CN104700434A - 一种用于复杂结构化场景的人群运动轨迹异常检测方法 - Google Patents

Abstract

本发明公开一种用于复杂结构化场景的人群运动轨迹异常检测方法，包括如下步骤：提取监控视频历史数据中复杂结构化场景内的人群运动轨迹并对人群运动轨迹进行分段，得到人群分段运动轨迹；对人群分段运动轨迹进行基于最大最小距离的多中心聚类算法的学习，得到各人群分段运动轨迹类；提取监控视频当前数据中复杂结构化场景内的人群运动轨迹，并根据各人群分段运动轨迹类，对监控视频当前数据中复杂结构化场景内的人群运动轨迹进行基于LOF算法的异常检测。本发明所述技术方案对于复杂结构化场景中的异常检测相对于现有技术中的其他算法具有高鲁棒性、适用性、有效性和高效性，能够很好的满足实际需求。

Description

一种用于复杂结构化场景的人群运动轨迹异常检测方法

技术领域

本发明涉及智能视频监控技术中的复杂结构化场景处理。更具体地，涉及一种用于复杂结构化场景的人群运动轨迹异常检测方法。

背景技术

近些年，智能视频监控在众多行业及其相关领域中得到了普遍的运用。目前大部分中型以上的小区都设置有安全监控，林业牧业部门为了预防山林火灾设立了火警火情监控，交通部门也以追踪违章车辆违章、观测道路流量为目的设立了道路监控等等。有报道(J.Vlahos..Surveillance society:Newhigh-tech cameras are watching you..Popular Mechanics,2008年，第2卷，第3期，页码:64-69.)指出，至2008年，已经有多达3000多万个视频监控设备被安置在美国的各大公共场所，这些监控设备每周可产生至少40亿小时的场景监控数据；2008奥运会在中国北京举行期间，安防部门为了保卫各国领导人、运动员以及观赛观众而进行了充分的监测工作，大约30万台摄像机被用于监控奥运会馆内发生的所有情况；据有关部门记录，在2010年前北京市内的人口总体数量就已经快要突破2000万人，而市内的监控摄像头数量也已投放近40余万台，也就是说大约平均每一千人就会有约20台的监控摄像头来监测其动态行为；更有报道称，2014年我国仅山东省一省之内，就有超过200万台的视频监控设备被置于各公共场所。从实际的使用功能上来看，公共场所的智能视频监控不仅可以用于安全预防，还可以用于场景结构信息的获取、人群的指挥调度以及公共空间的结构设计等方面。而视频监控技术正是为了处理那些由视频监控设备捕获的监控数据而产生的。

早在20世纪末，就已有相关众学者(吴建国..视频监控系统的发展趋势..云南：云南警官学院,学位论文.2011年)对大中型城市的智能监控及其相关应用进行了一定的研究和开发。同时，由政府推动进行的“平安城市”及“数字城市”等重大科学研究项目也对现有的视频监控系统提出了新的挑战。传统的视频监控技术主要依赖于监控人员对场景中视频监控设备获取的监测图像进行查看，并进行简单的分析。然而随着网络的迅速发展，使得监控图像的获取和传输日趋便捷，同时由于视频监控系统的规模逐步扩大，海量的图像信息仅靠人工实时查看和分析，效率极低并极易错过重要信息(王晨.智能视频监控系统设计.南京：南京理工大学.学位论文：2007.)。有相关的军事实验对这一结论进行了验证，实验结果显示如果同一个监测人员长时间观察超过2个视频监视器，经过十几分钟以后，将会错过约45％的场景，经过二十几分钟后，可能会错过近95％的场景。其次，在许多恶劣的环境中人工无法长时间工作，仅依靠普通的视频监控设备无法实现智能警报，发生异常情况却也无法及时的监测到，只能在事后进行调阅取证，却错过了处理的最佳处置时机。大量的无用监控信息，会淹没一部分有用信息，从而使得有用信息的获取变得更加不易。此外，在传统的视频监控技术中需要传输和保存大量的视频数据，所以对带宽和存储资源的要求较高，然而这些数据中大部分都是没有实际研究意义的无用数据，因此常常会而造成严重的浪费。由此可以看出发展智能的视频监控系统是整个社会发展的迫切需要。

