一種行人異常行為檢測方法及系統與流程
2023-09-23 09:21:50 1
本發明涉及一種行人異常行為檢測方法及系統。
背景技術：
近年來，隨著安全問題受到社會的日益關注，視頻中的異常行為檢測也越來越重要。同周圍行人的行為不一致，存在徘徊或者逗留的行為，而這些行為可能引發一些安全問題。
通過對監控視頻進行分析，進而對一些造成安全問題的異常行為進行判定，可以將監控視頻中大量的對安防無用的信息過濾掉，節約大量的人力。
目前對於行人的異常行為的檢測，通常是對目標行人進行跟蹤，獲得目標行人的軌跡，通過軌跡和場景模型的一致性檢測目標行人的行為異常，或通過模型實現對異常行為的檢測。
可見，目前的行人異常行為檢測方式大都需要建立複雜的模型，然後進行模型學習，效率較低而且過程複雜。
技術實現要素：
有鑑於此，有必要提供一種行人異常行為檢測方法及系統。
本發明提供一種行人異常行為檢測方法，該方法包括如下步驟：a.採用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤；b.分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離；c.根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動 距離，判斷是否發生異常行為。
其中，所述的步驟a具體包括：根據所述視頻幀生成行人的軌跡片段；採用社會關係分布SAM特徵，對生成的行人的軌跡片段進行關聯，實現對所述目標行人的跟蹤。
所述的周圍行人是指：在對目標行人開始跟蹤時，存在於目標行人周圍三米之內的行人，並且這些行人運動的最終目的地與該目標行人相同。
所述的步驟b中計算視頻幀中的目標行人在整個跟蹤過程的運動距離s具體包括：每間隔N幀，利用公式計算一次目標行人運動距離，其中，x，y為目標行人的位置坐標，L為在N幀內目標行人運動距離；目標行人在整個跟蹤過程中的運動的距離s為：S＝L1+L2+…+Ln。
所述的步驟c具體包括：對目標行人和其周圍行人在整個跟蹤過程的運動距離通過β函數進行計算；將該目標行人的運動距離s和計算得到的β函數的值進行差值計算；如果差值大於預先設定的閾值T，則判斷為有異常行為發生；如果若差值小於預先設定的閾值T，則判斷為無異常行為發生。
本發明還提供一種行人異常行為檢測系統，該系統包括跟蹤模塊、計算模塊及判斷模塊，其中：所述跟蹤模塊用於採用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤；所述計算模塊用於分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離；所述判斷模塊用於根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離，判斷是否發生異常行為。
其中，所述跟蹤模塊具體用於：根據所述視頻幀生成行人的軌跡片段；採用社會關係分布SAM特徵，對生成的行人的軌跡片段進行關聯， 實現對所述目標行人的跟蹤。
所述的周圍行人是指：在對目標行人開始跟蹤時，存在於目標行人周圍三米之內的行人，並且這些行人運動的最終目的地與該目標行人相同。
所述計算模塊中計算視頻幀中的目標行人在整個跟蹤過程的運動距離s具體為：每間隔N幀，利用公式計算一次目標行人運動距離，其中，x，y為目標行人的位置坐標，L為在N幀內目標行人運動距離；目標行人在整個跟蹤過程中的運動的距離s為：S＝L1+L2+…+Ln。
所述判斷模塊具體用於：對目標行人和其周圍行人在整個跟蹤過程的運動距離通過β函數進行計算；將該目標行人的運動距離s和計算得到的β函數的值進行差值計算；如果差值大於預先設定的閾值T，則判斷為有異常行為發生；如果若差值小於預先設定的閾值T，則判斷為無異常行為發生。
本發明一種行人異常行為檢測方法及系統，基於對目標行人的跟蹤，不是通過模型實現對異常行為的檢測,而是通過比較行人與其周圍行人運動的不一致進行異常行為檢測，從而避免了複雜模型學習的過程。本發明能夠檢測出行人在行走過程中出現的徘徊或逗留行為，提高了監控人員查找造成安全問題的原因的效率，節約了人力。
附圖說明
圖1為本發明一種行人異常行為檢測方法的流程圖；
圖2為本發明一種行人異常行為檢測系統的硬體架構圖。
具體實施方式
下面結合附圖及具體實施例對本發明作進一步詳細的說明。
參閱圖1所示，是本發明一種行人異常行為檢測方法較佳實施例的作業流程圖。
步驟S1，採用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤。具體而言：
第一步，根據所述視頻幀生成行人的軌跡片段：
通過HOG(Histogram of Oriented Gradient，方向梯度直方圖)方法在所述視頻幀中進行行人檢測，然後通過光流法對行人進行跟蹤。由於遮擋的存在，光流法跟蹤很容易停止，生成行人的軌跡片段。
第二步，採用社會關係分布SAM(social affinity map)特徵，對生成的行人的軌跡片段進行關聯，實現對所述目標行人的跟蹤：
其中，所述的社會關係(social affinity)是指：周圍行人的運動關係，社會關係可以由朋友、親戚、工作夥伴組成，如couple walking，Leader-follower現象。
首先，對生成的行人的軌跡片段進行矢量化，得到該軌跡片段的SAM特徵。其中，所述生成的行人的軌跡片段包含所要跟蹤的行人，即目標行人的軌跡片段。接著，對在同一時刻該目標行人的軌跡片段周圍一定範圍內的軌跡片段通過聚類方法按照SAM特徵進行聚類。其中，範圍大小通常設置為3米，這樣可以避免一些異常值。需要注意的是，該目標行人的軌跡片段周圍一定範圍內的軌跡片段的運動方向和時間應與該軌跡片段一致。
然後，將上述聚類的結果用一個徑向直方圖描述，按照SAM特徵最常見的類別將該徑向直方圖分為十個區域，也即十個類別，同時該徑向直方圖表示出了所述十個類別的空間位置分布。
然後，對所述徑向直方圖進行二進位矢量化，得到SAM特徵的矢 量。
最後，通過馬爾科夫鏈模型(Markov-chain model)對上述軌跡片段進行關聯，在上述軌跡片段關聯時，通過漢明距離(Hamming distance)比較兩個軌跡片段的SAM特徵的矢量，以便將運動在相似的社會關係分布中的兩個軌跡片段進行關聯，形成目標的長軌跡，最終實現對目標行人的跟蹤。
步驟S2，分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離。
值得注意的是，本實施例是基於社會關係的，所以在軌跡片段關聯時，涉及到目標行人周圍三米之內的行人的軌跡。
本實施例所述的目標行人周圍行人是指：在對目標行人開始跟蹤時，存在於目標行人周圍三米之內的行人，並且這些行人運動的最終目的地與該目標行人相同。
以下以目標行人運動距離的具體計算為例進行說明：
所述計算的目標行人運動距離是指在整個跟蹤過程中目標行人運動距離。
每間隔N幀，計算一次目標行人運動距離，公式如下：
其中，x，y為目標行人的位置坐標，L為在N幀內，目標行人運動距離。
目標行人在整個跟蹤過程中的運動的距離s為：
S＝L1+L2+…+Ln。
所述目標行人周圍行人運動距離的計算方法與上述目標行人運動距離的計算方法類似，這裡不再贅述。
步驟S3，根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離，判斷是否發生異常行為。具體而言：
