【技術實現步驟摘要】
本專利技術涉及一種基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法、系統和可讀介質，屬于鐵路綜合視頻監控。
技術介紹
1、隨著計算機和網絡技術的飛速發展，視頻監控技術不斷進步和完善，數字化和網絡化的監控系統實現了高清的圖像質量、便捷的存儲和檢索功能，以及實時監控和遠程訪問的能力，逐漸成為主流，在各安全監控領域中逐漸得到了廣泛的應用，鐵路安全中同樣如此。鐵路綜合視頻監控系統通過實時監控和遠程管理，可以實時監控包括列車、軌道和車站等的鐵路系統的各個部分；同時通過網絡化的系統，運維人員可以便捷地遠程訪問和管理監控數據，及時發現和處理問題，鐵路系統的運輸效率和安全性隨之得到極大提高。
2、隨著鐵路綜合視頻監控系統的普及，其功能也在原有的視頻監控功能的基礎上不斷完善，尤其是隨著機器學習和大數據技術的飛速發展，越來越多的基于圖像和視頻的智能化輔助檢測功能，例如入侵檢測、圖像質量診斷等，被開發并應用于鐵路視頻監控中，通過對監控視頻的分析自動發現和報告潛在的安全問題，進一步提升了鐵路系統的安全性和運營效率。
3、在基于圖像和視頻的智能化輔助檢測功能中，對人群行為的分析檢測有著重要意義。由于鐵路車站和站臺等是人流密集的場所，在鐵路系統的監控畫面中存在大量人群聚集的場景，這為人群行為的分析提供了大量數據；同時，在這種人流密集的場所中，容易發生擁擠、踩踏等安全事故，對人群行為的分析則可以及時發現并報告事故，有效防范安全問題；另外，當其它安全事故例如自然災害發生時，車站和站臺內的人群也會出現奔跑、擁擠等異常行為，同樣可以被人
技術實現思路
1、針對上述問題，本專利技術的目的是提出一種基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法、系統和可讀介質，其采用針對性的人群行為描述符和性能要求低的分類器，實現對檢測準確性和檢測效率的平衡，形成適合實時鐵路車站監控的檢測方法。
2、為實現上述目的，本專利技術提出了以下技術方案：一種基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，包括以下步驟：采集視頻圖像，對所述視頻圖像進行預處理；將經過預處理的視頻圖像經過局部特征提取，提取出的多個關鍵點的坐標；通過稀疏特征跟蹤，獲得所述關鍵點在相鄰視頻幀之間的移動軌跡；根據每一幀上的所述關鍵點，通過delaunay三角剖分方法，生成三角形網格，所述關鍵點為頂點，相鄰所述關鍵點之間的關系為邊；根據所述三角形網格生成描述符，根據多維度的所述描述符轉化為低維度的人群狀態分類結果。
3、進一步，所述視頻圖像基于cuhk人群數據集，該數據集包含了從不同環境收集的各種密度和視角的人群視頻，具有充足的場景多樣性和大量的視頻片段；并在所述cuhk人群數據集加入室內場景中的視頻片段，以及鐵路視頻監控系統從多個車站分別采集的鐵路車站和鐵路站臺中的多個視角的人群視頻，所述視頻中包括人群靜態聚集、人群混亂聚集、人群流動聚集和人群散開的視頻片段；并同時在室內場景中模擬拍攝了部分額外的異常狀況視頻片段并加入數據集。
4、進一步，所述預處理依次包括視頻關鍵幀選取、灰度處理、降噪以及將視頻分段，將視頻分割成固定長度的片段。
5、進一步，所述視頻分段通過創建緩沖區分批處理和檢測固定長度的視頻，或者設置一個固定幀數的窗口并通過不斷輸入幀滑動窗口、分別處理和檢測每一個窗口中的視頻片段實現。
6、進一步，所述局部特征提取采用akaze特征提取方法；所述稀疏特征跟蹤采用lucas-kanade光流方法。
7、進一步，所述描述符包括：移動速度、移動方向變化程度、穩定性、集體性、沖突性、局部密度和統一性。
8、進一步，所述移動速度的計算公式為：
9、
10、所述移動方向變化的計算公式為：
11、
12、其中，dθ的計算方法為：
13、
14、所述穩定性的計算公式為：
15、
16、所述集體性的計算公式為：
17、
18、所述沖突性的計算公式為：
19、
20、所述局部密度的計算公式為：
21、
22、所述統一性的計算公式為：
23、
24、其中：
25、
26、其中，在k幀的第i個關鍵點的坐標，t是降采樣之后的兩幀之間的間隔；對于移動方向變化程度計算公式，使用所在幀及這一幀之前的一段短暫時間內的數據計算，(這一短暫時間的長度的選取取決于幀率，即由于需要計算第k幀的描述符，選取的時間不能過長，過長會導致計算結果描述一段視頻而非某一幀；同時計算時間需要足夠長，以確保覆蓋足夠的視頻幀，提供計算所需的數據。在完成時間段選取后，將所選時間段分割為f段，即f為這一段時間中降采樣之后的總幀數，t時這一段時間中降采樣的單位間隔，即從降采樣前的數據中選取第0幀、第t幀、第2t幀、……作為樣本，)分別是第i個關鍵點在第k-t幀、第k-ft幀、第k-(f-1)t幀的坐標，f是第k幀前一小段時間內降采樣之后的總幀數；在移動方向變化的計算公式中，通過求和計算了從f＝0，f＝1，f＝2，…，到f＝f-2時，d(θ)即降采樣后的相鄰兩幀中移動速度的夾角的和，f代表求和過程中的當前幀，即降采樣后的第0幀、第1幀、第2幀、……，直到第f-2幀；θ(a)、θ(b)分別為表示移動速度的任意兩個向量a、b與x軸的夾角，中，分別代表第k-ft幀和第k-(f+1)t幀第i個關鍵點的移動速度，則為第k-ft幀和第k-(f+1)t幀之間移動速度方向的變化；是第k幀中以為中心點的n階團體，是降采樣之后的上一幀中的以為中心點的n階團體；dh(x,y)是坐標集合x與y的豪斯多夫距離，為篩選出的沖突候選中的關鍵點坐標集合；σ是所選取的二維高斯核的帶寬；n為所有關鍵點的集合，ni為一個聚類中關鍵點的集合。
