1 研究背景與意義

在經(jīng)濟(jì)與社會(huì)快速發(fā)展的背景下，車(chē)站、廣場(chǎng)、商場(chǎng)、體育場(chǎng)館及學(xué)校等人群密集度較高的場(chǎng)所數(shù)量急劇增加，容量規(guī)模不斷擴(kuò)大。各類(lèi)人群聚集活動(dòng)頻繁出現(xiàn)，這些聚集活動(dòng)通常具有人群高度密集、人員構(gòu)成多樣、流動(dòng)性強(qiáng)等特點(diǎn)。高密度聚集且流動(dòng)的人群隱藏著巨大的安全隱患，極易發(fā)生擁擠踩踏等突發(fā)公共事件，給城市公共安全管理提出了巨大的挑戰(zhàn)。《國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要(2006-2020年)》中特別強(qiáng)調(diào)“加強(qiáng)對(duì)突發(fā)公共事件快速反應(yīng)和應(yīng)急處置的技術(shù)支持，以信息化、智能化技術(shù)應(yīng)用為先導(dǎo)，發(fā)展國(guó)家公共安全多功能、一體化應(yīng)急保障技術(shù)，形成科學(xué)預(yù)測(cè)、有效防控與高效應(yīng)急的公共安全技術(shù)體系”。公共場(chǎng)所人群聚集事故屬于典型的危害社會(huì)公共安全的突發(fā)公共事件。此類(lèi)突發(fā)事件具有典型的動(dòng)態(tài)復(fù)雜特征和潛在的衍生危害，破壞性相對(duì)于普通犯罪活動(dòng)更加嚴(yán)重。視頻監(jiān)控作為安全防范系統(tǒng)的重要組成部分，可以及時(shí)發(fā)現(xiàn)異常情況并進(jìn)行聯(lián)動(dòng)報(bào)警。視頻監(jiān)控已經(jīng)廣泛的應(yīng)用于公共場(chǎng)所，面對(duì)監(jiān)控產(chǎn)生大量的視頻，如何快速、準(zhǔn)確識(shí)別視頻中的異常事件，成為實(shí)現(xiàn)智能監(jiān)控預(yù)警急需解決的技術(shù)難題。

2 研究目標(biāo)

本項(xiàng)目提出一種依托城市網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)，該系統(tǒng)是面向公共場(chǎng)所人群聚集事故防控的智能監(jiān)控預(yù)警技術(shù)，基于該技術(shù)設(shè)計(jì)并開(kāi)發(fā)智能監(jiān)控預(yù)警軟件系統(tǒng)，并將開(kāi)發(fā)的軟件系統(tǒng)集成在城市網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)的指揮中心或智能終端，實(shí)現(xiàn)城市公共場(chǎng)所或重點(diǎn)區(qū)域中人群狀態(tài)的監(jiān)控、預(yù)警，實(shí)現(xiàn)公共安全防范的智能化、自動(dòng)化和系統(tǒng)化，提高公安機(jī)關(guān)維護(hù)社會(huì)秩序穩(wěn)定，保護(hù)人民生命財(cái)產(chǎn)的能力。

以項(xiàng)目為依托的中遠(yuǎn)期研究目標(biāo)是整合國(guó)內(nèi)重點(diǎn)院校、研究所在智能監(jiān)控、應(yīng)急預(yù)警等領(lǐng)域的研究力量，逐步構(gòu)建以遍布城市的網(wǎng)絡(luò)監(jiān)控系統(tǒng)為基礎(chǔ)的面向危害公共安全事件防控的突發(fā)事件應(yīng)急管理理論體系與技術(shù)應(yīng)用平臺(tái)，增強(qiáng)我國(guó)在應(yīng)急管理基礎(chǔ)研究領(lǐng)域的自主創(chuàng)新能力，為決策部門(mén)應(yīng)對(duì)危害公共安全的突發(fā)事件提供實(shí)時(shí)、科學(xué)、量化的決策參考，可以進(jìn)一步提高公安機(jī)關(guān)公共安全防范水平與應(yīng)對(duì)危機(jī)的快速反應(yīng)能力。

3 主要研究?jī)?nèi)容

目前，常規(guī)視頻偵查的主要技術(shù)還停留在依賴(lài)視頻偵查員人工瀏覽視頻進(jìn)行分析研判的狀態(tài)。面向人群聚集事故的智能預(yù)警與監(jiān)控技術(shù)研究尚處于起步階段，難以滿(mǎn)足反恐維穩(wěn)的國(guó)家戰(zhàn)略與公安技術(shù)信息化需要。項(xiàng)目主要從以下幾個(gè)方面展開(kāi)研究工作：

(1)研究人群聚集事故預(yù)警與防控智能模型。公共場(chǎng)所人群聚集事故中人員構(gòu)成復(fù)雜、流動(dòng)性強(qiáng)，事故發(fā)生的影響因素眾多，具有典型的非線性、不確定性的復(fù)雜動(dòng)力學(xué)系統(tǒng)特點(diǎn)，難以建立精確的數(shù)學(xué)模型。采用流體力學(xué)理論中的流函數(shù)、速度密度模型及勢(shì)場(chǎng)法等，結(jié)合深度學(xué)習(xí)等智能技術(shù)手段，研究人群密度、人群運(yùn)動(dòng)趨勢(shì)、人群混亂程度等事故關(guān)聯(lián)特征與事故預(yù)警防控之間的關(guān)聯(lián)關(guān)系。

