一种用于智慧安防的人群聚合特征分析方法和系统技术方案

一种用于智慧安防的人群聚合特征分析方法，包括如下步骤：S1，在安防监控的人群视频画面中提取运动个体目标，并分析运动个体目标的运动行为特征；S2，根据运动个体目标的运动行为特征，对人群进行架构分析。基于本方法，设计对应系统，将运动个体目标的运动行为特征与人群的架构结合，利用人群结构化程度，对人群的状态进行判断，避免了现有技术中人群整体架构分析的繁琐步骤的同时，提高了分析结果的准确性，也提高对人群架构分析的效率，有利于依据人群结构化的程度，对不同类型的人群采取不同等级的指标监测，使指标监测具有针对性和准确性。

【技术实现步骤摘要】
一种用于智慧安防的人群聚合特征分析方法和系统
本专利技术涉及视频安防监控
，更具体地说是涉及一种用于智慧安防的人群聚合特征分析方法和系统。
技术介绍
对于车站、广场、建筑物廊道等普遍存在人群聚集现象的公共空间而言，视频安防监控的关注对象不应仅局限于特定的个人，例如逆行、停滞、倒地等存在异常行为动作者，也应该关注由一定数量的特定个人聚合在一起形成的人群；这些特定个人彼此之间可能是共同出行者，也可能是陌生人，但在移动过程中由于空间接近而聚合在一起，形成人群；在公共空间中，人群聚合现象非常普遍，因此，分析人群聚合特征，对维护公共空间的安全和交通顺畅非常重要，例如通过分析人群聚合特征，可以关注到存在混乱拥挤踩踏风险或者存在滞留拥堵可能性的重点人群，进而给与疏导、分流等举措。但是，分析人群的聚合特征与分析特定个人的行为特征相比，要复杂很多，首先，人群中的个人的行为既受到人群的影响又反作用于人群，大量的研究实践证明，人群的混乱、踩踏等严重异常往往都是先由一个或者少数个个人的行为造成的，但是个人与人群的关系、对人群的影响都存在很大的多样性，什么情况下一个或者少数个个人的行为会造成整个人群的异常、什么情况下并不会明显反作用给人群，难以判断；其次，个体的正常行为和异常行为从表象上看存在明显的差异，而且各种状态的人群的外在表象，在出现比较大的异常前都很近似，难以展开有效的预测和分类。因此，如何判断人群的状态，以及一个或者少数个人的行为对人群的影响程度，进而依据人群的特征采取不同等级的指标监测，是本领域技术人员亟待解决的问题。
技术实现思路
有鉴于此，本专利技术提供了一种于智慧安防的人群聚合特征分析方法和系统，通过对人群中个体目标的运动行为特征进行分析，以及两两比对，获取人群均一性指标值和约束性指标值，进而对人群进行架构分析，并判断其结构化程度，以期根据不同的人群聚合特征，采取不同等级的指标监测。为了实现上述目的，本专利技术采用如下技术方案：一种用于智慧安防的人群聚合特征分析方法，包括如下步骤：S1，在安防监控的人群视频画面中提取运动个体目标，并分析运动个体目标的运动行为特征；S2，根据运动个体目标的运动行为特征，对人群进行架构分析。优选的，还包括如下步骤：预先在公共空间安装监控设备，采集人群视频画面。优选的，运动个体目标的确定包括以下两种方式：人群密度小于预先设定的阈值时，选取人群中每个运动个体作为运动个体目标；人群密度大于预先设定的阈值时，从人群中选取一定比例的样本运动个体作为运动个体目标；由于公共空间的人群密度不固定，若密度较大时，还对运动个体逐一的进行运动行为特征分析，会降低分析效率，增加分析的时间，为了在最大限度上提高对人群中运动个体的运动行为特征分析的准确度，同时提高对运动行为特征分析的效率，针对不同的人群密度，提供了以上两种运动个体目标的选取方式。优选的，所述S2包括如下步骤：S21，逐一对运动个体目标的运动行为特征以及运动行为特征的变化率进行两两比较，获取两两之间的运动行为特征的均一性指标值以及约束性指标值；S21，分别对均一性指标值和约束性指标值进行直方图统计，获取均一性指标值和约束性指标值的分布区间；S23，根据均一性指标值和约束性指标值的分布区间，判断人群的聚合方式，以及分析人群聚合的结构化程度。