27、進一步，所述人群狀態分類包括：人群靜態聚集：視頻中存在有大量人群聚集的區域，聚集的人群運動較?。蝗巳夯靵y聚集：視頻中存在有大量人群聚集的區域，聚集的人群運動模式混亂；人群流動聚集：視頻中存在有大量人群聚集的區域，聚集的人群運動方向統一、運動速度快；人群散開：視頻中存在有大量人群從某一個區域四散離開的情況；未出現異常，采用多層感知器神經網絡獲得人群狀態分類結果。
28、本專利技術還公開了一種基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測系統，包括：圖像采集模塊，用于采集視頻圖像，對所述視頻圖像進行預處理；局部特征提取模塊，用于將經過預處理的視頻圖像經過局部特征提取，提取出的多個關鍵點的坐標；稀疏特征跟蹤模塊，用于通過稀疏特征跟蹤，獲得所述關鍵點在相鄰視頻幀之間的移動軌跡；空間關系獲得模塊，用于根據每一幀上的所述關鍵點，通過delaunay三角剖分方法，生成三角形網格，所述關鍵點為頂點，相鄰所述關鍵點之間的關系為邊；狀態分類模塊，用于根據所述三角形網格生成描述符，根本文檔來自技高網...
【技術保護點】
1.一種基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述視頻圖像基于CUHK人群數據集，該數據集包含了從不同環境收集的各種密度和視角的人群視頻，具有充足的場景多樣性和大量的視頻片段；并在所述CUHK人群數據集加入室內場景中的視頻片段，以及鐵路視頻監控系統從多個車站分別采集的鐵路車站和鐵路站臺中的多個視角的人群視頻，所述視頻中包括人群靜態聚集、人群混亂聚集、人群流動聚集和人群散開的視頻片段；并同時在室內場景中模擬拍攝了部分額外的異常狀況視頻片段并加入數據集。
3.如權利要求2所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述預處理依次包括視頻關鍵幀選取、灰度處理、降噪以及將視頻分段，將視頻分割成固定長度的片段。
4.如權利要求3所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述視頻分段通過創建緩沖區分批處理和檢測固定長度的視頻，或者設置一個固定幀數的窗口并通過不斷輸入幀滑
5.如權利要求1所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述局部特征提取采用AKAZE特征提取方法；所述稀疏特征跟蹤采用Lucas-Kanade光流方法。
6.如權利要求1所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述描述符包括：移動速度、移動方向變化程度、穩定性、集體性、沖突性、局部密度和統一性。
7.如權利要求6所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述移動速度的計算公式為：
8.如權利要求1所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述人群狀態分類包括：人群靜態聚集：視頻中存在有大量人群聚集的區域，聚集的人群運動較小；人群混亂聚集：視頻中存在有大量人群聚集的區域，聚集的人群運動模式混亂；人群流動聚集：視頻中存在有大量人群聚集的區域，聚集的人群運動方向統一、運動速度快；人群散開：視頻中存在有大量人群從某一個區域四散離開的情況；未出現異常，采用多層感知器神經網絡獲得人群狀態分類結果。
9.一種基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測系統，其特征在于，包括：
10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質上存儲有計算機程序，所述計算機程序被處理器執行以實現如權利要求1-8任一項所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法。
...【技術特征摘要】
1.一種基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，包括以下步驟：
2.如權利要求1所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述視頻圖像基于cuhk人群數據集，該數據集包含了從不同環境收集的各種密度和視角的人群視頻，具有充足的場景多樣性和大量的視頻片段；并在所述cuhk人群數據集加入室內場景中的視頻片段，以及鐵路視頻監控系統從多個車站分別采集的鐵路車站和鐵路站臺中的多個視角的人群視頻，所述視頻中包括人群靜態聚集、人群混亂聚集、人群流動聚集和人群散開的視頻片段；并同時在室內場景中模擬拍攝了部分額外的異常狀況視頻片段并加入數據集。
3.如權利要求2所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述預處理依次包括視頻關鍵幀選取、灰度處理、降噪以及將視頻分段，將視頻分割成固定長度的片段。
4.如權利要求3所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述視頻分段通過創建緩沖區分批處理和檢測固定長度的視頻，或者設置一個固定幀數的窗口并通過不斷輸入幀滑動窗口、分別處理和檢測每一個窗口中的視頻片段實現。
5.如權利要求1所述的基于稀疏特征跟蹤和神經網絡的鐵路車站人群異常檢測方法，其特征在于，所述局部特征提取...
【專利技術屬性】
技術研發人員：羅靜，李雪琪，李蘭心，唐瀟，朱強，
申請(專利權)人：通號通信信息集團有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。