CN108288021A - 一种人群异常事件检测方法、电子设备和存储介质 - Google Patents

一种人群异常事件检测方法、电子设备和存储介质 Download PDF

Info

Publication number
CN108288021A
CN108288021A CN201711321561.1A CN201711321561A CN108288021A CN 108288021 A CN108288021 A CN 108288021A CN 201711321561 A CN201711321561 A CN 201711321561A CN 108288021 A CN108288021 A CN 108288021A
Authority
CN
China
Prior art keywords
light stream
image
crowd
point
stream point
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.)
Pending
Application number
CN201711321561.1A
Other languages
English (en)
Inventor
吴育春
杨延生
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shenzhen Horizon Technology Co Ltd
Original Assignee
Shenzhen Shenzhen Horizon Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Shenzhen Horizon Technology Co Ltd filed Critical Shenzhen Shenzhen Horizon Technology Co Ltd
Priority to CN201711321561.1A priority Critical patent/CN108288021A/zh
Publication of CN108288021A publication Critical patent/CN108288021A/zh
Pending legal-status Critical Current

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/269—Analysis of motion using gradient-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种人群异常事件检测方法，包括获取第一图像和第二图像；根据第一图像和第二图像计算第一图像的多个光流点；根据各光流点之间的横坐标关系与纵坐标关系计算光流点邻接矩阵；根据光流点邻接矩阵以及聚类条件将光流点划分至相应的区域集合；根据光流点之间的距离关系将各区域集合划分为至少一个区域子集；根据历史分组信息对各区域子集进行修正，得到修正子集；根据各修正子集内光流点的平均运动距离判断是否发生人群异常事件。采用光流来表示场景的运动特征，通过对光流点进行聚类分组，然后计算每一个组内的光流信息来统计出每一组的运动情况，从而能检测人群出现的异常事件，能够适用于不同的场景，实时性好。