具体的，由于在结构化的人群中，个体的分布和运动受到物理空间、行为习惯、周围人影响的制约，且都遵循潜在的结构性的约束，个体的运动行为特征在具备约束性的同时呈现较强的均一性，因此获取均一性指标值和约束性指标值有利于对人群是结构化聚合还是非结构化聚合进行判断；S21-S23具体细化了对人群架构分析的步骤，将运动个体目标的运动行为特征和运动行为特征变化率进行逐一的两两比较，获取选取的运动个体目标之间均一性和约束性的全部数据，并以数组的形式呈现，有利于后续进行直方图统计，通过直方图的形式将均一性指标值和约束性指标值呈现出来，有利于直观的获取均一性指标值和约束性指标值的分布状态，直方图中每个组距的频数高度越趋于一致，则证明该人群的均一性和约束性越强，结构化的程度越高，若直方图中每个组距的频数高度相差越大，则证明该人群的均一性和约束性越弱，结构化程度越低，该人群越趋于非结构化聚合，因此使用直方图有利于对人群整体的均一性和约束性进行分析，避免由于人群中的个例，影响对人群整体架构的判断，使用上述方式进行人群架构的分析准确度高。优选的，所述S23中人群的聚合方式包括结构化聚合和非结构化聚合；处于结构化聚合的人群中的个体目标的分布和运动遵循结构性的约束，个体目标的运动行为特征呈现较强的均一性。优选的，均一性指标值M＝{αP1-P2*CP1-P2、αP1-P3*CP1-P3…αP1-Pn*CP1-Pn…αPi-Pi+1*CPi-Pi+1、αPi-Pi+2*CPi-Pi+2…αPi-Pn*CPi-Pn…αPn-1-Pn*CPn-1-Pn}；其中，n表示运动个体目标的数目，P表示运动个体目标的运动行为特征，C表示两个运动个体目标的运动行为特征之间的一致性，α表示均一性权重，均一性权重与运动个体目标之间的距离成正比；约束性指标值N＝{β△P1-△P2*E△P1-△P2、β△P1-△P3*E△P1-△P3…β△P1-△Pn*E△P1-△Pn…β△Pi-△Pi+1*E△Pi-△Pi+1、β△Pi-Pi+2*E△Pi-△Pi+2…β△Pi-△Pn*E△Pi-△Pn…β△Pn-1-△Pn*E△Pn-1-△Pn}；其中，n表示运动个体目标的数目，△P表示运动个体目标的运动行为特征的变化率，E表示两个运动个体目标的运动行为特征变化率之间的一致性，β表示约束性权重，约束性权重与运动个体目标之间的距离成反比。具体的，两个运动个体目标之间的距离越近，运动行为特征越容易具备一致性，同理距离越远，越不容易具备一致性，若距离较远的两个运动个体目标之间还具备一致性，则说明两个运动个体目标的均一性较强，因此设定距离远的两个运动个体目标的均一性权重大；由于两个距离较近的运动个体目标之间的约束性强，距离远的运动个体目标的约束性弱，因此运动个体目标的运动行为变化率受距离近的运动个体目标的影响大，则设定距离近的两个运动个体目标的约束性权重大。基于上述方法，设计如下系统：一种用于智慧安防的人群聚合特征分析系统，包括个体特征分析模块、人群架构分析模块；其中，所述个体特征分析模块用于在安防监控的人群视频画面中提取运动个体目标，并分析运动个体目标的运动行为特征；所述人群架构分析模块用于根据运动个体目标的运动行为特征，对人群进行架构分析。优选的，运动个体目标的确定包括以下两种方式：人群密度小于预先设定的阈值时，选取人群中每个运动个体作为运动个体目标；人群密度大于预先设定的阈值时，从人群中选取一定比例的样本运动个体作为运动个体目标。优选的，所述人群架构分析模块包括比较单元、统计单元以及分析判断单元；其中，所述比较单元用于逐一对运动本文档来自技高网...