为了满足市场发展的需求，智能化的视频监控技术及其相关应用得到了广泛的研究。智能视频监控是一种以计算机视觉为基础，分析公共场所内捕获的视频图像，并进一步获取场景中的有效信息，从而对异常事件进行检测、对语义行为机进行预测的监控方式。由于应用型计算机拥有良好的信息处理能力，新型的视频监控技术通常采用大中型计算机来对监控数据进行快速、有效的剖析，去除那些用户不关心的、无实际意义的场景及人群信息，仅为监控者提供有用的关键信息。在面对由视频监控设备的广泛部署以及大容量存储设备成本的大幅度下降而导致的监控数据容量急速增长的挑战下，智能化的视频监控系统不仅可以克服传统视频监控技术成本高、效率低的弊端，更可以从海量监控数据中挖掘出丰富的人群、车辆等运动对象的动态及行为信息，及时发觉突发事件和异常事件，并进行报警。已经远远超出了安保工作的范畴，成为一个更具有研究价值，值得进一步深入挖掘的课题。其中智能监控技术的核心研究内容——人群运动行为分析，在该领域中的主要的应用方向有：人群运动管理、公共空间设计和异常事件检测等等(B.Zhan,D.N.Monekosso,P.Remagnino,S.A.Velastin and L.Q.Xu..Crowd analysis:a survey..Machine Vision and Applications..2008年,第5卷，第19期，页码:345-357.)。

综上所述，智能视频监控技术拥有巨大发展前景，值得深入研究。以计算机视觉相关知识为基础，对由视频设备捕获的结构化公共场所监控数据进行分析，提取数据中的有效信息，并描述场景内人群运动规律，实现智能视频监控技术的相关应用、解决实际需求，为我们的根本出发点。

目前国内外也提出了一些结构化场景内人群轨迹的异常检测方法，如使用4-D直方图检测异常轨迹(C.R.Jung,L.Hennemann and S.R.Musse..EventDetection using Trajectory Clustering and 4-D Histograms..IEEE Transactions onCircuits and Systems for Video Technology..2008年,11期，18卷，页码:1565-1575.)，但多数缺乏对欲测试轨迹的初分类处理过程，使得轨迹异常检测过程耗费许多不必要的时间和资源。并且大部分的结构化场景内人群轨迹异常检测方法需要提前预知详细场景结构信息，才能有效的检测其内异常轨迹。在实际应用中存在很多不便。

因此，需要提供一种用于复杂结构化场景的人群运动轨迹异常检测方法。

发明内容

本发明的目的在于提供一种用于复杂结构化场景的人群运动轨迹异常检测方法，解决了检测复杂结构化场景的的监控视频数据中人群异常运动轨迹的低效和不准确的问题。

为达到上述目的，本发明采用下述技术方案：

一种用于复杂结构化场景的人群运动轨迹异常检测方法，该方法包括如下步骤：

S1、分别提取监控视频历史数据中复杂结构化场景内的人群中所有个体的采样点组成的人群中所有个体的运动轨迹并对人群中所有个体的运动轨迹分别进行分段，得到人群中所有个体的分段运动轨迹；

S2、对人群中所有个体的分段运动轨迹进行基于最大最小距离的多中心聚类算法的学习，得到各人群分段运动轨迹类；

S4、分别提取监控视频当前数据中复杂结构化场景内的人群中各个体的采样点组成的人群中各个体的运动轨迹，并根据各人群分段运动轨迹类，对监控视频当前数据中复杂结构化场景内的人群中各个体的运动轨迹进行基于LOF算法的异常检测。

优选地，步骤S2之后且步骤S4之前还包括如下步骤：

S3、将监控视频历史数据中的复杂结构化场景划分为若干个大小相等的子区域，统计各子区域内各人群分段运动轨迹类内采样点的数目并将采样点数目多的子区域作为该人群分段运动轨迹类的感兴趣区域，根据各人群分段运动轨迹类的感兴趣区域分别优化各人群分段运动轨迹类。

优选地，步骤S1中对人群中所有个体的运动轨迹进行分段进一步包括如下子步骤：

S1.1、将人群中所有个体的采样点的方向特征分别离散至该采样点最接近的标准方向；

S1.2、分别将人群中所有个体的采样点的方向特征与该个体的前一采样时刻的采样点的方向特征变化大的采样点的位置点作为该个体的运动轨迹的关键点，并分别以关键点为端点对人群中所有个体的运动轨迹进行分段。

优选地，步骤S1.2中“分别将人群中所有个体的采样点的方向特征与该个体的前一采样时刻的采样点的方向特征变化大的采样点的位置作为该个体的运动轨迹的关键点”之后且“并分别以关键点为端点对人群中所有个体的运动轨迹进行分段”之前还包括步骤：