(2)研究異常事件特征定義與量化估計(jì)方法。監(jiān)控視頻中人群聚集事故發(fā)生的關(guān)聯(lián)特征尚未形成統(tǒng)一標(biāo)準(zhǔn)定義，且難以實(shí)現(xiàn)精確計(jì)算或量化估計(jì)，從而無(wú)法形成可視化的結(jié)果。利用監(jiān)控視頻中的像素統(tǒng)計(jì)特征、變換域特征與語(yǔ)義特征等，研究聚集人群中撕打、跑跳、攀爬、跌倒等異常事件關(guān)聯(lián)特征，從不同角度描述人群聚集事故發(fā)生的可能性，估計(jì)人群聚集事故的發(fā)生概率。

(3)研究異構(gòu)網(wǎng)絡(luò)環(huán)境下監(jiān)控系統(tǒng)的兼容技術(shù)。現(xiàn)有的城市網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)類(lèi)型眾多、數(shù)量龐大，分布在城市的各個(gè)角落。網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)的網(wǎng)絡(luò)結(jié)構(gòu)趨于一致，但設(shè)備多樣，在硬件參數(shù)、壓縮編碼算法等方面存在巨大差異，彼此兼容性極差。研究滿(mǎn)足不同設(shè)備訪問(wèn)要求的標(biāo)準(zhǔn)化協(xié)議，構(gòu)建服務(wù)于突發(fā)公共事件檢測(cè)的異構(gòu)網(wǎng)絡(luò)環(huán)境下視頻監(jiān)控系統(tǒng)的兼容平臺(tái)。

4 研究成果

(1)針對(duì)環(huán)境光照變化、夜間復(fù)雜場(chǎng)景等條件下人物衣著、車(chē)輛等犯罪嫌疑目標(biāo)顏色特征不確定性強(qiáng)，難以穩(wěn)定獲取其關(guān)鍵特征或軌跡的問(wèn)題取得的研究成果如下：夜間場(chǎng)景中的光源多為單色，且光質(zhì)較硬，色溫較低，所以檢測(cè)和校正夜間偏色圖像的難度大大增加。針對(duì)上述問(wèn)題，首先采用基于等效圓的偏色檢測(cè)法計(jì)算夜間偏色圖像的偏色因子來(lái)量化其偏色程度；之后使用結(jié)合直方圖均衡的動(dòng)態(tài)閾值算法對(duì)其進(jìn)行校正；最后通過(guò)計(jì)算校正后圖像的色差對(duì)提出的算法進(jìn)行評(píng)測(cè)。仿真實(shí)驗(yàn)表明，基于等效圓的偏色檢測(cè)法能夠準(zhǔn)確量化夜間圖像的偏色程度，結(jié)合直方圖均衡的動(dòng)態(tài)閾值算法比其他算法更適用于夜間偏色圖像的校正。相關(guān)研究成果相繼發(fā)表于《中國(guó)人民公安大學(xué)學(xué)報(bào)》《計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)》。

(2)針對(duì)夜間復(fù)雜場(chǎng)景條件下利用步態(tài)等特征確認(rèn)犯罪嫌疑人身份的問(wèn)題取得的研究成果如下：對(duì)夜間環(huán)境下，監(jiān)控視頻中利用步態(tài)進(jìn)行行人身份識(shí)別的情況進(jìn)行探究，并與白天環(huán)境進(jìn)行對(duì)比。針對(duì)夜間環(huán)境下步態(tài)圖像中出現(xiàn)的噪聲和缺損，利用形態(tài)學(xué)方法進(jìn)行預(yù)處理。然后，選取人體頭頂點(diǎn)、質(zhì)心點(diǎn)、左足點(diǎn)、右足點(diǎn)作為特征點(diǎn)，提取點(diǎn)間距離比值關(guān)系的變化作為步態(tài)特征。針對(duì)夜間多是頂光的光線條件，產(chǎn)生的缺足現(xiàn)象，利用巴特沃斯濾波器對(duì)關(guān)鍵點(diǎn)橫、縱坐標(biāo)進(jìn)行濾波的方法進(jìn)行特征優(yōu)化處理。最后，利用支持向量機(jī)(Support Vector Machine，SVM)分類(lèi)方法分別對(duì)白天和夜間環(huán)境下2-25人的步態(tài)特征進(jìn)行分類(lèi)識(shí)別。結(jié)果顯示，夜間環(huán)境下利用步態(tài)識(shí)別行人身份的準(zhǔn)確率僅略低于白天環(huán)境。通過(guò)對(duì)夜間步態(tài)數(shù)據(jù)進(jìn)行優(yōu)化處理，同時(shí)通過(guò)對(duì)比驗(yàn)證了步態(tài)識(shí)別技術(shù)在夜間環(huán)境下的可行性，為步態(tài)識(shí)別結(jié)果作為法庭證據(jù)使用提供重要理論支撐。相關(guān)研究成果發(fā)表于《中國(guó)人民公安大學(xué)學(xué)報(bào)》《四川警察學(xué)院學(xué)報(bào)》和《計(jì)算機(jī)工程與設(shè)計(jì)》。

