CN106874885A - 一种基于能级分布变化的人群异常检测方法 - Google Patents
一种基于能级分布变化的人群异常检测方法 Download PDFInfo
- Publication number
- CN106874885A CN106874885A CN201710125202.2A CN201710125202A CN106874885A CN 106874885 A CN106874885 A CN 106874885A CN 201710125202 A CN201710125202 A CN 201710125202A CN 106874885 A CN106874885 A CN 106874885A
- Authority
- CN
- China
- Prior art keywords
- particle
- energy level
- crowd
- energy
- image
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于能级分布变化的人群异常检测方法,获取视频图像,将图像中每个像素点看成一个运动粒子,并根据粒子的速度以及质量信息,建立粒子的动能模型。根据动能模型求取视频中每个运动粒子的动能,并对动能进行量化分级得到粒子的能级分布,求得粒子能级共生矩阵。以共生矩阵的一致性、熵、对比度三个描绘子对图像中粒子的能级分布进行描述。通过分析三个参数的变化来分析人群行为,检测人群异常行为以及确定异常发生的时间,并进行报警提醒。本发明具有设计合理、应用广泛、计算快速准确等优点。
Description
技术领域
本发明涉及视频分析与图像理解领域,尤其是一种基于能级分布变化的人群异常检测方法。
背景技术
近年来,发生在公共场合下的危害人民群众生命财产安全和危害社会秩序的事件日益增多。监控系统是一种维护公共场合下安全与秩序的有效方法,因此异常人群行为检测作为智能视频监控技术的一个研究热点吸引了越来越多人的关注。
目前,人群行为分析的方法主要分为两类。(1)微观分析:人群被看为个体的集合,因此需要检测和跟踪每个个体并通过个体目标的轨迹和姿态来识别人群行为,这类方法适合处理小规模稀疏人群,当人数众多且个体间相互遮挡时,难以精确定位目标;(2)宏观分析:将人群看作一个整体,从人群的全局外部表现入手分析其行为,通过提取场景特征对人群行为进行建模。如光流法是通过估算人群的速度信息来判断行人是否发生奔跑异常;社会力是通过计算两个粒子之间的吸引力以及排斥力的大小,用来作为判断人群是否异常的依据。
从研究现状来看,由于人群中的单个个体很难被直接识别出来,并且误差可能会非常大,因此大多数人在处理这个问题时通常不再对人群中单个个体进行识别统计,而是直接以图像中粒子代替行人来进行研究。但是由于摄像机的透视效应的影响,行人离摄像机远近所占有的粒子数是有差别的,如果只是以前景粒子的运动来完全代替行人运动是不公平的。
发明内容
本发明目的在于提供一种设计合理、计算简便快速、准确度高的基于能级分布变化的人群异常检测方法。
为实现上述目的,采用了以下技术方案:本发明所述方法步骤如下:
步骤1,获取视频图像,将图像中每个像素点看成一个运动粒子,并求取每个粒子的速度以及质量,建立粒子的动能模型;
步骤2,根据动能模型求取视频中每个运动粒子的动能,并对运动粒子动能进行量化分级得到粒子的能级分布,求取粒子能级共生矩阵;
步骤3,以共生矩阵的一致性、熵、对比度三个描绘子描述图像中粒子的能级分布;通过分析一致性、熵、对比度的变化来分析人群行为,检测人群异常行为以及确定异常发生的时间,并进行报警提醒。
进一步的,步骤1中,求取粒子质量的具体方法如下:
用矩形选取距离相机最近和最远的行人作为参考人并提取其前景,假设行人在场景中的面积为其前景图像所占像素的数目,令场景中参考人所占的面积为S;
式中,w、h分别为矩形的宽和高,Mij∈{0,1},1表示前景,0表示背景;找到两个参考人质心所在位置,并过参考人的质心画一条水平线作为参考线;记距离摄像机近的参考线为记距离摄像机远的参考线为当一个人从运动到时,该人在场景中的面积的变化率如下式所示:
假设直线上像素的质量为mab=1,直线上像素的质量mcd=1/k;若直线li(0≤i≤H,H为图像的高)上的点距和的距离分别为d1和d2,由线性插值法可知直线li上的粒子质量为:
因为对于同一直线上的粒子的质量相同,所以图像中坐标为(i,j)的点的质量mij=mi(0≤j≤W,W为图像的宽)。
进一步的,建立动能模型的具体方法如下:
根据粒子的质量,结合粒子的速度构建粒子动能模型为:
式中,mij代表坐标(i,j)粒子的质量,(uv)ij表示此粒子水平和垂直方向的合速度。
进一步的,所述步骤2的具体方法如下:
步骤2.1,将图像中粒子的运动看成电子的运动,并根据氢原子能级公式可得到某一能量的粒子所对应的能级为:
Eexcited为激发态的动能,Eground为基态的动能,并对能级l进行向下取整,以确保粒子所对应的能级都为整数;在正常状态下,人群运动速度较慢,运动粒子能量较低,因此粒子大多处在基态;异常状态下,人群发生跑动,粒子能量突然增大,粒子会跃迁到较高能级;
步骤2.2,由于灰度共生矩阵可以对图像中的像素分布进行很好的描述,因此得到每帧图像运动粒子的能级分布后,根据图像灰度共生矩阵的概念求得能级共生矩阵,以此对人群运动粒子的能级分布进行描述;首先,令Q是定义两个粒子能级彼此相对位置的一个算子;其次,选取一段视频中的某一帧图像f,计算出每个运动粒子所对应的能级;然后,定义一个矩阵A,并令其元素aij是能级li和lj的像素对出现在f中由Q所指的位置处的次数,1<i,j<Lmax(Lmax为次帧图像中运动粒子的最大能级数),则A为所求的能级共生矩阵。
进一步的,所述步骤3的具体方法如下:
步骤3.1,计算所求能级共生矩阵的一致性描述算子的值:
计算所求能级共生矩阵的熵描述算子的值:
计算所求能级共生矩阵的对比度描述算子的值:
其中,N是方阵A的行(或列)数;pij是满足Q所定义的关系的一个值为(li,lj)的点对的概率估计,其定义为:
pij=aij/n (9)
n是满足Q的能级对的总数,等于A的元素之和;这些概率的值域为[0,1],且它们的和为1:
步骤3.2,通过分析一致性、熵、对比度的变化来分析人群行为,设定阈值来检测人群异常行为以及获得异常发生的时间。
与现有技术相比,本发明方法具有如下优点:设计合理、方便实用、操作简单、计算精确快速。
附图说明
图1为本发明方法的整体框图。
图2为本发明方法的具体实现步骤框图。
图3为本发明方法的线性插值标记图。
图4为本发明方法的实例结果图。
具体实施方式
下面结合附图对本发明做进一步说明:
如图1、图2所示,所述方法包括以下步骤:
步骤1,获取视频图像,将图像中每个像素点看成一个运动粒子,并求取粒子的速度以及质量,建立粒子的动能模型。
步骤1.1,对距离相机最近和最远的行人面积进行插值计算,计算不同位置处粒子的质量。首先用矩形选取距离相机最近和最远的行人作为参考人,然后用LIC矢量场可视化来提取视频中的运动目标,并假设人在场景中的面积为其前景图像所占像素的数目,令场景中参考人所占的面积为S。
w、h分别为矩形的宽和高,Mij∈{0,1},1表示前景,0表示背景。找到两个参考人质心所在位置,并过参考人的质心画一条水平线作为参考线。记距离摄像机近的参考线为记距离摄像机远的参考线为其具体标注过程如图3所示。当一个人从运动到时,该人在场景中的面积的变化率如下式所示。
假设直线上像素的质量为mab=1,直线上像素的质量mcd=1/k。若直线li(0≤i≤H,H为图像的高)上的点距和的距离分别为d1和d2,由线性插值法可知直线li上的粒子质量为:
因为对于同一直线上的粒子的质量相同,所以图像中坐标为(i,j)的点的质量mij=mi(0≤j≤W,W为图像的宽)。
步骤1.2,首先用光流法求取粒子的水平以及垂直方向的速度u和v,然后根据步骤1.1求得粒子的质量信息,最后构建粒子动能模型为:
mij代表坐标(i,j)粒子的质量,(uv)ij表示此粒子水平和垂直方向的合速度,其定义为:
步骤2,根据动能模型求取视频中每个运动粒子的动能,并对动能进行量化分级得到粒子的能级分布,然后求取粒子能级共生矩阵。
步骤2.1,将图像中粒子的运动看成电子的运动,并根据氢原子能级公式可得到某一能量的粒子所对应的能级为:
Eexcited为激发态的动能,Eground为基态的动能。并对能级l进行向下取整,以确保粒子所对应的能级都为整数。在正常状态下,人群运动速度较慢,运动粒子能量较低,因此粒子大多处在基态;异常状态下,人群发生跑动,粒子能量突然增大,粒子会跃迁到较高能级。
步骤2.2,由于灰度共生矩阵可以对图像中的像素分布进行很好的描述,因此得到每帧图像运动粒子的能级分布后,我们根据图像灰度共生矩阵的概念求得能级共生矩阵,并以此对人群运动粒子的能级分布进行描述。首先令Q是定义两个粒子能级彼此相对位置的一个算子;其次我们选取一段视频中的某一帧图像f,并计算出每个运动粒子所对应的能级;然后我们定义一个矩阵A,并令其元素aij是能级li和lj的像素对出现在f中由Q所指的位置处的次数,1<i,j<Lmax(Lmax为次帧图像中运动粒子的最大能级数)。则A为所求的能级共生矩阵。
进一步的,所述步骤3的具体步骤如下:
步骤3.1,根据公式(7)(8)(9)计算我们所求能级共生矩阵的一致性,熵和对比度三个描述算子的值的大小来对图像的能级分布进行描述。
其中,N是方阵A的行(或列)数。pij是满足Q所定义的关系的一个值为(li,lj)的点对的概率估计。其定义为:
pij=aij/n (10)
n是满足Q的能级对的总数,等于A的元素之和。这些概率的值域为[0,1],且它们的和为1:
步骤3.2,通过分析三个参数的变化来分析人群行为,并用公式(12)求得的阈值来检测人群异常行为以及获得异常发生的时间。