Description

一种人群异常事件检测方法、电子设备和存储介质
技术领域
本发明涉及视频应用领域，尤其涉及一种人群异常事件检测方法、电子设备和存储介质。
背景技术
随着人口的增加和人类活动的多样性，拥挤的场面已经越来越频繁，大规模人群意外发生频率以及带来的损伤也越来越多，给公共管理以及公共安全带来巨大的挑战，因此，需要通过监控人群，对异常行为进行检测和报警，从而避免发生人和财产的损失。
现有技术提供了以下三种人群异常行为检测方法：
1)基于模型的人群异常行为检测方法：例如流体动力学模型和混合动态纹理模型。由于建模与场景相关，因此这种模型在某些场景下会失效，缺乏广泛的适用性。
2)基于深度学习的人群异常行为检测方法：例如SVM、神经网络。由于异常事件在较短时间内可能会造成较高的危害，这要求算法应具备实时在线处理能力，现有算法均未考虑到实时性要求，复杂度较高，实时性较差。
3)基于密度(层次聚类)的人群异常检测。这种手段对于噪音数据效果不好，存在若密度差别较大时聚类效果差的问题。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供一种人群异常事件检测方法，采用光流来表示场景的运动特征，通过对光流点进行聚类分组，然后根据每一个组内的光流信息来统计出每一组的运动情况，从而能检测人群出现的异常事件；并进一步利用历史分组信息对各分组进行修正，来改善本次聚类的效果；对不同的场景适用性好，且实时性好，检测更精确。
本发明的目的之二在于提供一种电子设备，采用光流来表示场景的运动特征，通过对光流点进行聚类分组，然后根据每一个组内的光流信息来统计出每一组的运动情况，从而能检测人群出现的异常事件；并进一步利用历史分组信息对各分组进行修正，来改善本次聚类的效果；对不同的场景适用性好，且实时性好，检测更精确。
本发明的目的之三在于提供一种存储介质，存储有计算机程序，采用光流来表示场景的运动特征，通过对光流点进行聚类分组，然后根据每一个组内的光流信息来统计出每一组的运动情况，从而能检测人群出现的异常事件；并进一步利用历史分组信息对各分组进行修正，来改善本次聚类的效果；对不同的场景适用性好，且实时性好，检测更精确。
本发明的目的之一采用以下技术方案实现：
一种人群异常事件检测方法，包括以下步骤：
获取第一图像和第二图像，所述第二图像的事件时间晚于所述第一图像的事件时间；
根据所述第一图像和第二图像计算所述第一图像的多个光流点；
根据各光流点之间的横坐标关系与纵坐标关系计算光流点邻接矩阵；
根据所述光流点邻接矩阵以及聚类条件将所述光流点划分至相应的区域集合；
根据光流点之间的距离关系将各区域集合划分为至少一个区域子集；
根据历史分组信息对各区域子集进行修正，得到修正子集；
根据各修正子集内光流点的平均运动距离判断是否发生人群异常事件。
进一步地，所述根据所述第一图像和第二图像计算所述第一图像的多个光流点，具体包括以下步骤：
检测第一图像中的第一角点，以及检测第二图像中的第二角点；
通过光流法匹配所述第一角点和第二角点，并获取所述第一图像的多个光流点。
进一步地，所述根据各光流点之间的横坐标关系与纵坐标关系计算光流点邻接矩阵，具体为根据以下规则计算：
其中，M表示所述光流点邻接矩阵，p表示第p个光流点，q表示第q个光流点，Mp,q表示M中的元素(p,q)，xp表示p的横坐标，yp表示p的纵坐标，xq表示q的横坐标，yq表示q的纵坐标，为第一坐标参数，δ为第二坐标参数。
进一步地，所述根据所述光流点邻接矩阵以及聚类条件将所述光流点划分至相应的区域集合，具体为根据以下聚类条件划分：
对于任一p∈D，若满足
且|Rp|>β，
则Rp为以p为中心点的区域集合；
其中，D为所有光流点的集合，|Rp|表示Rp中光流点的数量，β为区域预设参数。
进一步地，所述根据光流点之间的距离关系将各区域集合划分为至少一个区域子集，具体为根据以下规则划分：
若所述区域集合中的p和q满足
distancep,q<γ且cosp,q<θ，
则p和q被划分至同一个区域子集；
