一种基于区间位移的地铁乘客异常行为分析方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110532951A(43)申请公布日2019.12.03(21)申请号201910811817.X(22)申请日2019.08.30(71)申请人江苏航天大为科技股份有限公司地址214101江苏省无锡市锡山经济开发区科技工业园1号(72)发明人张申浩袁渊王建州金生松(74)专利代理机构淮安睿合知识产权代理事务所(普通合伙)32372代理人赵霎(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)权利要求书2页说明书6页附图1页(54)发明名称一种基于区间位移的地铁乘客异常行为分析方法(57)摘要本发明涉及一种基于区间位移的地铁乘客异常行为分析方法，首先自动检测人脸特征后抓拍图片，获取人脸特征，然后通过其人脸特征比对获取乘客信息，根据轨迹记录分析区间位移得到位移速度来判断人员是否有奔跑、徘徊或逗留的异常行为，所有图片信息都在系统中记录留存。人脸识别的检测方法受环境遮挡人体因素的影响较小，通过区间位移的速度计算关联分析多个视频场景，能有效提高人员异常行为检测准确率，并为后期人员追踪定位提供详细信息，可广泛应用于人群密度较大的地铁场所。CN110532951ACN110532951A权利要求书1/2页1.一种基于区间位移的地铁乘客异常行为分析方法，其特征在于，所述方法包括：步骤1)，通过监控设备获取视频信息，确定是否存在人脸信息，如果存在，则截取当前视频帧，采用MTCNN进行人脸检测，提取人脸的特征值；步骤2)，将步骤1)中获取的人脸特征值与人脸数据库进行特征比对，若相似度超过预设的阈值，则比对成功，将所述人脸特征值对应的人员编号P、出现的时间T1、监控位置D1存入到人员历史数据集中；若相似度低于预设阈值，则将其作为新乘客数据，存入人脸特征库，并分配编号用于后续比对；步骤3)，根据人员编号P和出现时间T1从人员历史轨迹数据集M中筛选出该乘客最近的一条轨迹记录R，其中，所述轨迹记录R包括人员编号P、出现时间T2、监控位置D2，基于Bellman-Ford算法计算出监控位置D1和D2两个轨迹点之间的最短区间位移L；步骤4)，通过步骤3)乘客轨迹记录中的抓拍时间T1、T2和轨迹点位的区间位移L得到乘客P在这段时间内的区间位移速度步骤5)，根据区间位移速确定乘客的状态，以及根据乘客的状态以及地铁车次最长间隔时间确定乘客的异常行为。2.如权利要求1所述的方法，其特征在于，预先采集工作人员的信息，并存入人脸特征库；所述步骤2)还包括，当人脸特征比对结果为工作人员，则直接过滤，不进行异常行为分析。3.如权利要求1所述的方法，其特征在，所述根据Bellman-Ford算法分析监控点位间的最短路径，包括：通过系统接入的视频监控位置和地铁通道连通性建立邻接矩阵A，定义如下：邻接矩阵A对角线元素值为0，即节点i到节点j的最短路径长度为0；非邻节点权值为无穷大，即节点i和节点j非邻结，则邻接矩阵的(i，j)值为无穷大；邻节点权值是权重，即节点i和节点j相邻，则邻接矩阵的(i，j)值为权重w；起点向量定义如下：其中d0(v)是起点s到顶点v的距离，将起点的值设为0，其它的点的值设为无穷大，表示不可达；起点s经过k条路径到达顶点v的最短路径公式表示如下：顶点u∈N，当存在u使d(v)＞d(u)+A(u,v)时，则说明经过顶点u，可以缩短起点s到顶点v的距离，循环遍历节点集N中的所有顶点即可得到最短路径L。2CN110532951A权利要求书2/2页4.如权利要求1所述的方法，其特征在，所述步骤5)具体包括：当乘客区间位移速度时，判定乘客处于奔跑状态；当T1-T2＞2ΔT且D1和D2属于同一个地铁站点时，则判定乘客在当前地铁站处于徘徊或逗留状态；其中，ΔT为地铁车次最长间隔时间。5.如权利要求4所述的方法，其特征在，所述步骤5)还包括：若乘客区间位移速度T1-T'2＞ΔT+t；以及D1和D2属于同一个地铁站点时，则判定该乘客为疑似异常乘客，疑似具有异常行为；此时，根据客流密度确定是否能够实现乘客的视频跟踪，如果不能，则监控设备发送通知至冗余监控设备，使其进入跟踪模式，其中，该冗余监控设备用于对乘客进行视频跟踪，当疑似异常乘客从监控设备的监控画面丢失时，从冗余设备获取监控信息；其中，t为地铁靠站停靠的最长时间；冗余设备可以有多个；冗余设备的个数根据疑似异常乘客特定范围内的乘客数进行确定；当乘客数小于2时，不使用冗余设备，当冗余数大于2小于等于4时，启动两个冗余设备，当乘客数大于4时，启动3个冗余设备；其中，冗余设备和监控设备均与管理设备相连，当疑似异常乘客从监控设备的监控画面丢失时，监控设备发送通知消息至冗余设备和管理设备，冗余设备将监控到的疑似异常