分别将间距小于人群中所有个体的运动轨迹的采样点数目十分之一的该个体的运动轨迹的关键点合并。

优选地，步骤S2进一步包括如下子步骤：

S2.1、将人群中所有个体的所有的分段运动轨迹分别作为各待聚类对象；

S2.2、基于最大最小距离的多中心聚类算法中的起始聚类中心算法学习得到复杂结构化场景内豪斯多夫距离最远的多个待聚类对象，将豪斯多夫距离最远的多个待聚类对象分别作为各起始聚类中心；

S2.3、将除了各起始聚类中心以外的待聚类对象分别划分至与其豪斯多夫距离最近的起始聚类中心，由各起始聚类中心和划分至该起始聚类中心的待聚类对象组成各人群分段轨迹类。

优选地，步骤S2.3之后还包括步骤：

S2.4、将各人群分段运动轨迹类中包含个体的分段运动轨迹数目少的人群分段运动轨迹类删除。

优选地，步骤S3中“根据各人群分段运动轨迹类的感兴趣区域分别优化各人群分段运动轨迹类”进一步包括如下子步骤：将各人群分段运动轨迹类中经过其所属人群分段运动轨迹类的感兴趣区域少的人群分段运动轨迹删除，得到优化后的各人群分段运动轨迹类。

优选地，步骤S4进一步包括如下子步骤：

S4.1、分别提取监控视频当前数据中复杂结构化场景内的人群中各个体的采样点组成的人群中各个体的运动轨迹并对人群中各个体的运动轨迹分别进行分段；

S4.2、将与人群中各个体的分段运动轨迹的豪斯多夫距离最近的人群分段运动轨迹类的起始聚类中心所属的人群分段运动轨迹类作为该分段运动轨迹的对应人群分段运动轨迹类；

S4.3、根据人群中各个体的分段运动轨迹对应的人群分段运动轨迹类，分别对人群中各个体的分段运动轨迹进行基于LOF算法的异常检测。

优选地，步骤S4.3进一步包括如下子步骤：

S4.3.1、基于LOF算法计算人群中各个体的分段运动轨迹中所有采样点的局部异常因子和各人群分段运动轨迹类中所有采样点的局部异常因子；

S4.3.2、计算人群中各个体的分段运动轨迹中各采样点的局部异常因子与该分段运动轨迹的对应人群分段运动轨迹中所有局部异常因子的均值之比是否高于标准值，是则认为该采样点为异常采样点；

S4.3.3、统计人群中各个体的分段运动轨迹中异常采样点占该分段运动轨迹中总采样点的比例，若大于标准比例则认为该分段运动轨迹为异常轨迹。

优选地，标准值为1，标准比例为50％。

本发明的有益效果如下：

本发明所述技术方案根据结构化场景的特殊场景结构，将人群运动轨迹进行分段处理，并采用基于最大最小距离的多中心聚类算法对分段轨迹进行聚类分析，得到场景内所有的人群运动模式。分析重要的人群运动模式，学习场景内的人群感兴趣区域，可以为该场景的空间设计和人群管理提供重要依据。最后，采用以局部异常因子为基础的LOF算法对运动轨迹样本点进行异常检测，从而有效的检测出可能包含异常行为的人群运动轨迹。本发明所述技术方案不仅可以良好的解决复杂结构化场景中的人群分析和异常检测需求，同时也可以为场景空间设计和管理提出有效建议。本发明所述技术方案对于复杂结构化场景中的人群行为分析和异常检测都能有很好的鲁棒特性。且相对于现有技术中的其他算法，在适用性、有效性和高效性上都有一定的优越性，能够很好的满足实际需求。