实施例1:如图4,显示了一段行人由正常到异常状态的视频的检测结果曲线,从其变化趋势可以看出,当人群处在正常状态时,粒子能量大多处在基态,能级共生矩阵的熵以及对比度都比较低,相反其一致性比较高;当人群发生异常时,人群开始跑动,粒子跃迁到不同的能级,能级分布比较分散,能级共生矩阵的一致性值会迅速下降,而熵值以及对比度的值会迅速上升。我们设置三个描述子的阈值分别为0.8730、0.2994和0.0174,则三个描述子分别成功地在第679,680,680帧检测到异常的发生,并在第680帧进行报警提示。因此,利用能级共生矩阵的描绘子能够很好地对人群状态进行描述。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.一种基于能级分布变化的人群异常检测方法,其特征在于:所述方法步骤如下:
步骤1,获取视频图像,将图像中每个像素点看成一个运动粒子,并求取每个粒子的速度以及质量,建立粒子的动能模型;
步骤2,根据动能模型求取视频中每个运动粒子的动能,并对运动粒子动能进行量化分级得到粒子的能级分布,求取粒子能级共生矩阵;
步骤3,以共生矩阵的一致性、熵、对比度三个描绘子描述图像中粒子的能级分布;通过分析一致性、熵、对比度的变化来分析人群行为,检测人群异常行为以及确定异常发生的时间,并进行报警提醒。
2.根据权利要求1所述的一种基于能级分布变化的人群异常检测方法,其特征在于,步骤1中,求取粒子质量的具体方法如下:
用矩形选取距离相机最近和最远的行人作为参考人并提取其前景,假设行人在场景中的面积为其前景图像所占像素的数目,令场景中参考人所占的面积为S;
式中,w、h分别为矩形的宽和高,Mij∈{0,1},1表示前景,0表示背景;找到两个参考人质心所在位置,并过参考人的质心画一条水平线作为参考线;记距离摄像机近的参考线为记距离摄像机远的参考线为当一个人从运动到时,该人在场景中的面积的变化率如下式所示:
假设直线上像素的质量为mab=1,直线上像素的质量mcd=1/k;若直线li(0≤i≤H,H为图像的高)上的点距和的距离分别为d1和d2,由线性插值法可知直线li上的粒子质量为:
因为对于同一直线上的粒子的质量相同,所以图像中坐标为(i,j)的点的质量mij=mi(0≤j≤W,W为图像的宽)。
3.根据权利要求2所述的一种基于能级分布变化的人群异常检测方法,其特征在于,建立动能模型的具体方法如下:
用光流法求取粒子的水平以及垂直方向的速度u和v,再根据粒子的质量,结合粒子的速度构建粒子动能模型为:
式中,mij代表坐标(i,j)粒子的质量,(uv)ij表示此粒子水平和垂直方向的合速度。
4.根据权利要求1所述的一种基于能级分布变化的人群异常检测方法,其特征在于,所述步骤2的具体方法如下:
步骤2.1,将图像中粒子的运动看成电子的运动,并根据氢原子能级公式可得到某一能量的粒子所对应的能级为:
Eexcited为激发态的动能,Eground为基态的动能,并对能级l进行向下取整,以确保粒子所对应的能级都为整数;在正常状态下,人群运动速度较慢,运动粒子能量较低,因此粒子大多处在基态;异常状态下,人群发生跑动,粒子能量突然增大,粒子会跃迁到较高能级;
步骤2.2,由于灰度共生矩阵可以对图像中的像素分布进行很好的描述,因此得到每帧图像运动粒子的能级分布后,根据图像灰度共生矩阵的概念求得能级共生矩阵,以此对人群运动粒子的能级分布进行描述;首先,令Q是定义两个粒子能级彼此相对位置的一个算子;其次,选取一段视频中的某一帧图像f,计算出每个运动粒子所对应的能级;然后,定义一个矩阵A,并令其元素aij是能级li和lj的像素对出现在f中由Q所指的位置处的次数,1<i,j<Lmax(Lmax为次帧图像中运动粒子的最大能级数),则A为所求的能级共生矩阵。
5.根据权利要求1所述的一种基于能级分布变化的人群异常检测方法,其特征在于,所述步骤3的具体方法如下:
步骤3.1,计算所求能级共生矩阵的一致性描述算子的值:
计算所求能级共生矩阵的熵描述算子的值:
计算所求能级共生矩阵的对比度描述算子的值:
其中,N是方阵A的行(或列)数;pij是满足Q所定义的关系的一个值为(li,lj)的点对的概率估计,其定义为:
pij=aij/n (9)
n是满足Q的能级对的总数,等于A的元素之和;这些概率的值域为[0,1],且它们的和为1:
步骤3.2,通过分析一致性、熵、对比度的变化来分析人群行为,设定阈值来检测人群异常行为以及获得异常发生的时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710125202.2A CN106874885B (zh) | 2017-03-03 | 2017-03-03 | 一种基于能级分布变化的人群异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710125202.2A CN106874885B (zh) | 2017-03-03 | 2017-03-03 | 一种基于能级分布变化的人群异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106874885A true CN106874885A (zh) | 2017-06-20 |
