br>[0123] 根據計算得到群組的均勻性的描述子，其中，絳和％是f 在所有幀上的平均值和方差。
[0124] 在本發明一種可選的實施方式中，若所述行為特征包括摩擦性，步驟102具體實 現時包括：
[0125] 確定每個群組的摩擦成員特征點，如果群組中的一個成員特征點的K個近鄰成員 特征點中包含其它群組的成員特征點，則將這個成員特征點作為群組的摩擦成員特征點；
[0126] 將群組G1中的每個摩擦成員特征點在群組中的相對位置進行編碼，得到位置編碼 向量L ;
[0127] 根_ 卜算得到群組的摩擦性的描述子，其中， max(·)表示按向量不同位置上的分量取最大值，s表示群組的摩擦成員特征點的個數， Sri表示根據所述仿射變換矩陣A，將群組中第i個摩擦成員特征點的所有近鄰成員特征 點的運動軌跡用A擬合后的擬合誤差的平均值。
[0128] 103、根據所述每個群組的行為特征的描述子進行相應的群體行為特征處理。
[0129] 舉例來說，本發明實施例中，可以根據上述計算得到的每個群組的集體性的描述 子進行群體集體性的行為特征分析；根據上述計算得到的每個群組的穩定性的描述子進行 群體穩定性的行為特征分析；根據上述計算得到的每個群組的均勻性的描述子進行群體均 勻性的行為特征分析；根據上述計算得到的每個群組的摩擦性的描述子進行群體摩擦性的 行為特征分析；
[0130] 舉例來說，本發明實施例中，還可以根據上述計算得到的每個群組的集體性、穩定 性、均勻性和摩擦性的描述子中任意組合進行群體行為特征的分析。
[0131] 本發明實施例根據群體中不同成員特征點的運動軌跡，將群體分為m個群組；分 別確定每個群組的行為特征的描述子；根據所述每個群組的行為特征的描述子進行群體行 為分析。因此，本發明從群組的角度分析并理解群體場景，既考慮了成員對整體的作用，又 分析了整體中成員和成員間的關系，先將整個群體分解成不同的群組，再從計算機視覺的 角度將群組的行為特征進行數字量化（群組的行為特征的描述子），最后用量化后的群組 的行為特征作用于群體行為的分析，能夠比較準確地反映了群體行為特征，解決了現有的 群體行為的檢測和分析方法中存在分析結果準確率低的問題。
[0132] 以下對圖1所示實施例所述方法的具體實現進行詳細的說明：
[0133] 圖2為對圖1所示實施例中步驟101具體實現的流程示意圖，如圖2所示，包括：
[0134] 201、通過一致性濾波對T幀視頻中的群體進行群組檢測，得到初始化群組。
[0135] 假設一段T幀視頻的群體中包含多個群組，其中，每個群組是由Ii1個成員特征 點組成的，對應叫個成員特征點有H1個運動軌跡?每個運動軌跡Zk是利用 現有的目標跟蹤算法，鎖定視頻中成員身上的一個特征點Zk進行運動跟蹤得到的T個位 置的序列·[&Χ也就是說，表示第k個特征點在第t幀上的空間位置坐標值，可以令 其中，成員特征點沒有嚴格限定，利用不同的目標跟蹤算法會得到不同的 成員特征點，一般是角點、邊緣點或具有特定紋理特征的點。
[0136] 其中，一致性濾波是一種通過衡量成員特征點之間一致性運動進行群組檢測的方 法。它首先在每兩幀之間檢測不同運動軌跡之間的相似性，在處理完所有幀之后，再對整個 視頻做一次關聯整合，將運動比較一致的成員特征點組合成一個群組。本發明實施例中的 一致性濾波可以換成其他方法，現有的其他群組檢測算法，都可以用來這里作為初始化群 組估計算法。
[0137] 本實施例中的初始化群組可以描述為ICi ，r大于1。
[0138] 202、隨機選擇一個初始化群組C1，根據其成員特征點的運動軌跡長短和變化找出 一個成員特征點代表
[0139] 其中，成員特征點代表 < 具有最長的運動軌跡和最小的方向變化。
[0140] 203、根據成員特征點代表 <，選擇初始化群組C1的種子成員特征點集合Siq
[0141] 其中，初始化群組C1的種子成員特征點按以下標準來選擇：
[0142] 首先，種子成員特征點也是初始化群組C1中的成員特征點；
[0143] 其次，根據初始化群組C1中其他成員特征點的運動軌跡和成員特征點代表^的運 動軌跡，利用公另
計算初始化群組Ci中其他成員特征點的運動速度和成 員特征點代表< 的運動速度的相似度，若相似度大于預設閾值η，則將所述其他成員特征 點作為初始化群組C1的種子成員特征點，加入到初始化群組C1的種子成員特征點集合S1 中。
[0144] 也就是說，種子成員特征點和成員特征點代表Γ)的速度相似度較大，即滿足下面
公另 ^其中，一個成員特征點的運動速度根據運動軌跡 表示為： f I.?. Vz = [Z1-Z2, Z2-Z3,... Zt ^Zt]，即相鄰兩幀位置相減得到的差分向量。其中，< >表 示向量內積，表示向量的范數相乘，η是預設的閾值。
[0145] 204、根據種子成員特征點集合S1學習獲得仿射變換矩陣Α。
[0146] 其中，仿射變換矩陣A是一個最優的參數，表示一個群組內的所有成員特征點都 是按照A所限定的方式運動，可以使得每個群組的馬爾科夫鏈公式? 1 = /; - JZf1擬合所有 種子成員特征點的運動軌跡的誤差最小。其中，6 滿足高斯概率模型，Vt是高斯噪 聲，A作為高斯概率模型的參數，可以通過現有的參數估計方法得到，如最大似然估計方法， 本發明并不對此進行限制。其中，馬爾科夫鏈可以用于描述群組每個成員特征點的運動。
[0147] 205、對初始化群組C1進行修正。
[0148] 計算初始化群組C1中的每個成員特征點的運動軌跡用A擬合后的擬合誤差E，也 就是說，用馬爾科夫鏈擬合初始化群組C 1中的每個成員特征點z的運動軌跡，擬合的誤差 表示為
[0149] 可選地，步驟205之后包括：
[0150] 206、將初始化群組C1中擬合誤差e大于等于預設的閾值δ的成員作為新的群組 加入到初始化群組中。
[0151] 207、將初始化群組C1中擬合誤差e小于預設的閾值δ的成員加入到修正后的群 組G1中。
[0152] 上述步驟206之后，還包括：
[0153] 重復步驟202-205,直到所有初始估計群組都得到修正，得到m個修正后的群組
[0154] 基于圖2得到m個修正后的群組IGX1，分別計算每個修正后的群組G1的行為特 征的描述子，其中，本實施中，群組的行為特征包括集體性、穩定性、均勻性和摩擦性。
[0155] 可選地，本發明實施例中計算每個修正后的群組的集體性的描述子包括：
[0156] 根據上述圖2得到的仿射變換矩陣A，將群組G1中的所有成員特征點的運動軌跡 用A擬合后的擬合誤差的平均值作為群組G1的集體性的描述子，具體地：
[0157] 根據公：
計算得到群組的集體性的描述子，其中， Ig1I表示群組G1中的成員特征點個數，擬合誤差€ <>
[0158] 本發明實施例中，根據群組G1的每個成員特征點的近鄰成員特征點位置變化情 況，提出三種群組穩定性描述子。
[0159] 可選地，計算每個修正后的群組的穩定性的描述子1具體包括：
[0160] 根據公?
計算得到群組的穩定性的描述子， 其中，死是群組中成員特征點Z在第t幀的K個近鄰成員特征點的集合，K是群組中成員 特征點z的近鄰成員特征點的個數
I示在群組G1中第一 幀屬于z的K近鄰成員特征點的集合且在最后一幀不屬于z的K近鄰成員特征點的集合中 的成員的個數。
[0161] 可選地，計算每個修正后的群組的穩定性的描述子2具體包括：
[0162] 根據公￥
計算得到群組的穩定性的描述子2 ;即將群組 G1中的所有成員特征點的所述計算的直方圖的平均直方圖作為群組G1的穩定性的描述子 0Για) 1 ^
[0163] 其中，h (Z)由以下過程得到：
[0164] 1、將群組中的每個成員特征點z在每一幀上的K個近鄰成員特征點按與z的距離 由大到小排序；
[0165] 2、采用Levenshtein距離< 比較第t幀和第t-Ι幀的排序結果，兩幀排序完全相 同則< =G，兩幀所有近鄰成員特征點的排序都不同則4 ^
[0166] 其中，Levenshtein距離是用來計算字符串之間相似性的一種算法。它包含三種 基本編輯操作，分別是插入、刪除，和交換，將一個字符串通過這三種操作轉換為另一個字 符串，以最少操作個數作為兩個字符串之間的Levenshtein距離。兩串排序可以看作兩 個字符串，所以只要能夠計算字符串距離的算法都可以用來計算排序結果的相似性，例如 Needleman 算法等。
[0167] 3、計算所有T幀的結果?ξ，并統計出0到K值的直方圖h (z)。
[0168] 可選地，計算每個修正后的群組的穩定性的描述子3具體包括：
[0169] 根據公：
才算得到群組的穩定性的描述子3,即將群 組中的所有成員特征點的所述計算的概率分布差異的平均值作為群組G1的穩定性的描述 子
[0170] 其中S1^(Z)由以下過程得到：
[0171] 1.假設群組G1中每個成員特征點ζ都可以隨機游走，即允許每個成員特征點可以 離開它當前的近鄰成員特征點，并轉移到其它成員特征點附近形成新的近鄰成員特征點。 令轉移概率矩陣P e Rnxn為P = D 1W ;
[0172] 其中D是一個對角矩陣，每一個對角元1
兩個成 員特征點之間的距離的平方，σ 2是預設的常數，矩陣W第i行第j列的元素為I,。
[0173] 2.令群組G1中第i個成員特征點的轉移概率分布為c^zEja-aP) Μ];其中 I是單位矩陣，Ei = G1,... en)是一個指示向量,其中,第i個分量e; = 1,其它分量都為0, a = 0. 9/K ；
[0174] 3.計算群組G1中的每個成員特征點在第一幀和最后一幀的轉移概率分布qi之間 的概率分布差異，得到S ia(Z)。
[0175] 上述概率分布差異是兩個概率分布差別的度量，可以有其他替換算法，只要是 度量兩種概率分布相似性的算法都可以，例如相對熵、地球移動距離（Earth Mover' s Distance, EMD)等。
[0176] 本發明實施例中，還可以結合上述三種穩定性的描述子，得到群組G1最終的穩定 性描述子 Ο:
[0177] 可選地，本發明實施例中計算每個修正后的群組的均勻性的描述子具體包括：
[0178] 根據群組的聚集程度，將群組G1在每一幀上分為最優個數f的子群組；
[0179] 根據，計算得到群組的均勻性的描述子，其中，七和^是f 在所有幀上的平均值和方差。
[0180] 具體地，令每個群組G1可以繼續分割成更小的子群組，指定子群組的數目c， 通過聚類方法，可得到C個子群組IV 1,...，VJ，定義一個反映群組聚集程度的量：
[0181] 其中
越大，表明分割出的每個子群組越聚攏， 分割效果也越優。給定不同的子群組數目U，...，c}，計算最優子群組分割數目V = argmax。E {1_ ^}Q。；越不均勻的群組，最優子群組分割數目越大。
[0182] 均勻性的描述子由f在不同幀上的平均值&和％來衡量，即
[0183] 可選地，本發明實施例中計算每個修正后的群組的摩擦性的描述子具體包括：
[0184] 將群組中的每個摩擦成員特征點在群組中的相對位置進行編碼，得到位置編碼向 量L;根據0^構）^徽_廠％計算得到群組的摩擦性的描述子，其中，s， 表示根據所述仿射變換矩陣A，將群