【技术保护点】
1.一种用于智慧安防的人群聚合特征分析方法，其特征在于，包括如下步骤：/nS1，在安防监控的人群视频画面中提取运动个体目标，并分析运动个体目标的运动行为特征；/nS2，根据运动个体目标的运动行为特征，对人群进行架构分析。/n

【技术特征摘要】
1.一种用于智慧安防的人群聚合特征分析方法，其特征在于，包括如下步骤：
S1，在安防监控的人群视频画面中提取运动个体目标，并分析运动个体目标的运动行为特征；
S2，根据运动个体目标的运动行为特征，对人群进行架构分析。


2.根据权利要求1所述的用于智慧安防的人群聚合特征分析方法，其特征在于，运动个体目标的确定包括以下两种方式：人群密度小于预先设定的阈值时，选取人群中每个运动个体作为运动个体目标；人群密度大于预先设定的阈值时，从人群中选取一定比例的样本运动个体作为运动个体目标。


3.根据权利要求1所述的用于智慧安防的人群聚合特征分析方法，其特征在于，所述S2包括如下步骤：
S21，逐一对运动个体目标的运动行为特征以及运动行为特征的变化率进行两两比较，获取两两之间的运动行为特征的均一性指标值以及约束性指标值；
S21，分别对均一性指标值和约束性指标值进行直方图统计，获取均一性指标值和约束性指标值的分布区间；
S23，根据均一性指标值和约束性指标值的分布区间，判断人群的聚合方式，以及分析人群聚合的结构化程度。


4.根据权利要求3所述的用于智慧安防的人群聚合特征分析方法，其特征在于，所述S23中人群的聚合方式包括结构化聚合和非结构化聚合；处于结构化聚合的人群中的个体目标的分布和运动遵循结构性的约束，个体目标的运动行为特征呈现较强的均一性。


5.根据权利要求1所述的用于智慧安防的人群聚合特征分析方法，其特征在于，
均一性指标值M＝{αP1-P2*CP1-P2、αP1-P3*CP1-P3…αP1-Pn*CP1-Pn…αPi-Pi+1*CPi-Pi+1、αPi-Pi+2*CPi-Pi+2…αPi-Pn*CPi-Pn…αPn-1-Pn*CPn-1-Pn}；其中，n表示运动个体目标的数目，P表示运动个体目标的运动行为特征，C表示两个运动个体目标的运动行为特征之间的一致性，α表示均一性权重，均一性权重与运动个体目标之间的距离成正比；
约束性指标值N＝{β△P1-△P2*E△P1-△P2、β△P1-△P3*E△P1-△P3…β△P1-△Pn*E△P1-△Pn…β△Pi-△Pi+1*E△Pi-△Pi+1、β△Pi-Pi+2*E△Pi-△Pi+2…β△Pi-△Pn*E△Pi-△Pn…β△Pn-1-△Pn*E△Pn-1-△Pn}；其中，n表示运动个体目标的数目，△P表示运动个体目标的运动行为特征的变化率，E表示两个运动个体目标的运动行为特征变化率之间的一致性，β表示约束性权重，约束性权重与运动个体目标之间的距离成反比。


6.一种用于智慧安防的人群聚合特征分析系统，其特征在于，包括个体特征分析模块(1)、人群架构分析模块(2)...

【专利技术属性】
技术研发人员：鲍敏，
申请(专利权)人：重庆特斯联智慧科技股份有限公司，
类型：发明
国别省市：重庆;50