CN106874885B CN106874885B (zh) | 2020-10-16 |
Family
ID=59169752
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710125202.2A Active CN106874885B (zh) | 2017-03-03 | 2017-03-03 | 一种基于能级分布变化的人群异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106874885B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363988A (zh) * | 2018-03-09 | 2018-08-03 | 燕山大学 | 一种结合图像特征和流体力学特征的人群计数方法 |
CN109241950A (zh) * | 2018-10-19 | 2019-01-18 | 杭州电子科技大学 | 一种基于焓值分布熵的人群恐慌状态识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080166020A1 (en) * | 2005-01-28 | 2008-07-10 | Akio Kosaka | Particle-Group Movement Analysis System, Particle-Group Movement Analysis Method and Program |
CN102156880A (zh) * | 2011-04-11 | 2011-08-17 | 上海交通大学 | 基于改进的社会力模型的异常集群行为检测方法 |
CN102682303A (zh) * | 2012-03-13 | 2012-09-19 | 上海交通大学 | 基于lbp加权社会力模型的人群异常事件检测方法 |
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 |
CN103020591A (zh) * | 2012-11-21 | 2013-04-03 | 燕山大学 | 一种基于因果网络分析的中等规模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 |
CN105426820A (zh) * | 2015-11-03 | 2016-03-23 | 中原智慧城市设计研究院有限公司 | 基于安防监控视频数据的多人异常行为检测方法 |
CN106446922A (zh) * | 2015-07-31 | 2017-02-22 | 中国科学院大学 | 一种人群异常行为分析方法 |
-
2017
- 2017-03-03 CN CN201710125202.2A patent/CN106874885B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080166020A1 (en) * | 2005-01-28 | 2008-07-10 | Akio Kosaka | Particle-Group Movement Analysis System, Particle-Group Movement Analysis Method and Program |
CN102156880A (zh) * | 2011-04-11 | 2011-08-17 | 上海交通大学 | 基于改进的社会力模型的异常集群行为检测方法 |
CN102682303A (zh) * | 2012-03-13 | 2012-09-19 | 上海交通大学 | 基于lbp加权社会力模型的人群异常事件检测方法 |
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 |
CN103020591A (zh) * | 2012-11-21 | 2013-04-03 | 燕山大学 | 一种基于因果网络分析的中等规模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 |
CN106446922A (zh) * | 2015-07-31 | 2017-02-22 | 中国科学院大学 | 一种人群异常行为分析方法 |
CN105426820A (zh) * | 2015-11-03 | 2016-03-23 | 中原智慧城市设计研究院有限公司 | 基于安防监控视频数据的多人异常行为检测方法 |
