簇的质心的坐标位置，计算出所述类点簇的质心到相邻类点簇的质心的距离；5)依据所计算得到的同属于一个摄像头的视域范围内的所有类点簇在当前时刻帧的加速度、每一类点簇的质心到相邻各类点簇的质心的距离以及运动方向均值，并搭配依据一第四规则，计算得到一对应所述摄像头的视域范围内的统计值；6)判断所计算得到的统计值是否大于一正数阈值，若是，则提供一对应所述摄像头的视域范围外出现行进阻塞异常的警告提示，并根据对应所述摄像头的视域范围内的该等类点簇的运动方向均值，判定并提供一对应所述视域范围外阻塞异常发生的方向的警告提示，接着，返回至步骤1)，若否，则进至下一步骤；以及7)判断所计算得到的统计值是否小于一负数阈值，若是，则提供一对应所述摄像头的视域范围外出现群体哄散异常的警告提示，并根据对应所述摄像头的视域范围内的该等类点簇的运动方向均值，判定并提供一对应所述视域范围外哄散异常发生的方向的警告提示，接着，返回至步骤1)，若否，则判定对应所述摄像头的视域范围外的行进未出现异常，并提供一行动正常的提示，接着，返回至步骤1)。

优选地，该前景物体检测算法可例如为高斯混合模型(Gaussian Mixture Model；GMM)算法或者Codebook算法。该特征点为行人。特征点跟踪算法可例如为(Kanade–Lucas–Tomasi feature tracker；KLT)算法。

具体而言，该第一规则是依据所得到的该等待测特征点的运动速度、运动方向以及相互之间的距离，将在同属于一个摄像头的视域范围内的，且符合相距在小于一特定距离、运动速度之间的速度差值小于一特定速度值内、以及运动方向之间的角度差值小于一特定角度值的要求的所有待测特征点划分为一类点簇。

该第二规则为取同一类点簇中所有待测特征点从当前时刻帧起往前数一定数量时刻帧的运动速度的均值为各待测特征点在当前时刻帧的运动速度均值，并取同一类点簇中所有待测特征点从当前时刻帧起往前数一定数量时刻帧的运动方向的均值为各待测特征点在当前时刻帧的运动方向均值，具体如下列公式所示：

其中，m表示待测特征点的序号，表示序号为m的待测特征点在当前时刻帧的运动速度均值，表示序号为m的待测特征点在当前时刻帧的运动方向均值，t表示当前时刻帧，k表示从当前时刻帧起往前所取的时刻帧的数量。

该第三规则为取同一类点簇中所有待测特征点在当前时刻帧的运动速度均值的均值为所述类点簇在当前时刻帧的运动速度均值，并取同一类点簇中所有待测特征点在当前时刻帧的运动方向均值的均值为所述类点簇在当前时刻帧的运动方向均值，且将所取得的所述类点簇在当前时刻帧的运动速度均值对时间的一阶导数即得到所述类点簇在当前时刻帧的加速度，具体如下列公式所示：

其中，m表示待测特征点的序号，υ_i(t)表示类号为i的点簇在当前时刻帧的运动速度均值，D_i(t)表示类号为i的点簇在当前时刻帧的运动方向均值，a_i表示类号为i的点簇在当前时刻帧的加速度。

该第四规则为将所计算得到的同属于一个摄像头的视域范围内的所有类点簇在当前时刻帧的加速度、每一类点簇的质心到相邻各类点簇的质心的距离以及运动方向均值通过统计学习方法分别计算得到加速度作用函数、质心距离作用函数以及运动方向作用函数，并将通过统计学习方法得出的加速度作用函数、质心距离作用函数以及运动方向作用函数分别乘以一场景经验系数，再予以求和而计算得到一对应所述摄像头的视域范围内的统计值，具体如下列公式所示：

其中，N为对应某一摄像头的视域范围内的统计值，α，β，γ为场景经验系数，取值范围为(0，1)；f(a_i)为加速度作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的加速度均值通过统计学习方法得出的；为质心距离作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的质心距离通过统计学习方法得出的；ω(D_i(t))为运动方向作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的运动方向均值通过统计学习方法得出的。而该统计学习方法可例如为回归算法、神经网络或者深度网络等，但不以此为限。

