基于集群軌跡分類的集群場景智能監控方法及系統的制作方法
【技術領域】
[0001] 本發明設及計算機視覺領域，是一種基于跟蹤算法和主題模型，通過對監控設備 拍錄的監控視頻的圖像序列進行自動分析，對動態場景中的目標進行定位、識別和跟蹤，并 在此基礎上分析和判斷目標的行為，從而做到能夠進行日常管理，又能預測異常行為，并且 及時對異常行為進行報警W及應急處理。與傳統智能監控系統相比，本發明能夠應用于各 種場景，尤其是集群場景，具有智能化強，應用廣的優勢。
【背景技術】
[0002] 隨著社會的發展，各類恐怖襲擊和危險暴力犯罪越來越嚴重的威脅國民的生命財 產安全，有效地打擊各類犯罪和有效的預防制止恐怖襲擊是各個國家關注的核屯、問題。針 對該一核屯、關注問題，監控視頻可W有效的記錄犯罪和恐怖襲擊現場，為相關部分預防預 警W及事后的調查取證工作，提供有效的視頻數據和線索。
[0003] 針對監控視頻的智能化處理有=個關鍵的問題；（1)監控視頻作為大數據的一個 典型代表，及時有效的傳輸極為重要，及時是指低延遲的使得觀察者所見即所得，有效的傳 輸指的是視頻在不丟失視頻帖和保持高分辨率的情況下，仍然可W實現高效傳輸（2)來自 監控的網絡的多個視頻監控設備的數據往往需要保存數日，甚至數月，對于存儲介質和壓 縮技術來說都是一個不小的挑戰，同時，有效的存儲方案和壓縮技術使得監控系統的成本 大幅下降（3)經過傳輸和存儲，真正產生價值的是智能視頻監控系統最核屯、的部分一一數 據的智能分析，該里的智能，主要就是指對視頻場景W及場景中目標的行為進行數學建模， 根據目標的靜態信息（外形、穿著）和動態信息（軌跡、步態、動作）進行行為識別，可自動 捕獲異常行為，對于集群場景來說，智能分析還包括了有效的檢查和分析集群的運動模式， 同時自動分析集群內部個體之間的交互行為。
[0004]目前，隨著網絡技術的推進，監控視頻的傳輸和保存都得到了大幅度的改進，但 是，由于對于監控視頻的智能分析沒有得到有效地解決，造成了只能監控系統的發展瓶頸。
[0005] 另一方面，近些年隨著計算機的普及和計算機視覺大發展，計算機是各行各業必 不可少的工具。本發明所需要的硬件設備僅僅是一臺計算機和一個攝像監控設備，使用者 無需增添任何設備，大大增強了系統使用的便利性。
【發明內容】
[0006] 本發明目的在于提出一個基于集群軌跡分類的集群場景智能監控方法及系統，由 計算機對監控視頻進行智能分析。
[0007] 本發明提出了一種基于集群軌跡分類的集群場景智能監控方法，其包括如下步 驟：
[000引步驟1 ;采用跟蹤算法對監控視頻中的運動目標進行定位、識別和跟蹤，獲取場景 中運動目標軌跡；
[0009]步驟2;采用全局一致馬爾科夫隨機場模型尋找時空一致的不同運動目標軌跡， 利用生成樹算法對所述時空一致的不同運動目標軌跡構造能量最大完整軌跡；
[0010] 步驟3 ;采用基于置信關聯主題模型對所構造的能量最大完整軌跡進行建模，并 根據所建模型學習所述能量最大完整軌跡的中層特征，并利用學習得到的中層特征對所述 能量最大完整軌跡進行重描述；
[ocm] 步驟4;采用多類支持向量機分類器對利用中層特征重描述后的能量最大完整軌 跡進行分類；
[001引步驟5 ;基于置信的關聯主題模型和多類支持向量機分類器訓練的模型，利用最 小信息滴算法確定所述能量最大完整軌跡中每一條運動目標軌跡的類別。
[0013] 本發明還提高了一種基于集群軌跡分類的智能監控系統，其包括：
[0014] 目標跟蹤模塊；采用跟蹤算法對監控視頻中的運動目標進行定位、識別和跟蹤，獲 取場景中運動目標軌跡；
[0015] 能量最大完整軌跡構造模塊：采用全局一致馬爾科夫隨機場尋找時空一致的不同 運動目標軌跡，利用生成樹算法對所述時空一致的不同運動目標軌跡構造能量最大完整軌 跡；
[0016] 能量最大完整軌跡特征表達模塊；采用基于置信關聯主題模型對所構造的能量最 大完整軌跡進行建模，并根據所建模型學習所述能量最大完整軌跡的中層特征，并利用學 習得到的中層特征對所述能量最大完整軌跡進行重描述；
[0017] 能量最大完整軌跡分類模塊：采用多類支持向量機分類器對利用中層特征重描述 后的能量最大完整軌跡進行分類；
[0018] 運動目標軌跡分類模塊；基于置信的關聯主題模型和多類支持向量機分類器訓練 的模型，利用最小信息滴算法確定所述能量最大完整軌跡中每一條運動目標軌跡的通道類 另IJ。本發明有益的效果是；實現了監控視頻的智能分析，并且針對復雜混亂的集群場景，同 樣能夠達到準確有效的智能分析，提出一種從低級視覺線索（由時間軸連續的軌跡點（如 位置、速度等）構成的軌跡片段）通過構造中層特征（可視化在場景中就是"通道"）檢測 到高級語義（運動目標的行為，如"從A口入B口出"）的方法。
【附圖說明】
[0019] 圖1是本發明中集群場景智能監控方法流程圖；
[0020] 圖2是場景結構先驗圖，2(a)為紐約火車站場景，2(b)為交通十字路口場景；
[0021] 圖3是本發明中完整軌跡和片段軌跡的示意圖；
[0022] 圖4是本發明中軌跡連接后的示意圖；
[0023] 圖5是本發明中基于置信的關系主題模型的圖模型；
[0024] 圖6是利用本發明進行智能分析得到場景中集群運動的通道圖，其中圖6(a)為紐 約火車站場景，圖6(b)為交通十字路口場景。
【具體實施方式】
[0025] 為使本發明的目的、技術方案和優點更加清楚明白，W下結合具體實施例，并參照 附圖，對本發明作進一步的詳細說明。
[0026] 圖1示出了本發明提出的一種集群場景智能監控方法流程圖。如圖1所示，該方 法包括：
[0027]步驟1、目標跟蹤；采用跟蹤算法，加入場景先驗信息，對監控設備獲取的監控視 頻中的運動目標進行定位、識別和跟蹤，獲取場景中的多運動目標軌跡；
[002引步驟2、軌跡連接；采用全局一致馬爾科夫隨機場尋找時空一致的不同軌跡，利用 生成樹算法構造能量最大完整軌跡；
[0029] 步驟3、特征描述；采用基于置信的關聯主題模型炬eliefbasedCorrelated TopicModel，BCTM)建模，對所構造的最大完整軌跡進行中層特征描述，學習得到相應的中 層特征描述的軌跡；
[0030] 步驟4、完整軌跡分類：采用多類支持向量機分類器訓練，對通過基于置信的關聯 主題模型學習得到的特征軌跡進行分類；
[0031] 步驟5、軌跡分類；用基于置信的關聯主題模型和多類支持向量機分類器訓練的 模型，利用最小信息滴算法確定完整軌跡中每一條軌跡的類別。
[0032] 一、下面結合附圖和實施例對本發明提出的上述方法作詳細描述。
[0033] 步驟1、目標跟蹤；該步驟中采用跟蹤算法對監控視頻中的運動目標進行定位、識 別和跟蹤，獲取場景中運動目標軌跡；該步驟中采用關鍵點跟蹤器，加入監控場景的先驗信 息，獲取連續的視頻圖片帖中多運動目標的運動軌跡；
[0034] 關鍵點跟蹤化3113(16-山033-1'〇1]133；[，化1')作為一種目標跟蹤器被廣泛應用于目 標跟蹤，可選地，本發明利用該種跟蹤器獲取監控視頻中運動目標的軌跡。當然，本發明其 他實施例中還可W選擇使用其他類型的跟蹤器，用于獲取監控視頻中運動目標的軌跡。
[0035] 利用KLT跟蹤器獲取監控視頻中運動目標的軌跡包括：
[0036] 步驟11、首先把監控設備錄制的監控視頻通過現有的視頻轉換程序轉換成時間軸 上連續的視頻圖片帖。
[0037] 步驟12、采用關鍵點跟蹤器算法獲取時間軸上連續的視頻圖片帖中運動目標的運 動軌跡。一條軌跡可W表示為；{1，（S，h)，（Xti，yti，ti)，. . .，（Xt。，yt。，t。)}，其中，1 是軌跡 長度，即軌跡包含軌跡點的個數，表示軌跡點的ti時刻運動目標的位置為（Xti， Yti)，（s，h)表示軌跡進口和出口的信息。
[003引如圖2(a)和2(b)所示，其分別是紐約火車站場景和交通場景的結構圖，楠圓區域 是場景的進出口區域。軌跡的初始點