其中，distancep,q表示p与q之间的几何距离，cosp,q表示p与q之间的夹角关系，γ为距离预设参数，θ为夹角预设参数。
进一步地，所述根据历史分组信息对各区域子集进行修正，得到修正子集，具体为根据以下规则修正：
对于若满足
C(Groupi∩pre_Groupi)>C(Groupi)*μ，
则p被划分至Groupi；
其中，Groupi表示第i个所述区域子集，pre_Groupi表示所述历史分组信息中的第i个区域子集，C(G)表示集合G中光流点的数量，μ∈[0,1]为交集预设参数。
进一步地，所述修正子集内光流点的平均运动距离averDist具体为根据下式计算：
其中，xi1、yi1分别表示所述修正子集内第i个光流点的横坐标、纵坐标，ρ为适应系数，n表示所述修正子集内光流点的数量；xi0、yi0分别表示历史分组信息中相应区域子集内第i个光流点的横坐标、纵坐标；
所述根据各修正子集内光流点的平均运动距离判断是否发生人群异常事件，具体为：
若所述修正子集内光流点的平均运动距离大于异常阈值，则所述修正子集表示发生人群异常事件。
进一步地，所述获取第一图像和第二图像，所述第二图像的事件时间晚于所述第一图像的事件时间，具体包括以下步骤：
获取第一原始图像和第二原始图像，所述第二原始图像的事件时间晚于所述第一原始图像的事件时间；
对所述第一原始图像进行人群背景分割，得到所述第一图像；
对所述第二原始图像进行人群背景分割，得到所述第二图像。
本发明的目的之二采用以下技术方案实现：
一种电子设备，包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现上述人群异常事件检测方法的步骤。
本发明的目的之三采用以下技术方案实现：
一种存储介质，所述介质存储有计算机程序，所述计算机程序被处理器执行时实现上述人群异常事件检测方法的步骤。
相比现有技术，本发明的有益效果在于：采用光流来表示场景的运动特征，通过对光流点进行聚类分组，然后根据每一个组内的光流信息来统计出每一组的运动情况，从而能检测人群出现的异常事件；并进一步利用历史分组信息对各分组进行修正，来改善本次聚类的效果；对不同的场景适用性好，且实时性好，检测更精确。
附图说明
图1为本发明实施例一的人群异常事件检测方法的流程示意图；
图2为本发明实施例二的电子设备的结构示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一
如图1为一种人群异常事件检测方法，包括以下步骤：
步骤S110、获取第一图像和第二图像，所述第二图像的事件时间晚于所述第一图像的事件时间。事件事件指的是图像拍摄时的时刻。
作为优选的实施方式，步骤S110获取第一图像和第二图像，所述第二图像的事件时间晚于所述第一图像的事件时间，具体包括以下步骤：
步骤S111、获取第一原始图像和第二原始图像，所述第二原始图像的事件时间晚于所述第一原始图像的事件时间。在本实施例中，第一原始图像和第二原始图像为视频中相邻的两帧图像或者从视频中抽取的图像中相邻的两帧。由于原始图像中有背景信息，可能会对人群异常事件检测造成干扰，增加不必要的计算量甚至会导致误判，因此只需要提取前景进行后续操作。
步骤S112、对所述第一原始图像进行人群背景分割，得到所述第一图像；
步骤S113、对所述第二原始图像进行人群背景分割，得到所述第二图像。
第一图像可以理解为第一原始图像中的人群前景，第二图像可以理解为第二原始图像中的人群前景，从而能消除噪声的干扰。人群背景分割可以通过卷积神经网络针对于人群场景训练得到的人群分割模型进行。模型训练样本的获取，模型的结构，训练过程等均属于现有技术，在此不再赘述。
步骤S120、根据所述第一图像和第二图像计算所述第一图像的多个光流点。
作为优选的实施方式，步骤S120根据所述第一图像和第二图像计算所述第一图像的多个光流点，具体包括以下步骤：
步骤S121、检测第一图像中的第一角点，以及检测第二图像中的第二角点。角点的获取可以通过现有技术实现。