此外，该阈值为场景经验阈值。

如上所述，本发明的密集客流异常行为检测方法通过分析监控视域(即同一稀疏监控网络中的所有摄像头的视域范围内)中群体运动的特征，建立了一种新的群体运动描述模型，可用于表征不同摄像头的视域监控盲区(视域范围外)中的群体运动状态，据此可以判断出整个稀疏监控网络的监控盲区中群体运动的异常行为，从而实现了通过少量摄像头就可构成一个能覆盖大片区域的监控网络，极大地节约摄像头的过多设置，避免过多的硬件成本的增加以及后期视频数据的分析成本的增加。

附图说明

图1显示为本发明的密集客流异常行为检测方法的操作流程示意图。

元件标号说明

S100～S172 步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，是显示本发明所提供一种密集客流异常行为检测方法的操作流程图，其应用于利用少量稀疏分布的摄像头组成的稀疏监控网络中，以下即对本实施例的密集客流异常行为检测方法的操作步骤进行详细说明。

如图1所示，首先，执行步骤S100，自各该摄像头所摄取的视频图像中获取离散分布的多个特征点，并使用前景物体检测算法判断特征点是否在前景图像内，若是，则确定该特征点为待测特征点，否则，该特征点被视为噪声点并予以滤除。具体而言，该特征点为行人，该前景物体检测算法可例如为高斯混合模型算法或者Codebook算法等，但不以此为限，采用前景物体检测算法用来针对由于受到外界环境干扰所造成的部分特征点不在行人身上的情况，通过该前景物体检测算法来滤除比如飘动的旗帜、树叶等的噪声点。接着，进行步骤S110。

在步骤S110中，使用特征点跟踪算法获取各该被确定的待测特征点的运动轨迹，以相应得到各该待测特征点在当前时刻帧的运动速度、运动方向以及坐标位置，并依据所得到的坐标位置，计算各该待测特征点相互之间的距离，且对应每个摄像头的视域范围，依据所得到的各该待测特征点的运动速度、运动方向以及相互之间的距离，并搭配依据一第一规则，将每一个摄像头的视域范围内的所有待测特征点划分为不同类的点簇。更详而言之，该特征点跟踪算法可例如为KLT算法，但不以此为限，该第一规则是依据所得到的各该待测特征点的运动速度、运动方向以及相互之间的距离，将在同属于一个摄像头的视域范围内的，且符合相距在小于一特定距离、运动速度之间的速度差值小于一特定速度值内、以及运动方向之间的角度差值小于一特定角度值的要求的所有待测特征点划分为一类点簇。接着，进行步骤S120。

在步骤S120中，依据同一类点簇中所有待测特征点的运动速度以及运动方向，并搭配依据一第二规则，计算得到各该待测特征点在当前时刻帧的运动速度均值以及运动方向均值。具体而言，该第二规则为取同一类点簇中所有待测特征点从当前时刻帧起往前数一定数量时刻帧的运动速度的均值为各待测特征点在当前时刻帧的运动速度均值，并取同一类点簇中所有待测特征点从当前时刻帧起往前数一定数量时刻帧的运动方向的均值为各待测特征点在当前时刻帧的运动方向均值，具体如下列公式(1)所示：

其中，m表示待测特征点的序号，表示序号为m的待测特征点在当前时刻帧的运动速度均值，表示序号为m的待测特征点在当前时刻帧的运动方向均值，t表示当前时刻帧，k表示从当前时刻帧起往前所取的时刻帧的数量。接着，进行步骤S130。

在步骤S130中，依据同一类点簇中所计算得到的所有待测特征点的运动速度均值以及运动方向均值，并搭配依据一第三规则，计算得到每一类点簇在当前时刻帧的运动速度均值、运动方向均值以及加速度，且依据前景检测算法检测各类点簇在前景图像中的几何中心，并将所检测到的几何中心确定为每一类点簇的质心，且据此获取每一类点簇的质心的坐标位置，并依据所获取的每一类点簇的质心的坐标位置，计算出该类点簇的质心到相邻类点簇的质心的距离。优选地，该第三规则为取同一类点簇中所有待测特征点在当前时刻帧的运动速度均值的均值为该类点簇在当前时刻帧的运动速度均值，并取同一类点簇中所有待测特征点在当前时刻帧的运动方向均值的均值为该类点簇在当前时刻帧的运动方向均值，且将所取得的该类点簇在当前时刻帧的运动速度均值对时间的一阶导数即得到该类点簇在当前时刻帧的加速度，具体如下列公式(2)所示：