附图说明

下面结合附图对本发明的具体实施方式作进一步详细的说明。

图1示出用于复杂结构化场景的人群运动轨迹异常检测方法流程图。

图2示出智能视频监控中的复杂结构化场景示意图。

图3示出复杂结构化场景内人群运动轨迹示意图。

图4示出复杂结构化场景内分段运动轨迹类示意图。

图5示出LOF算法中对象p的局部可达密度示意图。

图6示出复杂结构化场景内人群运动轨迹异常检测结果示意图。

具体实施方式

为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。

如图1所示，本实施例提供的用于复杂结构化场景的人群运动轨迹异常检测方法，首先提取监控视频历史数据中的复杂结构化场景内的人群运动轨迹的关键点——即运动趋势改变点，这些关键点通常位于道路转折点、障碍物处等，复杂结构化场景如图2所示。根据人群运动轨迹的关键点可以将人群运动轨迹进行分段处理，得到分段运动轨迹集，分段后的运动轨迹在每一个样本点处运动方向变化幅度较小，运动趋势稳定，便于进一步的分析与研究，人群运动轨迹如图3所示。然后根据基于最大最小距离的多中心聚类算法，将分段运动轨迹集聚类成为若干个分段轨迹类，其中包含低概率轨迹类——轨迹类内轨迹数目小于10、规划外轨迹类——轨迹类内分段轨迹运动区域不符合场景初设设定和常规轨迹类，分段运动轨迹类如图4所示。低概率分段轨迹类类内轨迹出现概率较小，可以不进行深入研究。主要分析规划外轨迹类和常规轨迹所代表的运动对象的运动行为即可。此外，为了方便分析各轨迹类的运动行为，将场景区域划分为若干个大小相等的子区域，统计每个子区域里某分段轨迹类内采样点的数目。采样点数目多的区域被视为该分段运动轨迹类的感兴趣区域，也是隶属于该分段轨迹类的人群中个体最有可能经过的区域。这些关键区域是场景重规划和场景内人群管理问题中需要重点关注的地方。最后，以LOF算法为基础对监控视频当前数据中复杂结构化场景内的人群中各个体各自的分段运动轨迹进行异常行为检测，最终得到不符合运动常规的异常分段轨迹。而这些异常分段轨迹意味着一些异常的人群运动行为。该方法包括如下步骤：

Step1、分别提取监控视频历史数据中复杂结构化场景内的人群中所有个体的采样点组成的人群中所有个体的运动轨迹并对所述人群中所有个体的运动轨迹分别进行分段，得到人群中所有个体的分段运动轨迹：

按照人群轨迹结构对运动轨迹进行分段预处理。将轨迹上运动趋势变化最大的样本点视为关键点，这些点也通常位于道路分叉、转折，场景障碍物所处的区域，具有现实考虑意义。在关键点处对运动轨迹进行分段处理将会使后续步骤更为简便。分段轨迹的表现形式可由公式(1)来描述：

F_n＝{F₁',F₂',...,F'_m}

F_i'＝{f₁,f₂,...,f_j}      公式(1)

其中，F_n为轨迹数据库中的第n条轨迹，m为该轨迹的子轨迹数目。F_i'为第n条轨迹F_n的第i条分段轨迹。f_j为分段轨迹F_i'的第j个特征向量。j为轨迹n的第i个分段中样本点的数目，也即该子轨迹的长度。

为了更好的对复杂结构化场景中的监测对象进行人群行为分析，本实施例将人群运动轨迹在其关键点处进行分段处理。人群中所有个体的运动轨迹各自的关键点设定为那些运动趋势变化较大的采样点，采样点即监控视频历史数据中复杂结构化场景内的人群中所有个体各自的在采样时刻在复杂场景中的位置点，在这些关键点之前个体的运动方向大体一致，至该关键点处个体的运动方向发生突变，其后又趋于稳定。为方便研究可以将运动方向大体分为8个标准方向：东(0)、东北(1/4π)、北(1/2π)、西北(3/4π)、西(π)、西南(5/4π)、南(3/2π)、东南(7/4π)。将所有个体在采样点的运动方向离散化至其最接近的标准方向，如运动方向角度为30度，可以离散化为向东北方向。若某个个体的运动轨迹上的某个采样点离散化后的运动方向与该个体的运动轨迹上的前一个采样时刻的采样点离散化后的运动方向不同，即可初步认为此点是该轨迹的关键点。但是实际情况中存在一些改变方向后又很快返回原运动轨迹的情况，并且由于通常的单个监控区域都是一些活动范围较小的场所，场景内的车辆及人群在穿越场景时留下的样本点数目不会过多，所以每条运动轨迹上的关键点数目设置时也不宜太多，通常为2-3个。因此，在进一步筛选关键点时，可以将样本间距过短，即间距小于该轨迹样本数目10％的关键点合为一处。这些被合并的关键点体现在实际情况中就是突然、短暂的偏离之前运动趋势，但是又迅速恢复或者保持平稳，对于子轨迹段整体来说，可以忽略这种变化，将这些关键点合为一个仍可体现轨迹的整体变化情况，并且更加便于研究和观察。

Step2、对人群中所有个体各自的分段运动轨迹进行基于最大最小距离的多中心聚类算法的学习，得到各人群分段运动轨迹类：

在步骤Step1之后，可以得到一个由所有个体各自的分段运动轨迹组成的分段运动轨迹集。分段后的运动轨迹在一定的时段内，其运动趋势根据场景内的相关特征如道路规划等呈稳定趋势，通过基于最大最小距离的多中心聚类算法可以无需场景结构先验知识而学习得到场景内具有代表性的人群分段行为运动模式。如果被观测的结构化场景中，运动轨迹的样本集足够大，那么就可以通过学习得到该结构化场景内所有的人群运动模式，即可以通过学习得到该结构化场景内的各人群分段运动轨迹类。