作为优选的实施方式，所述第一角点、第二角点均为Harris角点，可以通过调用Opencv中Good Features To Track Detector获取。角点在Opencv中定义如下：
定义1：像素点(x,y)为Harris角点，当且仅当R>α；其中R＝det(M)-σ*(trace(M)2)，X，Y分为像素点在水平方向和垂直方向上的一阶梯度。det(M)表示M的行列式，trace(M)表示M的迹。σ为经验常数。α为阈值。
利用角点作为图像的特征点，可以满足在充分利用图像信息的同时减小计算量，从而保证了人群异常事件监测的实时性。
步骤S122、通过光流法匹配所述第一角点和第二角点，并获取所述第一图像的多个光流点。
作为优选的实施方式，通过光流法匹配所述第一角点和第二角点，并获取所述第一图像的多个光流点，具体为：通过金字塔光流法匹配所述第一角点和第二角点，并获取所述第一图像的多个光流点。
金字塔光流法通常用来估计图像特征点的光流，以提高图像光流场的计算速度。若给定图像I中的像素点u，计算图像J中与其匹配的像素点v，使得v＝u+d，其中d为u对应的光流。
金字塔光流法属于本领域的现有技术，金字塔光流的思想是对每个图像帧向下采样，分别建立多级金字塔，当采样到足够小以后，相邻的图像帧之间的运动将变得很小，以至于可以看成是物体的运动随时间变化很慢的运动情况，这时候就可以用L-K方法计算目标的光流，再将计算出来的光流向底层投影，计算下一层的光流，直到估算出原图像帧的光流。
为便于理解，下面以伪代码的形式给出金字塔光流法的计算过程：
建立图像I和后一帧图像J的图像金字塔：和
初始化金字塔的光流估计量：
For L＝Lm:-1:0
定位图像IL上u的位置：
IL对x求偏导数：
IL对y求偏导数：
梯度矩阵：
迭代算法初始化：v0＝[0 0]T
For k＝1:1:K或||γk||<threshold
图像像素差
图像不匹配向量：
光流：γk＝G-1bk
估计下一次迭代：vk＝vk-1+γk
End
在第L层上最终光流：dL＝vk
计算下一层L-1层上的光流：
End
求得u最终的光流d＝g0+d0，
u在图像J上的对应特征点：v＝u+d。
若在第二图像存在与某第一角点对应的第二角点，则该第二角点与该第一角点匹配，根据相应的光流可以得到与该第一角点相应的光流点。光流表达了图像的变化，由于它包含了目标运动的信息，因此可被观察者用来确定目标的运动情况。本发明实施例对光流点进行分析，以检测人群异常情况。
步骤S130、根据各光流点之间的横坐标关系与纵坐标关系计算光流点邻接矩阵。
作为优选的实施方式，步骤S130根据各光流点之间的横坐标关系与纵坐标关系计算光流点邻接矩阵，具体为根据以下规则计算：
其中，M表示所述光流点邻接矩阵，p表示第p个光流点，q表示第q个光流点，Mp,q表示M中的元素(p,q)，xp表示p的横坐标，yp表示p的纵坐标，xq表示q的横坐标，yq表示q的纵坐标。为第一坐标参数，δ为第二坐标参数，均可为经验值。
当光流点p和q的横坐标以及纵坐标足够靠近时，表示光流点p和q之间有关联，使得光流点邻接矩阵中的Mp,q＝1。
光流点邻接矩阵可以表示光流点之间的关系，其建立有利于划分整个场景的光流点。并且能为后面做聚类分组的步骤减少计算量。
步骤S140、根据所述光流点邻接矩阵以及聚类条件将所述光流点划分至相应的区域集合。
作为优选的实施方式，步骤S140根据所述光流点邻接矩阵以及聚类条件将所述光流点划分至相应的区域集合，具体为根据以下聚类条件划分：
对于任一p∈D，若满足
且|Rp|>β，
则Rp为以p为中心点的区域集合；
其中，D为所有光流点的集合，|Rp|表示Rp中光流点的数量，β为区域预设参数。
本发明实施例的聚类条件，可以根据光流点邻接矩阵将光流点划分至相应的区域集合。区域集合表现在第一图像上，就是一个运动区域。
步骤S150、根据光流点之间的距离关系将各区域集合划分为至少一个区域子集。
作为优选的实施方式，步骤S150根据光流点之间的距离关系将各区域集合划分为至少一个区域子集，具体为根据以下规则划分：
若所述区域集合中的p和q满足
distancep,q<γ且cosp,q<θ，
则p和q被划分至同一个区域子集；
其中，distancep,q表示p与q之间的几何距离，cosp,q表示p与q之间的夹角关系；γ为距离预设参数，θ为夹角预设参数，均为经验值。在本实施例中，
步骤S140得到的运动区域中可能存在有较多的运动对象，运动对象之间相互粘连。步骤S150可以进一步细分运动区域，从而进一步保证人群异常时间检测的准确性和精准度。
步骤S160、根据历史分组信息对各区域子集进行修正，得到修正子集。
作为优选的实施方式，步骤S160根据历史分组信息对各区域子集进行修正，得到修正子集，具体为根据以下规则修正：
对于若满足
C(Groupi ∩ pre_Groupi)>C(Groupi)*μ，
则p被划分至Groupi；
其中，Groupi表示第i个所述区域子集，pre_Groupi表示所述历史分组信息中的第i个区域子集，C(G)表示集合G中光流点的数量，μ∈[0,1]为交集预设参数。
历史分组信息可以为第一图像之前帧计算的区域子集，利用历史区域划分的情况，可以利用历史信息增强本次区域划分的精确度，保证区域划分的效果，减少由于光流点引起聚类分组的误差。
步骤S170、根据各修正子集内光流点的平均运动距离判断是否发生人群异常事件。
作为优选的实施方式，步骤S170中修正子集内光流点的平均运动距离averDist具体为根据下式计算：
其中，xi1、yi1分别表示所述修正子集内第i个光流点的横坐标、纵坐标，ρ为适应系数，n表示所述修正子集内光流点的数量；xi0、yi0分别表示历史分组信息中相应区域子集内第i个光流点的横坐标、纵坐标。
修正子集内光流点的平均运动距离可以衡量修正子集的运动是否异常，步骤S170根据各修正子集内光流点的平均运动距离判断是否发生人群异常事件，具体为：若所述修正子集内光流点的平均运动距离大于异常阈值，则所述修正子集表示发生人群异常事件。例如当第一图像的某个修正子集内光流点的平均运动距离较大，可能意味着该修正子集对应的运动区域的运动状态变化较大，如人群突然跑动。
本发明实施例提供的人群异常事件检测方法，采用光流来表示场景的运动特征，通过对光流点进行聚类分组，然后根据每一个组内的光流信息来统计出每一组的运动情况，从而能检测人群出现的异常事件；并进一步利用历史分组信息对各分组进行修正，来改善本次聚类的效果；对不同的场景适用性好，且实时性好，检测更精确。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法，如：
一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述人群异常事件检测方法的步骤。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、机顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等，如实施例二。
实施例二
如图2所示一种电子设备，包括存储器200、处理器300以及存储在存储器200中的程序，所述程序被配置成由处理器300执行，处理器300执行所述程序时实现上述人群异常事件检测方法的步骤。
本实施例中的电子设备与前述实施例中的方法是基于同一发明构思下的两个方面，在前面已经对方法实施过程作了详细的描述，所以本领域技术人员可根据前述描述清楚地了解本实施中的系统的结构及实施过程，为了说明书的简洁，在此就不再赘述。
本发明实施例提供的电子设备，采用光流来表示场景的运动特征，通过对光流点进行聚类分组，然后根据每一个组内的光流信息来统计出每一组的运动情况，从而能检测人群出现的异常事件；并进一步利用历史分组信息对各分组进行修正，来改善本次聚类的效果；对不同的场景适用性好，且实时性好，检测更精确。
上述实施方式仅为本发明的优选实施方式，不能以此来限定本发明保护的范围，本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。