其中，m表示待测特征点的序号，υ_i(t)表示类号为i的点簇在当前时刻帧的运动速度均值，D_i(t)表示类号为i的点簇在当前时刻帧的运动方向均值，a_i表示类号为i的点簇在当前时刻帧的加速度。接着，进行步骤S140。

在步骤S140中，依据所计算得到的同属于一个摄像头的视域范围内的所有类点簇在当前时刻帧的加速度、每一类点簇的质心到相邻各类点簇的质心的距离以及运动方向均值，并搭配依据一第四规则，计算得到一对应该摄像头的视域范围内的统计值。优选地，该第四规则为将所计算得到的同属于一个摄像头的视域范围内的所有类点簇在当前时刻帧的加速度、每一类点簇的质心到相邻各类点簇的质心的距离以及运动方向均值通过统计学习方法分别计算得到加速度作用函数、质心距离作用函数以及运动方向作用函数，并将通过统计学习方法得出的加速度作用函数、质心距离作用函数以及运动方向作用函数分别乘以一场景经验系数，再予以求和而计算得到一对应该摄像头的视域范围内的统计值，具体如下列公式(3)所示：

其中，N为对应某一摄像头的视域范围内的统计值，α，β，γ为场景经验系数，取值范围为(0，1)；f(a_i)为加速度作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的加速度均值通过统计学习方法得出的；为质心距离作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的质心距离通过统计学习方法得出的；ω(D_i(t))为运动方向作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的运动方向均值通过统计学习方法得出的，优选地，该统计学习方法可例如为回归算法、神经网络或者深度网络，但不以此为限。接着，进行步骤S150。

在步骤S150中，判断所计算得到的统计值是否大于一正数阈值，若是，则进至步骤S161，若否，则进至步骤S162。在本实施例中，该阈值是场景经验阈值，可以根据需求而设定，比如，当阈值设的较小时，即正数阈值设置较小时，检测更为灵敏，比如设置为0.5要比设置为1，更容易触发如下的行进阻塞异常的警告提示。

在步骤S161中，提供一对应该摄像头的视域范围外出现行进阻塞异常的警告提示，并根据对应该摄像头的视域范围内的各该类点簇的运动方向均值，判定并提供一对应该摄像头的视域范围外阻塞异常发生的方向的警告提示，接着，返回至步骤S100。

在步骤S162中，判断所计算得到的统计值是否小于一负数阈值，若是，则进至步骤S171，若否，则进至步骤S172。在本实施例中，该阈值是场景经验阈值，可以根据需求而设定，比如，当阈值设的较小时，即该负数阈值设置较大时，检测更为灵敏，比如设为-0.5比设为-1，更容易触发如下的群体哄散异常的警告提示。

在步骤S171中，提供一对应该摄像头的视域范围外出现群体哄散异常的警告提示，并根据对应该摄像头的视域范围内的各该类点簇的运动方向均值，判定并提供一对应该摄像头的视域范围外哄散异常发生的方向的警告提示，接着，返回至步骤S100。

在步骤S172中，判定对应该摄像头的视域范围外的行进未出现异常，并提供一行动正常的提示，接着，返回至步骤S100。

此处需予以说明的是，上述步骤S140至步骤S172着重以单一个摄像头的视域范围内计算得到的统计值推断出对应该摄像头的视域范围外的客流行进情况，由此及时确定是否在该摄像头的视域范围外发生异常运动，同样不限定对于该稀疏监控网络中的其他摄像头的视域范围也是可以以前述相同的检测方法进行判断是否在摄像头的视域范围外有异常运动发生，并确定异常运动发生的方位，以提高异常判定的置信度，进而能够及时有效的发现盲区各种异常运动行为。

