[发明专利]基于要素挖掘和视频分析的异常行为人群检测方法和装置

权利要求书

1.一种基于要素挖掘和视频分析的异常行为人群检测方法，其特征在于，包括：

S100、从案例文本数据库中抽取异常人群行为事件的各场景特征，通过关联规则算法挖掘各场景特征之间的关联规则，基于各场景特征之间的关联规则，构建异常人群行为事件的场景特征知识要素推理树，各场景特征包括：发生日期、发生地点、参与人数、人群行为模式和事件性质；

S200、基于异常人群行为事件的人群行为视频数据库，获取各类事件中人群的运动特征参数，生成对应的时间序列特征数据；

S300、基于获取的各类事件中人群的运动特征参数，建立异常人群行为事件的异常人群行为模式数据库；

S400、基于所述异常人群行为模式数据库，训练LSTM分类器，所述LSTM分类器包括基于LSTM神经网络的二分类模型和多分类模型；

S500、将当前视频中人群的运动特征参数对应的时间序列特征数据输入所述LSTM分类器，输出当前视频中的人群行为模式；

S600、将当前视频中的人群行为模式、发生日期、发生地点、参与人数输入所述场景特征知识要素推理树，判断是否发生异常人群行为事件，若是则输出关于事件性质的检测结果。

2.根据权利要求1所述的方法，其特征在于，S100包括：

从案例文本数据库中抽取异常人群行为事件的各场景特征；

通过关联规则算法从各场景特征之间寻找频繁项集，将支持度大于或等于预设的最小支持度阈值的项集作为频繁项集，将置信度大于或等于预设的最小置信度阈值的规则作为强关联规则；

将各场景特征之间的强关联规则转化为概率值，对各场景特征进行统计分析；

基于统计分析结果，建立场景特征知识要素推理树，对概率值小于预设阈值的分支进行剪枝操作。

3.根据权利要求1所述的方法，其特征在于，S200包括：

通过目标检测器对所述人群行为视频数据库中每个事件的人群进行检测，通过Deep-Sort算法对检测到的每个个体进行跟踪，获取各类事件中人群的运动特征参数，跟踪过程包括：运动状态估计、轨迹处理、运动匹配度和外观匹配度、级联匹配，所述运动特征参数包括人数、速度、角度、加速度、角速度。

4.根据权利要求3所述的方法，其特征在于，所述跟踪过程包括：

1)运动状态估计：在图像坐标系中，通过一个8维空间估计目标轨迹在某一个时刻的状态其中，(u,v)为预测框的中心位置，x,y为横纵坐标，r为纵横比，h为预测框高度，通过卡尔曼滤波器进行轨迹的预测和更新，(u,v,r,h)为预测变量；

2)轨迹处理：为每条轨迹设置计数器，计数器在卡尔曼滤波预测期间递增，当跟踪结果和检测结果匹配上时，将该计数器置零，如果一条轨迹在给定时间内没有匹配上检测结果，将该条轨迹删除；

对于在某帧出现无法与当前所有跟踪结果匹配的检测结果时，为该目标创建新的轨迹，如果连续三帧新创建的轨迹对目标的预测结果不能与检测结果匹配，则将该条轨迹删除，如果在三帧内能够匹配，则确认出现了新的目标轨迹；

3)运动匹配度和外观匹配度：Deep-Sort算法利用马氏距离和特征余弦距离两个指标度量检测框和预测框之间匹配程度；

4)级联匹配：从小到大对消失时间相同的轨迹进行匹配，优先考虑常见的目标，以此来解决马氏距离带来的不确定性问题。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述人群行为视频数据库中包括异常行为和正常行为的视频数据；

所述异常行为1的群体特征表现为人群聚集，所述异常行为2的群体特征表现为定向匀速运动，所述异常行为3的群体特征表现为多方向快速运动，所述异常行为4的群体特征表现为同方向快速运动，所述正常行为的群体特征表现为多方向匀速运动；

所述异常人群行为模式数据库中包括：人群聚集、定向匀速运动、多方向快速运动、同方向快速运动、多方向匀速运动五种人群行为模式。