Claims (10)

1.一种人群异常事件检测方法，其特征在于，包括以下步骤：
获取第一图像和第二图像，所述第二图像的事件时间晚于所述第一图像的事件时间；
根据所述第一图像和第二图像计算所述第一图像的多个光流点；
根据各光流点之间的横坐标关系与纵坐标关系计算光流点邻接矩阵；
根据所述光流点邻接矩阵以及聚类条件将所述光流点划分至相应的区域集合；
根据光流点之间的距离关系将各区域集合划分为至少一个区域子集；
根据历史分组信息对各区域子集进行修正，得到修正子集；
根据各修正子集内光流点的平均运动距离判断是否发生人群异常事件。
2.如权利要求1所述的人群异常事件检测方法，其特征在于：所述根据所述第一图像和第二图像计算所述第一图像的多个光流点，具体包括以下步骤：
检测第一图像中的第一角点，以及检测第二图像中的第二角点；
通过光流法匹配所述第一角点和第二角点，并获取所述第一图像的多个光流点。
3.如权利要求1所述的人群异常事件检测方法，其特征在于，所述根据各光流点之间的横坐标关系与纵坐标关系计算光流点邻接矩阵，具体为根据以下规则计算：
其中，M表示所述光流点邻接矩阵，p表示第p个光流点，q表示第q个光流点，Mp,q表示M中的元素(p,q)，xp表示p的横坐标，yp表示p的纵坐标，xq表示q的横坐标，yq表示q的纵坐标，为第一坐标参数，δ为第二坐标参数。
4.如权利要求3所述的人群异常事件检测方法，其特征在于，所述根据所述光流点邻接矩阵以及聚类条件将所述光流点划分至相应的区域集合，具体为根据以下聚类条件划分：
对于任一p∈D，若满足
且|Rp|>β，
则Rp为以p为中心点的区域集合；
其中，D为所有光流点的集合，|Rp|表示Rp中光流点的数量，β为区域预设参数。
5.如权利要求4所述的人群异常事件检测方法，其特征在于，所述根据光流点之间的距离关系将各区域集合划分为至少一个区域子集，具体为根据以下规则划分：
若所述区域集合中的p和q满足
distancep,q<γ且cosp,q<θ，
则p和q被划分至同一个区域子集；
其中，distancep,q表示p与q之间的几何距离，cosp,q表示p与q之间的夹角关系，γ为距离预设参数，θ为夹角预设参数。
6.如权利要求3-5中任一项所述的人群异常事件检测方法，其特征在于，所述根据历史分组信息对各区域子集进行修正，得到修正子集，具体为根据以下规则修正：
对于若满足
C(Groupi∩pre_Groupi)>C(Groupi)*μ，
则p被划分至Groupi；
其中，Groupi表示第i个所述区域子集，pre_Groupi表示所述历史分组信息中的第i个区域子集，C(G)表示集合G中光流点的数量，μ∈[0,1]为交集预设参数。
7.如权利要求3-5中任一项所述的人群异常事件检测方法，其特征在于，所述修正子集内光流点的平均运动距离averDist具体为根据下式计算：
其中，xi1、yi1分别表示所述修正子集内第i个光流点的横坐标、纵坐标，ρ为适应系数，n表示所述修正子集内光流点的数量；xi0、yi0分别表示历史分组信息中相应区域子集内第i个光流点的横坐标、纵坐标；
所述根据各修正子集内光流点的平均运动距离判断是否发生人群异常事件，具体为：
若所述修正子集内光流点的平均运动距离大于异常阈值，则所述修正子集表示发生人群异常事件。
8.如权利要求1-5中任一项所述的人群异常事件检测方法，其特征在于：所述获取第一图像和第二图像，所述第二图像的事件时间晚于所述第一图像的事件时间，具体包括以下步骤：
获取第一原始图像和第二原始图像，所述第二原始图像的事件时间晚于所述第一原始图像的事件时间；
对所述第一原始图像进行人群背景分割，得到所述第一图像；
对所述第二原始图像进行人群背景分割，得到所述第二图像。
9.一种电子设备，其特征在于：包括存储器、处理器以及存储在存储器中的程序，所述程序被配置成由处理器执行，处理器执行所述程序时实现如权利要求1-8中任一项所述的人群异常事件检测方法的步骤。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的人群异常事件检测方法的步骤。
CN201711321561.1A 2017-12-12 2017-12-12 一种人群异常事件检测方法、电子设备和存储介质 Pending CN108288021A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711321561.1A CN108288021A (zh) 2017-12-12 2017-12-12 一种人群异常事件检测方法、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711321561.1A CN108288021A (zh) 2017-12-12 2017-12-12 一种人群异常事件检测方法、电子设备和存储介质