综上所述，本发明提供一种密集客流异常行为检测方法，主要是将稀疏监控网络中的每一个摄像头的视域范围内的群体运动特征予以提取分析，以分别判断出每个摄像头的视域范围外的运动行为以及可能发生异常运动行为的方位，进而确定出由各个摄像头的视域范围外的区域所构成的监控盲区的群体运动的行为，以便能及时发现监控盲区可能出现的异常运动行为以及异常运动行为发生的方位，从而实现了通过少量摄像头就可构成一个能覆盖大片区域的监控网络。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种密集客流异常行为检测方法，其应用于利用少量稀疏分布的摄像头组成的稀疏监控网络中，其特征在于，所述密集客流异常行为检测方法包括：

1)自所述该等摄像头所摄取的视频图像中获取离散分布的多个特征点，并使用前景物体检测算法判断特征点是否在前景图像内，若是，则确定所述特征点为待测特征点，否则，该特征点被视为噪声点并予以滤除；

2)使用特征点跟踪算法获取该等被确定的待测特征点的运动轨迹，以相应得到该等待测特征点在当前时刻帧的运动速度、运动方向以及坐标位置，并依据所得到的坐标位置，计算该等待测特征点相互之间的距离，且对应每个摄像头的视域范围，依据所得到的该等待测特征点的运动速度、运动方向以及相互之间的距离，并搭配依据一第一规则，将每一个摄像头的视域范围内的所有待测特征点划分为不同类的点簇；

3)依据同一类点簇中所有待测特征点的运动速度以及运动方向，并搭配依据一第二规则，计算得到该等待测特征点在当前时刻帧的运动速度均值以及运动方向均值；

4)依据同一类点簇中所计算得到的所有待测特征点的运动速度均值以及运动方向均值，并搭配依据一第三规则，计算得到每一类点簇在当前时刻帧的运动速度均值、运动方向均值以及加速度，且依据前景检测算法检测该等类点簇在前景图像中的几何中心，并将所检测到的几何中心确定为每一类点簇的质心，且据此获取每一类点簇的质心的坐标位置，并依据所获取的每一类点簇的质心的坐标位置，计算出所述类点簇的质心到相邻类点簇的质心的距离；

5)依据所计算得到的同属于一个摄像头的视域范围内的所有类点簇在当前时刻帧的加速度、每一类点簇的质心到相邻各类点簇的质心的距离以及运动方向均值，并搭配依据一第四规则，计算得到一对应所述摄像头的视域范围内的统计值；

6)判断所计算得到的统计值是否大于一正数阈值，若是，则提供一对应所述摄像头的视域范围外出现行进阻塞异常的警告提示，并根据对应所述摄像头的视域范围内的该等类点簇的运动方向均值，判定并提供一对应所述视域范围外阻塞异常发生的方向的警告提示，接着，返回至步骤1)，若否，则进至下一步骤；以及

7)判断所计算得到的统计值是否小于一负数阈值，若是，则提供一对应所述摄像头的视域范围外出现群体哄散异常的警告提示，并根据对应所述摄像头的视域范围内的该等类点簇的运动方向均值，判定并提供一对应所述视域范围外哄散异常发生的方向的警告提示，接着，返回至步骤1)，若否，则判定对应所述摄像头的视域范围外的行进未出现异常，并提供一行动正常的提示，接着，返回至步骤1)。

2.根据权利要求1所述的密集客流异常行为检测方法，其特征在于：所述前景物体检测算法为高斯混合模型(Gaussian Mixture Model；GMM)算法以及Codebook算法的其中一者。

3.根据权利要求1所述的密集客流异常行为检测方法，其特征在于：所述特征点为行人。

4.根据权利要求1所述的密集客流异常行为检测方法，其特征在于：所述特征点跟踪算法为(Kanade–Lucas–Tomasi feature tracker；KLT)算法。

5.根据权利要求1所述的密集客流异常行为检测方法，其特征在于：所述第一规则是依据所得到的该等待测特征点的运动速度、运动方向以及相互之间的距离，将在同属于一个摄像头的视域范围内的，且符合相距在小于一特定距离、运动速度之间的速度差值小于一特定速度值内、以及运动方向之间的角度差值小于一特定角度值的要求的所有待测特征点划分为一类点簇。