對目標行人和其周圍行人在整個跟蹤過程的運動距離通過β函數進行計算，β函數也可以是方差計算函數或者是平均值計算函數。再將該目標行人的運動距離s和計算得到的β函數的值進行差值計算，如果差值大於預先設定的閾值T，則判斷為有異常行為發生，若差值小於預先設定的閾值T，則判斷為無異常行為發生。
參閱圖2所示，是本發明一種行人異常行為檢測系統的硬體架構圖。該系統包括跟蹤模塊、計算模塊及判斷模塊。
所述跟蹤模塊用於採用軌跡片段關聯方法，對視頻幀中的目標行人進行跟蹤。具體而言：
第一步，根據所述視頻幀生成行人的軌跡片段：
通過HOG(Histogram of Oriented Gradient，方向梯度直方圖)方法在所述視頻幀中進行行人檢測，然後通過光流法對行人進行跟蹤。由於遮擋的存在，光流法跟蹤很容易停止，生成行人的軌跡片段。
第二步，採用社會關係分布SAM(social affinity map)特徵，對生成的行人的軌跡片段進行關聯，實現對所述目標行人的跟蹤：
其中，所述的社會關係(social affinity)是指：周圍行人的運動關係，社會關係可以由朋友、親戚、工作夥伴組成，如couple walking，Leader-follower現象。
首先，對生成的行人的軌跡片段進行矢量化，得到該軌跡片段的SAM特徵。其中，所述生成的行人的軌跡片段包含所要跟蹤的行人，即目標行人的軌跡片段。接著，對在同一時刻該目標行人的軌跡片段周圍一定範圍內的軌跡片段通過聚類方法按照SAM特徵進行聚類。其中，範圍大小通常設置為3米，這樣可以避免一些異常值。需要注意的是，該目標行人的軌跡片段周圍一定範圍內的軌跡片段的運動方向和時間應與該軌跡片段一致。
然後，將上述聚類的結果用一個徑向直方圖描述，按照SAM特徵最常見的類別將該徑向直方圖分為十個區域，也即十個類別，同時該徑向直方圖表示出了所述十個類別的空間位置分布。
然後，對所述徑向直方圖進行二進位矢量化，得到SAM特徵的矢量。
最後，通過馬爾科夫鏈模型(Markov-chain model)對上述軌跡片段進行關聯，在上述軌跡片段關聯時，通過漢明距離(Hamming distance)比較兩個軌跡片段的SAM特徵的矢量，以便將運動在相似的社會關係分布中的兩個軌跡片段進行關聯，形成目標的長軌跡，最終實現對目標行人的跟蹤。
所述計算模塊用於分別計算視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離。
值得注意的是，本實施例是基於社會關係的，所以在軌跡片段關聯時，涉及到目標行人周圍三米之內的行人的軌跡。
本實施例所述的目標行人周圍行人是指：在對目標行人開始跟蹤時，存在於目標行人周圍三米之內的行人，並且這些行人運動的最終目的地與該目標行人相同。
以下以目標行人運動距離的具體計算為例進行說明：
所述計算的目標行人運動距離是指在整個跟蹤過程中目標行人運動距離。
每間隔N幀，計算一次目標行人運動距離，公式如下：
其中，x，y為目標行人的位置坐標，L為在N幀內，目標行人運動距離。
目標行人在整個跟蹤過程中的運動的距離s為：
S＝L1+L2+…+Ln。
所述目標行人周圍行人運動距離的計算方法與上述目標行人運動距離的計算方法類似，這裡不再贅述。
所述判斷模塊用於根據上述計算的視頻幀中的目標行人和其周圍行人在整個跟蹤過程的運動距離，判斷是否發生異常行為。具體而言：
對目標行人和其周圍行人在整個跟蹤過程的運動距離通過β函數進行計算，β函數也可以是方差計算函數或者是平均值計算函數。再將該目標行人的運動距離s和計算得到的β函數的值進行差值計算，如果差值大於預先設定的閾值T，則判斷為有異常行為發生，若差值小於預先設定的閾值T，則判斷為無異常行為發生。
雖然本發明參照當前的較佳實施方式進行了描述，但本領域的技術人員應能理解，上述較佳實施方式僅用來說明本發明，並非用來限定本發明的保護範圍，任何在本發明的精神和原則範圍之內，所做的任何修飾、等效替換、改進等，均應包含在本發明的權利保護範圍之內。