Publications (1)

Publication Number Publication Date
CN108288021A true CN108288021A (zh) 2018-07-17

Family

ID=62831873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711321561.1A Pending CN108288021A (zh) 2017-12-12 2017-12-12 一种人群异常事件检测方法、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN108288021A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109409519A (zh) * 2018-10-16 2019-03-01 三星（中国）半导体有限公司 一种数据异常检测方法、装置及设备
CN109558889A (zh) * 2018-09-27 2019-04-02 中国农业大学 生猪舒适度分析方法及装置
CN110070003A (zh) * 2019-04-01 2019-07-30 浙江大华技术股份有限公司 异常行为检测与光流自相关性确定的方法、及相关装置
CN110176028A (zh) * 2019-06-05 2019-08-27 中国人民解放军国防科技大学 一种基于事件相机的异步角点检测方法
CN110263619A (zh) * 2019-04-30 2019-09-20 上海商汤智能科技有限公司 图像处理方法和装置、电子设备和计算机存储介质
CN111539301A (zh) * 2020-04-20 2020-08-14 贵州安防工程技术研究中心有限公司 一种基于视频分析技术的场景混乱程度判别方法
WO2021051654A1 (zh) * 2019-09-19 2021-03-25 深圳云天励飞技术有限公司 快速光流跟踪方法及相关设备
CN113408352A (zh) * 2019-05-28 2021-09-17 浙江大华技术股份有限公司 行人异常行为检测方法、图像处理装置及存储装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310183A (zh) * 2012-03-16 2013-09-18 日电（中国）有限公司 人群聚集检测的方法与装置
CN105426813A (zh) * 2015-10-27 2016-03-23 杭州电子科技大学 一种视频异常行为检测方法
US20160162577A1 (en) * 2014-12-08 2016-06-09 Mitsubishi Electric Research Laboratories, Inc. Method for Segmenting and Tracking Content in Videos Using Low-Dimensional Subspaces and Sparse Vectors
US20160283798A1 (en) * 2015-03-24 2016-09-29 Nice-Systems Ltd. System and method for automatic calculation of scene geometry in crowded video scenes
US20160335491A1 (en) * 2015-05-14 2016-11-17 Ricoh Company, Ltd. Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium
CN106548153A (zh) * 2016-10-27 2017-03-29 杭州电子科技大学 基于多尺度变换下图结构的视频异常检测方法
CN106803265A (zh) * 2017-01-06 2017-06-06 重庆邮电大学 基于光流法和卡尔曼滤波的多目标跟踪方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103310183A (zh) * 2012-03-16 2013-09-18 日电（中国）有限公司 人群聚集检测的方法与装置
US20160162577A1 (en) * 2014-12-08 2016-06-09 Mitsubishi Electric Research Laboratories, Inc. Method for Segmenting and Tracking Content in Videos Using Low-Dimensional Subspaces and Sparse Vectors
US20160283798A1 (en) * 2015-03-24 2016-09-29 Nice-Systems Ltd. System and method for automatic calculation of scene geometry in crowded video scenes
US20160335491A1 (en) * 2015-05-14 2016-11-17 Ricoh Company, Ltd. Method and device for detecting gathering of objects based on stereo vision as well as non-transitory computer-readable medium
CN105426813A (zh) * 2015-10-27 2016-03-23 杭州电子科技大学 一种视频异常行为检测方法
CN106548153A (zh) * 2016-10-27 2017-03-29 杭州电子科技大学 基于多尺度变换下图结构的视频异常检测方法
CN106803265A (zh) * 2017-01-06 2017-06-06 重庆邮电大学 基于光流法和卡尔曼滤波的多目标跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DUAN-YU CHEN 等: "Motion-based unusual event detection in human crowds", 《ELSEVIER》 *
JONATHAN M. ROBERTS 等: "On the Use of Optical Flow for Scene Change Detection and Description", 《SPRINGER》 *
林沁 等: "基于灰度共生矩阵和光流法的人群异动事件检测", 《计算机与现代化》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109558889A (zh) * 2018-09-27 2019-04-02 中国农业大学 生猪舒适度分析方法及装置
CN109409519A (zh) * 2018-10-16 2019-03-01 三星（中国）半导体有限公司 一种数据异常检测方法、装置及设备
CN109409519B (zh) * 2018-10-16 2020-11-27 三星（中国）半导体有限公司 一种数据异常检测方法、装置及设备
CN110070003A (zh) * 2019-04-01 2019-07-30 浙江大华技术股份有限公司 异常行为检测与光流自相关性确定的方法、及相关装置
CN110070003B (zh) * 2019-04-01 2021-07-30 浙江大华技术股份有限公司 异常行为检测与光流自相关性确定的方法、及相关装置
CN110263619A (zh) * 2019-04-30 2019-09-20 上海商汤智能科技有限公司 图像处理方法和装置、电子设备和计算机存储介质
CN113408352A (zh) * 2019-05-28 2021-09-17 浙江大华技术股份有限公司 行人异常行为检测方法、图像处理装置及存储装置
CN110176028A (zh) * 2019-06-05 2019-08-27 中国人民解放军国防科技大学 一种基于事件相机的异步角点检测方法
CN110176028B (zh) * 2019-06-05 2020-12-15 中国人民解放军国防科技大学 一种基于事件相机的异步角点检测方法
WO2021051654A1 (zh) * 2019-09-19 2021-03-25 深圳云天励飞技术有限公司 快速光流跟踪方法及相关设备
CN111539301A (zh) * 2020-04-20 2020-08-14 贵州安防工程技术研究中心有限公司 一种基于视频分析技术的场景混乱程度判别方法
CN111539301B (zh) * 2020-04-20 2023-04-18 贵州安防工程技术研究中心有限公司 一种基于视频分析技术的场景混乱程度判别方法