Non-Patent Citations (4)
Title |
---|
GUOGANG XIONG 等: "Abnormal Crowd Behavior Detection Based on the Energy Model", 《PROCEEDING OF THE IEEE INTERNATIONAL CONFERENCE ON INFORMATION AND AUTOMATION》 * |
张旭光 等: "介观小团体运动聚类的人群异常检测", 《仪器仪表学报》 * |
汪双承 等: "基于粒子流和能量模型的异常行为检测", 《电子器件》 * |
童超 等: "基于视频粒子流和FTLE场的人群运动分割算法", 《计算机应用》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363988A (zh) * | 2018-03-09 | 2018-08-03 | 燕山大学 | 一种结合图像特征和流体力学特征的人群计数方法 |
CN109241950A (zh) * | 2018-10-19 | 2019-01-18 | 杭州电子科技大学 | 一种基于焓值分布熵的人群恐慌状态识别方法 |
CN109241950B (zh) * | 2018-10-19 | 2021-11-02 | 杭州电子科技大学 | 一种基于焓值分布熵的人群恐慌状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106874885B (zh) | 2020-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330372B (zh) | 一种基于视频的人群密度与异常行为检测系统的分析方法 | |
CN103745230B (zh) | 一种自适应群体异常行为分析方法 | |
CN103716579B (zh) | 视频监控方法及系统 | |
CN103164706B (zh) | 基于视频信号分析的对象计数方法与装置 | |
CN103761748B (zh) | 异常行为检测方法和装置 | |
CN104820824A (zh) | 基于光流和时空梯度的局部异常行为检测方法 | |
CN111160125A (zh) | 基于铁路监控的铁路异物入侵检测方法 | |
CN105389567A (zh) | 基于稠密光流直方图的群体异常检测方法 | |
CN104320617B (zh) | 一种基于深度学习的全天候视频监控方法 | |
MX2015000035A (es) | Sistema integrado de deteccion temprana de hidrocarburos en un medio acuoso. | |
CN105678803A (zh) | 基于w4算法和帧间差分的视频监控目标检测方法 | |
CN104658152A (zh) | 一种基于视频的运动物体入侵报警方法 | |
CN111191667A (zh) | 基于多尺度生成对抗网络的人群计数方法 | |
CN102722700A (zh) | 视频监控中遗留物品检测的方法和系统 | |
CN114267082B (zh) | 基于深度理解的桥侧坠落行为识别方法 | |
CN111681382A (zh) | 一种基于视觉分析检测施工现场跨越临时围栏的方法 | |
CN106210633A (zh) | 一种智慧金睛识别越线检测报警方法和装置 | |
CN111767881A (zh) | 一种基于ai技术的自适应人群密度估计装置 | |
CN106874885A (zh) | 一种基于能级分布变化的人群异常检测方法 | |
CN109299700A (zh) | 基于人群密度分析的地铁群体异常行为检测方法 | |
CN114373162B (zh) | 用于变电站视频监控的危险区域人员入侵检测方法及系统 | |
CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
Khan et al. | Application of globally available, coarse‐resolution digital elevation models for delineating valley bottom segments of varying length across a catchment | |
CN108154089B (zh) | 一种基于尺度自适应的头部检测和密度图的人群计数方法 | |
CN113240028A (zh) | 一种基于类激活图的对抗样本块攻击检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |