【技术实现步骤摘要】
本专利技术涉及一种视频分析与图像理解领域的人群异常行为检测方法，具体地说，是涉及。
技术介绍
人群异常行为检测是视频监控与图像分析领域的前沿课题和研究难点，在公共场所监控(如机场、地铁站、校园等)、安全管理等领域有着迫切需求，如犯罪行为报警、多路视频筛选、长视频中的事件检索等等。人群行为分析的方法取决于人群的规模和运行模式对于规模较大且具有共同运 动模式的人群，往往将其看作一个整体，从群体的全局外部表现入手分析其宏观特性；对于极小规模人数的场景，适合从微观角度入手，利用目标的运动轨迹或姿态去识别人群行为。以上方法的局限在于宏观分析的方法忽视了个体的位置、运动方向等特征，无法应用在行人运动无共同物理规律的场合；微观分析的方法无法应用在人数较多且相互间存在遮挡的人群，此时识别个体的姿态并不可行。现实生活中的常见人群通常具有中等规模且运动模式松散，行人的运动方向和速度较为自由，因此无法利用宏观的方法进行识别，同时，行人间相互遮挡较为严重，难以识别个体姿态。因此，检测和分析常规中等规模人群，应综合考虑人群的宏观和微观特性，结合宏观与微观的方法，从个体的运动轨迹出发，并依此在宏观层面进一步表达、分析人群，进而检测异常事件。
技术实现思路
本专利技术的目的是通过视频图像分析技术解决运动模式较为松散的中等规模人群的异常行为分析问题。为了实现上述目的，本专利技术提供了，其步骤包括如下内容步骤一依据社会力模型来表达人群目标间的作用力和构建其因果认知模型；针对视频中一运动行人目标i，依据该目标的位置、速度参数，利用社会力模型计算目标i的受力状态，所述的社会力模型主要考虑影响目标...
【技术保护点】
一种基于因果网络分析的中等规模人群异常行为检测方法，其特征在于：其步骤包括如下内容：步骤一依据社会力模型来表达人群目标间的作用力和构建其因果认知模型；步骤二定量评估目标间的因果关联程度，根据目标受力的大小与方向，依据因果认知概念表达人群目标间的相互影响，构建描述人群行为的因果认知的复杂网络；步骤三依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂网络的结构和功能特性，构建人群因果认知复杂网络模型，计算网络特征参数，通过分析网络特征参数的变化来分析人群行为，检测人群异常行为和检测异常事件的发生。
【技术特征摘要】
1.一种基于因果网络分析的中等规模人群异常行为检测方法，其特征在于其步骤包括如下内容步骤一依据社会力模型来表达人群目标间的作用力和构建其因果认知模型；步骤二定量评估目标间的因果关联程度，根据目标受力的大小与方向，依据因果认知概念表达人群目标间的相互影响，构建描述人群行为的因果认知的复杂网络；步骤三依据Granger因果关联检验定量评估目标间的因果关联度，结合目标间的因果关联度及其因果认知概念表达，分析复杂网络的结构和功能特性，构建人群因果认知复杂网络模型，计算网络特征参数，通过分析网络特征参数的变化来分析人群行为，检测人群异常行为和检测异常事件的发生。2.根据权利要求1所述的一种基于因果网络分析的中等规模人群异常行为检测方法， 其特征在于步骤一所述的社会力模型主要考虑影响目标的三个因素目标i自身的主观意图即个人期望力，其他行人对目标i的作用，即社会关系影响力，以及环境对目标i的影响，即环境影响力，目标i最后的运行状态由这三个力决定，计算公式如下Fi = Fipers + Fisoc + Fiphys其中，Fipers为目标的个人期望力，Fisoc为社会关系影响力，Fiphys为环境影响力。3.根据权利要求1所述的一种基于因果网络分析的中等规模人群异常行...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。