6.根据权利要求1所述的密集客流异常行为检测方法，其特征在于：所述第二规则为取同一类点簇中所有待测特征点从当前时刻帧起往前数一定数量时刻帧的运动速度的均值为各待测特征点在当前时刻帧的运动速度均值，并取同一类点簇中所有待测特征点从当前时刻帧起往前数一定数量时刻帧的运动方向的均值为各待测特征点在当前时刻帧的运动方向均值，具体如下列公式所示：

$\left\{\begin{array}{c}\stackrel{\‾}{{\mathrm{\υ}}_m\left(t\right)}=\frac{{\mathrm{\υ}}_m\left(t\right)+{\mathrm{\υ}}_m(t-1)+...+{\mathrm{\υ}}_m(t-k)}{k}\\ \stackrel{\‾}{D_m\left(t\right)}=\frac{D_m\left(t\right)+D_m(t-1)+...+D_m(t-k)}{k}\end{array}\right.$

其中，m表示待测特征点的序号，表示序号为m的待测特征点在当前时刻帧的运动速度均值，表示序号为m的待测特征点在当前时刻帧的运动方向均值，t表示当前时刻帧，k表示从当前时刻帧起往前所取的时刻帧的数量。

7.根据权利要求1所述的密集客流异常行为检测方法，其特征在于：所述第三规则为取同一类点簇中所有待测特征点在当前时刻帧的运动速度均值的均值为所述类点簇在当前时刻帧的运动速度均值，并取同一类点簇中所有待测特征点在当前时刻帧的运动方向均值的均值为所述类点簇在当前时刻帧的运动方向均值，且将所取得的所述类点簇在当前时刻帧的运动速度均值对时间的一阶导数即得到所述类点簇在当前时刻帧的加速度，具体如下列公式所示：

$\left\{\begin{array}{c}{\mathrm{\υ}}_i\left(t\right)=\frac{\stackrel{\‾}{{\mathrm{\υ}}_1\left(t\right)}+\stackrel{\‾}{{\mathrm{\υ}}_2\left(t\right)}+\mathrm{...}+\stackrel{\‾}{{\mathrm{\υ}}_m\left(t\right)}}{m}\\ D_i\left(t\right)=\frac{\stackrel{\‾}{D_1\left(t\right)}+\stackrel{\‾}{D_2\left(t\right)}+\mathrm{...}+\stackrel{\‾}{D_m\left(t\right)}}{m}\\ a_i=\frac{{\mathrm{d\υ}}_i\left(t\right)}{t}\end{array}\right.$

其中，m表示待测特征点的序号，υ_i(t)表示类号为i的点簇在当前时刻帧的运动速度均值，D_i(t)表示类号为i的点簇在当前时刻帧的运动方向均值，a_i表示类号为i的点簇在当前时刻帧的加速度。

8.根据权利要求1所述的密集客流异常行为检测方法，其特征在于：所述第四规则为将所计算得到的同属于一个摄像头的视域范围内的所有类点簇在当前时刻帧的加速度、每一类点簇的质心到相邻各类点簇的质心的距离以及运动方向均值通过统计学习方法分别计算得到加速度作用函数、质心距离作用函数以及运动方向作用函数，并将通过统计学习方法得出的加速度作用函数、质心距离作用函数以及运动方向作用函数分别乘以一场景经验系数，再予以求和而计算得到一对应所述摄像头的视域范围内的统计值，具体如下列公式所示：

其中，N为对应某一摄像头的视域范围内的统计值，α，β，γ为场景经验系数，取值范围为(0，1)；f(a_i)为加速度作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的加速度均值通过统计学习方法得出的；为质心距离作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的质心距离通过统计学习方法得出的；ω(D_i(t))为运动方向作用函数，是由同一摄像头的视域范围内的所有类点簇在当前时刻帧的运动方向均值通过统计学习方法得出的。

9.根据权利要求8所述的密集客流异常行为检测方法，其特征在于：所述统计学习方法为回归算法、神经网络以及深度网络的其中一者。

10.根据权利要求1所述的密集客流异常行为检测方法，其特征在于：所述阈值为场景经验阈值。