人群行为预测方法、装置、电子设备及可读存储介质与流程

本技术涉及计算机，尤其是涉及一种人群行为预测方法、装置、电子设备及计算机可读存储介质。

背景技术：

1、人群行为分析与预测是人工智能领域中的一个重要研究方向，也是公共安全领域的关键研究领域。随着人民对美好生活的需要日益增长，大型公共场所作为精神文化活动的核心空间，在活动期间往往会吸引大量群众聚集，人群管理及安全问题也日益凸显，人群行为分析与预测的研究具有重要的价值和意义。

2、当前，对人群行为分析与预测的研究主要有经典方法和人工智能方法。其中，经典方法包括基于统计学方法和基于规则的方法等，人工智能方法包括机器学习方法和知识图谱方法等。在实际应用中，这些方法都存在各自的局限性，主要表现在以下三个方面：

3、算法性能方面：由于人群行为的复杂性和多样性，现有方法难以捕捉到所有的行为模式，导致预测和检测的准确率有限。其次，现有方法对于异常行为的检测能力较弱，容易产生误判和漏判的情况。

4、算法处理速度方面：现有方法在实时场景下往往无法满足实时处理的需求,主要是因为现有方法在构建算法模型时，未能有效地优化模型结构和参数，导致计算复杂度较高，影响了算法的处理速度。

5、所需训练数据量方面：现有方法在训练数据量方面存在一些问题,通常需要大量的训练数据来训练模型。然而，获取和标记大规模的训练数据是一项耗时且昂贵的任务，限制了现有方法的应用范围和可行性。

技术实现思路

1、有鉴于此，本技术的目的在于提供一种人群行为预测方法、装置、电子设备及计算机可读存储介质，通过改良的人群行为预测方法来一定程度上改善上述几个问题。

2、第一方面，本技术实施例提供了一种人群行为预测方法，包括：

3、基于历史视频样本的历史人群视觉特征构建；

4、基于所述历史人群视觉特征构建的结果，进行历史人群运动轨迹预测；

5、基于所述历史人群运动轨迹预测的结果，确定历史事件的特征规律；

6、基于实时视频数据得到的实时人群运动轨迹预测的结果和所述历史事件的特征规律，计算实时视频数据的异常度；

7、基于所述异常度确定是否进行报警。

8、结合第一方面，本技术实施例提供了第一方面的第一种可能的实施方式，其中，所述基于历史视频样本的历史人群视觉特征构建，包括：

9、提取所述历史视频样本中的历史行人特征信息；所述历史行人特征信息包括历史运动特征信息和历史人体姿态特征信息；

10、基于所述历史行人特征信息，生成历史行人特征字典；

11、基于所述历史行人特征字典，确定历史行人类型和每个历史行人类型所对应的人群特征向量；所述人群特征向量中记载有用于表征所对应的人群特点的历史行人特征信息。

12、结合第一方面的第一种可能的实施方式，本技术实施例提供了第一方面的第二种可能的实施方式，其中，所述提取所述历史视频样本中的历史行人特征信息，包括：

13、利用训练完成的deepsort目标检测算法和grabcut前后背景分割算法，从连续的所述历史视频样本中提取出每帧图像中的历史行人区域；

14、针对每个所述历史行人区域，提取该历史行人区域中的所述历史行人特征信息。

15、结合第一方面的第一种可能的实施方式，本技术实施例提供了第一方面的第三种可能的实施方式，其中，所述基于所述历史行人特征字典，确定历史行人类型和每个历史行人类型所对应的人群特征向量，包括：

16、根据场景信息对所述历史行人特征字典进行优化；所述优化包括调整历史行人特征字典中的特征向量和调整历史行人特征字典中的字典级数；

17、按照所述历史行人特征字典对行人进行聚类，以确定历史行人类型；

18、根据所述确定的历史行人类型，确定在特定场景下的每个历史行人类型所对应的人群特征向量。

19、结合第一方面的第一种可能的实施方式，本技术实施例提供了第一方面的第四种可能的实施方式，其中，所述基于所述历史人群视觉特征构建的结果，进行历史人群运动轨迹预测，包括：