由于复杂结构化场景中经常出现很多不易统计和分析的场景结构，如草坪、建筑物、路桩等，使得其内运动轨迹在空间结构上来讲要比无结构场景中的更难扑捉其规律。因此，本实施例在Step1中将运动轨迹进行分段处理，并在Step2中通过基于最大最小距离的多中心聚类算法对分段轨迹聚类学习，从而得到场景内的各人群分段运动轨迹类，各人群分段运动轨迹类即为人群运动模式，代表了人群运动的行为规律。

基于最大最小距离的多中心聚类算法的具体实现思路描述如下：在数据集中选取若干离得最远或者差异最大的研究对象并设定为初始的聚类中心，力求使数据集实现一个比较好的初始划分。在此算法中用户不必事先确定样本对象聚类的个数，避免了人为选择的随机性。鉴于分段轨迹集的样本长度不同，本实施例用豪斯多夫——Hausdorff距离代替欧式距离来描述不同轨迹间的相似性可以得到更加理想的效果。算法的具体流程如下：

(1)给定一个样本集：S_n＝{x₁,x₂,...,x_n}，设定参量θ的值，从样本集S_n中随机确定一个样本对象作为第一个起始聚类的聚类中心，即Z₁＝x₁；

(2)确定其他的起始聚类中心。对样本集S_n中其它的样本对象进行计算，得到它们与第一个初始聚类中心Z₁间的距离：D_i1。若则将x_k视为第二个起始聚类中心Z₂，也即在样本集S_n中求出与x₁间间距最大的对象并将标定为样本簇二的起始聚类中心；

(3)求出样本集S_n中其他的样本对象与Z₁、Z₂间的间距，分别记为D_i1、D_i2。若存在一个满足D_l＝max(min(D_i1,D_i2)),i＝1,2,...,n，并且D_l>θ·D₁₂，D₁₂为Z₁和Z₂的间距。则将x_l看成第三个聚类的起始中心Z₃；

(4)假设可以得到第三个聚类的起始中心Z₃，对样集中其余样本点计算D_l＝max(min(D_i1,D_i2,D_i3)),i＝1,2,...,n。若D_j>θ·D₁₂，则可以确立x_j为第四个起始聚类中心。依次类推，当最大最小距离小于等于θ·D₁₂时，终止对起始聚类中心的寻找运算。

(5)当通过计算得到所有的起始聚类中心后，将其余的样本对象按最近邻原则归属到与其距离最近的聚类中心所属的样本簇中。

基于最大最小距离的多中心聚类算法其聚类结果与参数和起始聚类中心的选取关系非常大。通常需要通过样本的先验分布知识，来进行估算。如果没有具体的关于样本对象特征分布的先验信息，也可以根据试探法进行多次试探达到最终优化，本实施例选取试探法优化聚类结果。

对人群中所有个体各自的分段运动轨迹进行基于最大最小距离的多中心聚类算法的学习，从而得到各人群分段运动轨迹类的具体过程如下:

Step2.1、将人群中所有个体的所有的分段运动轨迹分别作为各待聚类对象，利用各待聚类对象间的豪斯多夫——Hausdorff距离代表彼此间的差异；

Step2.2、基于最大最小距离的多中心聚类算法学习得到复杂结构化场景内豪斯多夫距离最远的各分段轨迹，将这些分段轨迹作为各起始聚类中心；

Step2.3、将除了各起始聚类中心以外的分段轨迹分别划分至与其豪斯多夫距离最近的起始聚类中心，得到各人群分段轨迹类，这些人群分段轨迹类具有类内间轨迹距离差异较小，而类间轨迹距离差异较大的特征；

S2.4、将各人群分段运动轨迹类中包含个体的分段运动轨迹数目少的人群分段运动轨迹类删除，优选将各人群分段运动轨迹类中包含个体的分段运动轨迹数目少于总分段轨迹数1％至5％的人群分段运动轨迹类删除。

通过步骤S2.4分析分段轨迹的聚类结果可以将运动轨迹数目较少的分段轨迹类视为低概率轨迹类。此类轨迹在场景中属于低概率事件，可以直接将其视为异常事件而不进行具体的运动行为分析。而那些符合场景初始规划的常规运动轨迹类及其内轨迹数目较多的规划外运动轨迹类是需要重点研究与分析的内容。

