[发明专利]基于图像的人群聚集状态检测方法

摘要

本发明公开了一种基于图像的人群聚集状态检测方法，首先对特征点提取和跟踪，根据特征点在前一帧和当前帧监控视频图像的坐标计算特征点的速度，根据速度对特征点进行聚类，对每个聚类分别计算群体聚集度，然后计算整体群体聚集度，最后根据预设的速度阈值和群体聚集度阈值得到当前人群聚集状态。本发明可以用于不同场景的人群聚集状态检测，利用时变拓扑网络图与图论模型分析人群聚集状态，能够定量衡量聚集度，并且通过结合人群聚集度和人群速度协同判断人群聚集状态，便于应对处理。

主权项

一种基于图像的人群聚集状态检测方法，其特征在于，包括以下步骤：S1：获取被检测场所的监控视频图像作为检测样本，将其中若干张图像的平均图像作为背景图像；S2：根据步骤S1得到的背景图像对每帧监控视频图像提取特征点并进行跟踪，记当前监控视频图像t中和前一帧监控视频图像t‑1匹配的有效特征点数量为n，特征点集C＝[p1,p2…pn]；根据n个特征点在监控视频图像t和前一帧监控视频图像t‑1中的坐标计算得到第m个特征点的速度其中Δxm＝xm,t‑xm,t‑1，Δym＝ym,t‑ym,t‑1，Δt表示两帧监控视频图像的时间间隔，(xm,t,ym,t)、(xm,t‑1,ym,t‑1)分别表示特征点在监控视频图像t和前一帧监控视频图像t‑1中的坐标，m的取值范围为m＝1,2,…,n；根据各个特征点的速度计算得到人群的平均速度V；S3：根据每个特征点的速度(υx,m,υy,m)进行聚类，记聚类数量为c；S4：对步骤S3得到的每个聚类分别计算群体聚集度，群体聚集度的计算包括以下步骤：S4.1：根据特征点坐标之间的距离，采用KNN算法得到聚类中每个特征点的K个邻接特征点集合；S4.2：根据步骤S4.1中得到的各个特征点的邻接特征点集合建立当前聚类的人群网络图Gk，k是聚类的序号，取值范围为k＝1,2,…,c，每个特征点作为人群网络图中的节点，特征点与其邻接特征点连接，与其非邻接特征点不连接；S4.3：计算各个特征点之间的行为相似度，对于特征点i，特征点j与其行为相似度ωt(i,j)的计算公式为：ωt(i,j)=max(Ct(i,j),0),j∈N(i)0j∉N(i)]]>其中，Ct(i,j)是特征点i和j的速度夹角余弦值，N(i)指特征点i的K个邻接特征点集合；将行为相似度ωt(i,j)作为人群网络图Gk中对应两个特征点连线的权重，从而得到加权邻接矩阵Wk；S4.4：计算聚类的群体聚集度Φk，的计算公式为：Φk=1NkeT((I-zWk)-1-I)e]]>其中，Nk表示聚类k中特征点的数量，e为单位列向量，上标T表示转置，I为单位矩阵，z为预设的常数，取值范围为0＜z＜1/ρ(Wk)，ρ(Wk)表示Wk的谱半径；S5：计算整体群体聚集度Φ，计算公式为：Φ=1|N|Σk=1cNk·Φk,N=Σk=1cNk]]>S6：设置平均速度阈值VT、群体聚集度阈值ΦT1和ΦT2，并且ΦT1＜ΦT2，根据平均速度V和整体群体聚集度Φ得到当前人群聚集状态，分为以下六种情况：如果V≤VT，Φ≤ΦT1，人群聚集状态为低速低聚集度；如果V≤VT，ΦT1＜Φ≤ΦT2，人群聚集状态为低速中聚集度；如果V≤VT，Φ＞ΦT2，人群聚集状态为低速高聚集度；如果V＞VT，Φ≤ΦT1，人群聚集状态为高速低聚集度；如果V＞VT，ΦT1＜Φ≤ΦT2，人群聚集状态为高速中聚集度；如果V＞VT，Φ＞ΦT2，人群聚集状态为高速高聚集度。