Similar Documents

Publication Publication Date Title
CN108288021A (zh) 一种人群异常事件检测方法、电子设备和存储介质
CN105404861B (zh) 人脸关键特征点检测模型的训练、检测方法及系统
CN110110707A (zh) 人工智能cnn、lstm神经网络动态识别系统
CN108764085B (zh) 基于生成对抗网络的人群计数方法
Taj et al. Distributed and decentralized multicamera tracking
CN103678299B (zh) 一种监控视频摘要的方法及装置
Hou et al. Detection of the mobile object with camouflage color under dynamic background based on optical flow
Dore et al. Interaction analysis with a bayesian trajectory model
CN102142085B (zh) 一种林区监控视频中运动火焰目标的鲁棒跟踪方法
CN107729809A (zh) 一种自适应生成视频摘要的方法、装置及其可读存储介质
Alameda-Pineda et al. Finding audio-visual events in informal social gatherings
CN108596157A (zh) 一种基于运动检测的人群惊扰场景检测方法及系统
CN111488794A (zh) 一种基于空洞卷积的自适应感受野人群密度估计方法
CN107832716A (zh) 基于主动被动高斯在线学习的异常检测方法
CN105184815B (zh) 聚众事件检测方法及系统
CN106887014B (zh) 一种跨摄像头的行人轨迹匹配方法
CN105740814B (zh) 一种使用视频分析确定固废危废存放状态的方法
Pang et al. Federated Learning for Crowd Counting in Smart Surveillance Systems
Toğaçar Detecting attacks on IoT devices with probabilistic Bayesian neural networks and hunger games search optimization approaches
Leyva et al. Video anomaly detection based on wake motion descriptors and perspective grids
Kit et al. Novelty detection using growing neural gas for visuo-spatial memory
CN103281555A (zh) 基于半参考评估的视频流业务QoE客观评估方法
CN104063879A (zh) 一种基于通量和遮挡系数的行人流估计方法
CN110263690A (zh) 一种基于小群组的群体行为特征提取与描述方法及系统
Shen et al. Model based human motion tracking using probability evolutionary algorithm

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
AD01 Patent right deemed abandoned
AD01 Patent right deemed abandoned

Effective date of abandoning: 20220311