Step3、将监控视频历史数据中的复杂结构化场景划分为若干个大小相等的子区域，统计各子区域内各人群分段运动轨迹类内采样点的数目并将采样点数目多的子区域作为该人群分段运动轨迹类的感兴趣区域，根据各人群分段运动轨迹类的感兴趣区域分别优化各人群分段运动轨迹类，其中选取感兴趣区域的采样点数目标准与各采样时刻的采样点总数相关，通常选取大于各采样时刻的分段运动轨迹类总采样点的80％的子区域作为该人群分段运动轨迹类的感兴趣区域：

将场景进行分区，统计得到每一个子区域内的各分段运动轨迹类内的采样点数目，如果某子区域内轨迹采样点数目较少，则不能将其视为该分段运动轨迹类的感兴趣区域，反之则将其标注为该分段运动轨迹类的感兴趣区域。同时，场景内可以大幅度影响其内个体的子区域或者人群聚集的子区域也应被视为人群行为分析的感兴趣区域。通过上述分区和统计之后，可以得到每一个人群分段轨迹类的感兴趣区域集。这些区域同时对于公共空间设计、人群管理存在非常重要意义。

场景内某运动轨迹的感兴趣区域为该个体在场景中运动时所穿越的区域，一个运动轨迹类的感兴趣区域为包含该类轨迹样本点较多的区域，即该轨迹类对应的个体通过概率较高的区域。

假设图像像素为m×n，可以将图像分割为(m/10)×(n/10)的小区域,每个区域大小为10*10。统计得到每一个区域内的某分段运动轨迹类内的样本点数目，如果某场景区域内轨迹样本点数目较少，则不能将其视为该分段运动轨迹类的感兴趣区域，反之则将其标注为感兴趣区域。

通过上述场景分区并统计区域内轨迹样本点数目后，可以得到每一人群分段运动轨迹类的感兴趣区域集，即每一人群分段运动轨迹类类的采样点数目多的区域。而每一人群分段运动轨迹类的感兴趣区域集中的感兴趣区域为该类具有相似行为的分段运动轨迹最有可能经过的场景区域，或者说是该人群分段运动轨迹类中个体的描述性的常规运动路径。如果一个分段运动轨迹类内某分段轨迹的运动行为多不在该类的感兴趣区域内，那么该分段轨迹的运动行为不具有代表性，可从该人群分区运动轨迹类内移除而不予研究，优选一个分段运动轨迹类内某分段轨迹的运动行为50％不在该类的感兴趣区域内则认为该分段轨迹的运动行为不具有代表性。因此，可以利用这些学习得到的分段运动轨迹类感兴趣区域对人群运动轨迹集进行优化处理，移除那些在运动区域方面存在不合理性的运动轨迹，以降低运算复杂度。精化后的分段运动轨迹类，其运动行为更具有代表性，避免了分析小概率运动状况所需的时间消耗，对后续异常轨迹检测有一定的帮助。

Step4、分别提取监控视频当前数据中复杂结构化场景内的人群中各个体各自的采样点组成的人群中各个体各自的运动轨迹作为待测试分段轨迹，并根据各人群分段运动轨迹类，对监控视频当前数据中复杂结构化场景内的人群中各个体各自的运动轨迹进行基于LOF算法的异常检测：

首先将结构化场景中待测试轨迹进行分段，并根据其与步骤Step2得到的各人群分段轨迹类的起始聚类中心的豪斯多夫距离进行初步分类处理，以减少运算量。在初分类阶段，首先计算待测试分段轨迹与步骤Step2得到的所有分段运动轨迹类的中心轨迹的豪斯多夫距离，并根据该距离将待测试分段轨迹初步划分至与豪斯多夫距离最近的起始聚类中心所属的人群分段运动轨迹类中，该轨迹类即为最有可能与该待测试分段轨迹具有相似运动行为的分段运动轨迹类。初分类阶段结束后，利用LOF算法计算待测试中各个体各自的分段运动轨迹中各采样点的局部异常因子LOF和各人群分段运动轨迹类中所有采样点的局部异常因子LOF。

LOF算法的具体实现思路描述如下：

(1)样本对象p的k-距离(k-distance)

对于任意的自然数k，样本p的k-distance(p)指的是p与另一个样本o之间的间距，而这个o则需要符合以下两个条件：

(I)至少有k个样本对象o'∈D\{p}，满足d(p,o')≤d(p,o)；

(II)至多有k-1个样本对象o'∈D\{p}，满足d(p,o')<d(p,o)；

(2)样本对象p的k-距离邻域(N_k-distance)