(3)受人眼視差幾何模型原理構(gòu)成的雙目系統(tǒng)啟發(fā)，將特征匹配算法(Speeded Up Robust Features,SURF)應(yīng)用在基于雙目立體視覺(jué)的犯罪嫌疑目標(biāo)追蹤測(cè)距問(wèn)題取得的成果如下：首先利用攝像機(jī)標(biāo)定技術(shù)對(duì)雙目圖像進(jìn)行標(biāo)定求得攝像機(jī)內(nèi)外參數(shù)，并對(duì)雙目圖像進(jìn)行極限約束，立體校正成共面行對(duì)準(zhǔn)，然后將SURF用于校正后的雙目圖像實(shí)現(xiàn)雙目圖像的立體匹配，最后在使用雙目幾何模型求得雙目圖像視差后，基于三角測(cè)量原理估計(jì)雙目圖像中犯罪嫌疑目標(biāo)與成像設(shè)備之間的實(shí)際距離。實(shí)驗(yàn)誤差分析表明SURF具有匹配準(zhǔn)確率高、計(jì)算復(fù)雜度低、實(shí)時(shí)性好等明顯優(yōu)勢(shì)。將該方法應(yīng)用于夜間暗環(huán)境下的實(shí)驗(yàn)效果，如圖1。其中尺度不變特征變換匹配算法(Scale Invariant Feature Transform,SIFT)與SURF算法準(zhǔn)確率相近，但SURF算法運(yùn)算速度遠(yuǎn)快于SIFT。而將隨機(jī)抽樣一致算法(RANdom SAmple Consensus,RANSAC)與SURF算法相結(jié)合的方法，在保證運(yùn)算速度快的同時(shí)，消除了誤匹配點(diǎn)，極大的提高了立體匹配的準(zhǔn)確率。該技術(shù)現(xiàn)已用于對(duì)復(fù)雜環(huán)境下徘徊行為的感知與識(shí)別，相關(guān)研究成果將于《沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)》發(fā)表。

(a)SIFT算法匹配結(jié)果

(4)針對(duì)室內(nèi)燈光環(huán)境下，視頻人臉檢測(cè)受圖像偏色及復(fù)雜背景干擾所導(dǎo)致的人臉漏檢及誤檢問(wèn)題，在YCbCr色彩空間內(nèi)提出了一種基于Cr通道的OTSU二值化快速膚色分割算法，并將其應(yīng)用于經(jīng)灰度世界算法進(jìn)行偏色校正后的人臉檢測(cè)預(yù)處理階段，經(jīng)預(yù)處理后的視頻幀人臉檢測(cè)由自適應(yīng)增強(qiáng)(Adaptive Boosting,AdaBoost)算法完成。實(shí)驗(yàn)結(jié)果表明：相較以常規(guī)膚色分割算法做視頻幀預(yù)處理的人臉檢測(cè)方案，所提方案在3類(lèi)人臉檢測(cè)評(píng)價(jià)指標(biāo)及運(yùn)行速度方面更優(yōu)。同時(shí)，針對(duì)人臉追蹤過(guò)程中，基于目標(biāo)顏色特征的連續(xù)自適應(yīng)的CamShift(Continuously Adaptive Mean-Shift，CamShift)算法易受類(lèi)膚色背景干擾導(dǎo)致的搜索框偏移及尺寸異常問(wèn)題。提出在YCbCr色彩空間內(nèi)使用SVM針對(duì)視頻幀中人臉模板構(gòu)建膚色分割模型，并對(duì)目標(biāo)場(chǎng)景進(jìn)行膚色分割的視頻幀預(yù)處理方法；另外針對(duì)在視頻中光照強(qiáng)度及場(chǎng)景改變時(shí)，膚色分割模型出現(xiàn)錯(cuò)誤及CamShift算法在人臉追蹤過(guò)程中易出現(xiàn)的顏色特征失效問(wèn)題，對(duì)CamShift算法返回目標(biāo)窗口內(nèi)的Cr均值設(shè)置合適的閾值以判斷追蹤器及膚色分割模型性能，在高于該閾值時(shí)使用Adaboost算法構(gòu)建的人臉檢測(cè)器進(jìn)行人臉復(fù)檢以初始化追蹤器并重構(gòu)膚色分割模型。在OTB-2015目標(biāo)追蹤數(shù)據(jù)集中進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果表明，所提方案相比傳統(tǒng)CamShift算法在類(lèi)膚色背景及光照變化下具有更高的追蹤準(zhǔn)確率及魯棒性；相比近幾年的追蹤算法則在保證了高準(zhǔn)確率的同時(shí)具有更快的運(yùn)行速度。相關(guān)研究成果發(fā)表于《中國(guó)刑事警察學(xué)院學(xué)報(bào)》《計(jì)算機(jī)工程與設(shè)計(jì)》。