假设已知样本p的k-距离为k-distance(p)，则对于p其N_k-distance就是指每一个与p的间距小于等于k-distance(p)的样本的合集，即：

N_{k-distance(p)}＝{q|d(p,q)≤k-distance(p)}  公式(2)

也可以用N_k(p)表示。

(3)样本对象p相对于样本对象o的可达距离

已知某大于等于0的数值k，样本对象p到样本对象o的reach-dist_k(p,o)的具体计算如公式3所示：

reach-dist_k(p,o)＝max{distance(o),d(p,o)}   公式(3)

(4)样本对象p的局部可达密度(Local Reachable Density)

某样本p的局部可达密度可以通过先求得样本p与其最小邻域(MinPts)范围内的其余样本的可达距离的平均数，再对这个平均数求倒数而得到。

${\mathrm{lrd}}_{\mathrm{MinPts}}\left(p\right)=1/\left[\frac{\underset{o\&Element;N_{\mathrm{MinPts}}\left(p\right)}{\mathrm{\&Sigma;}}\mathrm{reach}-{\mathrm{dist}}_{\mathrm{MinPts}}(p,o)}{\left|N_{\mathrm{MinPts}}\left(p\right)\right|}\right]$   公式(4)

根据公式4和图5可以看出，假设对象p的MinPts邻域内存在对象{o₁,o₂,....,o_r}，如果o_i在对象p的MinPts邻域内，但p却不在o_i的邻域内，则证明p是远离o_i对象的，或者说p的局部密度要小于它的邻域对象o_i的局部密度，从空间密度的层次上来说具有局部异常的可能性。

(5)样本对象p的局部异常因子(Local Outlier Factor)

样本对象p的局部异常因子可以表征样本对象的局部异常可能性，具体描述如公式5所示：

${\mathrm{LOF}}_{\mathrm{MinPts}}\left(p\right)=\frac{\underset{o\&Element;N_{\mathrm{MinPts}}\left(p\right)}{\mathrm{\&Sigma;}}\frac{{\mathrm{lrd}}_{\mathrm{MinPts}}\left(o\right)}{{\mathrm{lrd}}_{\mathrm{MinPts}}\left(p\right)}}{\left|N_{\mathrm{MinPts}}\left(p\right)\right|}$         公式(5)

局部异常因子越大，则为异常的可能性越大；反之，则可能性越小。

从公式(4)，(5)中可以看出，对象p与其MinPts邻域内对象距离越紧密，则其局部可达密度的值越大。进而可知其局部异常因子取值越小，异常的可能性越小。

然后将各采样点的局部异常因子其与其所对应的人群分段运动轨迹类中采样点的局部异常因子进行对比。如果某采样点的局部异常因子与对应的人群分段运动轨迹类中所有采样点的局部异常因子均值之比高于标准值，则视该采样点为异常采样点，标准值优选取1。否则，视该采样点被视为正常采样点。待测试分段运动轨迹上的所有采样点的局部异常因子LOF越大，则待测试分段运动轨迹为异常轨迹的可能性越大；反之，则可能性越小。如图6所示，箭头直线表示正常轨迹。无箭头曲线表示异常轨迹。

在结构化场景的异常轨迹检测中，人群中个体多按照场景结构设置，集中而有规律的移动。如果某条分段运动轨迹上的采样点与其MinPts邻域内同类别分段运动轨迹的轨迹采样点在空间密度上相差较大，即为其局部异常因子较高，则说明该条分段运动轨迹在此次采样时刻发生了背离主要人群的运动行为，可视其为异常采样点，进而若分段运动轨迹上超过标准比例的采样点都是异常采样点，则该条运动轨迹将被视为异常轨迹，其中标准比例的选取根据场景的安全系数要求来确定，若标准比例选取的低则场景的安防级别高，若标准比例选取的高则场景的安防级别低，通常标准比例选取为分段运动轨迹上异常采样点占总采样点的50％。因此，可以采用LOF算法对各分段运动轨迹上的所有采样点进行局部异常因子计算，并进一步检测出异常轨迹。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (10)

1.一种用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，该方法包括如下步骤：

S1、分别提取监控视频历史数据中复杂结构化场景内的人群中所有个体的采样点组成的人群中所有个体的运动轨迹并对人群中所有个体的运动轨迹分别进行分段，得到人群中所有个体的分段运动轨迹；

S2、对所述人群中所有个体的分段运动轨迹进行基于最大最小距离的多中心聚类算法的学习，得到各人群分段运动轨迹类；

S4、分别提取监控视频当前数据中复杂结构化场景内的人群中各个体的采样点组成的人群中各个体的运动轨迹，并根据所述各人群分段运动轨迹类，对监控视频当前数据中复杂结构化场景内的人群中各个体的运动轨迹进行基于LOF算法的异常检测。

2.根据权利要求1所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述步骤S2之后且所述步骤S4之前还包括如下步骤：

S3、将监控视频历史数据中的复杂结构化场景划分为若干个大小相等的子区域，统计各子区域内各人群分段运动轨迹类内采样点的数目并将采样点数目多的子区域作为该人群分段运动轨迹类的感兴趣区域，根据各人群分段运动轨迹类的感兴趣区域分别优化各人群分段运动轨迹类。

3.根据权利要求1或2所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述步骤S1中对所述人群中所有个体的运动轨迹进行分段进一步包括如下子步骤：

S1.1、将人群中所有个体的采样点的方向特征分别离散至该采样点最接近的标准方向；

S1.2、分别将人群中所有个体的采样点的方向特征与该个体的前一采样时刻的采样点的方向特征变化大的采样点的位置点作为该个体的运动轨迹的关键点，并分别以所述关键点为端点对人群中所有个体的运动轨迹进行分段。

4.根据权利要求3所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述步骤S1.2中“分别将人群中所有个体的采样点的方向特征与该个体的前一采样时刻的采样点的方向特征变化大的采样点的位置作为该个体的运动轨迹的关键点”之后且“并分别以所述关键点为端点对人群中所有个体的运动轨迹进行分段”之前还包括步骤：

分别将间距小于人群中所有个体的运动轨迹的采样点数目十分之一的该个体的运动轨迹的关键点合并。

5.根据权利要求1所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述步骤S2进一步包括如下子步骤：

S2.1、将人群中所有个体的所有的分段运动轨迹分别作为各待聚类对象；

S2.2、基于最大最小距离的多中心聚类算法中的起始聚类中心算法学习得到复杂结构化场景内豪斯多夫距离最远的多个待聚类对象，将豪斯多夫距离最远的多个待聚类对象分别作为各起始聚类中心；

S2.3、将除了各起始聚类中心以外的待聚类对象分别划分至与其豪斯多夫距离最近的起始聚类中心，由各起始聚类中心和划分至该起始聚类中心的待聚类对象组成各人群分段轨迹类。

6.根据权利要求5所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述步骤S2.3之后还包括步骤：

S2.4、将各人群分段运动轨迹类中包含个体的分段运动轨迹数目少的人群分段运动轨迹类删除。

7.根据权利要求2所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述步骤S3中“根据各人群分段运动轨迹类的感兴趣区域分别优化各人群分段运动轨迹类”进一步包括如下子步骤：将各人群分段运动轨迹类中经过其所属人群分段运动轨迹类的感兴趣区域少的人群分段运动轨迹删除，得到优化后的各人群分段运动轨迹类。

8.根据权利要求5所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述步骤S4进一步包括如下子步骤：

S4.1、分别提取监控视频当前数据中复杂结构化场景内的人群中各个体的采样点组成的人群中各个体的运动轨迹并对人群中各个体的运动轨迹分别进行分段；

S4.2、将与人群中各个体的分段运动轨迹的豪斯多夫距离最近的人群分段运动轨迹类的起始聚类中心所属的人群分段运动轨迹类作为该分段运动轨迹的对应人群分段运动轨迹类；

S4.3、根据人群中各个体的分段运动轨迹对应的人群分段运动轨迹类，分别对人群中各个体的分段运动轨迹进行基于LOF算法的异常检测。

9.根据权利要求8所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述步骤S4.3进一步包括如下子步骤：

S4.3.1、基于LOF算法计算人群中各个体的分段运动轨迹中所有采样点的局部异常因子和各人群分段运动轨迹类中所有采样点的局部异常因子；

S4.3.2、计算人群中各个体的分段运动轨迹中各采样点的局部异常因子与该分段运动轨迹的对应人群分段运动轨迹中所有局部异常因子的均值之比是否高于标准值，是则认为该采样点为异常采样点；

S4.3.3、统计人群中各个体的分段运动轨迹中异常采样点占该分段运动轨迹中总采样点的比例，若大于标准比例则认为该分段运动轨迹为异常轨迹。

10.根据权利要求9所述的用于复杂结构化场景的人群运动轨迹异常检测方法，其特征在于，所述标准值为1，所述标准比例为50％。