20、针对每类人群，根据该类人群的所述历史行人特征字典，确定该类人群的预测目的地；

21、针对每类人群，利用社会力模型，根据该类人群的人群特征向量和该类人群的预测目的地，确定预测出的该类人群的历史人群运动轨迹；

22、根据每类人群所预测出的历史人群运动轨迹，分别生成每类人群的运动轨迹预测字典。

23、结合第一方面的第四种可能的实施方式，本技术实施例提供了第一方面的第五种可能的实施方式，其中，所述针对每类人群，根据该类人群的所述历史行人特征字典，确定该类人群的预测目的地，包括：

24、根据所述历史视频样本，构建地理平面图；所述地理平面图包括真实地图和虚拟地图，所述真实地图与虚拟地图相接；

25、在所述虚拟地图中构建虚拟经过点，并将所述虚拟经过点与真实流向点进行连接，形成候选路径；所述候选路径的权重与候选路径的长度呈正相关性；

26、使用a-star算法，并依据场景信息、所述历史行人特征字典和所述候选路径的权重，从所述候选路径中选择出最优路径，并基于所述最优路径确定预测目的地。

27、结合第一方面，本技术实施例提供了第一方面的第六种可能的实施方式，其中，所述基于所述历史人群运动轨迹预测的结果，确定历史事件的特征规律，包括：

28、基于所述历史视频样本，进行st-aog建模，得到所述历史视频样本所对应场景的时序与空间特征；

29、使用高斯混合模型、状态转移模型和概率统计直方图对所述时序与空间特征进行分析，以确定所述场景所对应的场景事件发生概率；

30、基于所述场景事件发生概率，构建st-aog字典，所述st-aog字典用于表征历史事件的特征规律。

31、第二方面，本技术实施例还提供一种人群行为预测装置，包括：

32、构建模块，用于基于历史视频样本的历史人群视觉特征构建；

33、预测模块，用于基于所述历史人群视觉特征构建的结果，进行历史人群运动轨迹预测；

34、第一确定模块，用于基于所述历史人群运动轨迹预测的结果，确定历史事件的特征规律；

35、计算模块，用于基于实时视频数据得到的实时人群运动轨迹预测的结果和所述历史事件的特征规律，计算实时视频数据的异常度；

36、第二确定模块，用于基于所述异常度确定是否进行报警。

37、结合第二方面，本技术实施例提供了第二方面的第一种可能的实施方式，其中，所述构建模块在用于基于历史视频样本的历史人群视觉特征构建时，具体用于：

38、提取所述历史视频样本中的历史行人特征信息；所述历史行人特征信息包括历史运动特征信息和历史人体姿态特征信息；

39、基于所述历史行人特征信息，生成历史行人特征字典；

40、基于所述历史行人特征字典，确定历史行人类型和每个历史行人类型所对应的人群特征向量；所述人群特征向量中记载有用于表征所对应的人群特点的历史行人特征信息。

41、结合第二方面的第一种可能的实施方式，本技术实施例提供了第二方面的第二种可能的实施方式，其中，所述构建模块在用于提取所述历史视频样本中的历史行人特征信息时，具体用于：

42、利用训练完成的deepsort目标检测算法和grabcut前后背景分割算法，从连续的所述历史视频样本中提取出每帧图像中的历史行人区域；

43、针对每个所述历史行人区域，提取该历史行人区域中的所述历史行人特征信息。

44、结合第二方面的第一种可能的实施方式，本技术实施例提供了第二方面的第三种可能的实施方式，其中，所述构建模块在用于基于所述历史行人特征字典，确定历史行人类型和每个历史行人类型所对应的人群特征向量时，具体用于：

45、根据场景信息对所述历史行人特征字典进行优化；所述优化包括调整历史行人特征字典中的特征向量和调整历史行人特征字典中的字典级数；

46、按照所述历史行人特征字典对行人进行聚类，以确定历史行人类型；

47、根据所述确定的历史行人类型，确定在特定场景下的每个历史行人类型所对应的人群特征向量。

48、结合第二方面的第一种可能的实施方式，本技术实施例提供了第二方面的第四种可能的实施方式，其中，所述预测模块在用于基于所述历史人群视觉特征构建的结果，进行历史人群运动轨迹预测时，具体用于：

49、针对每类人群，根据该类人群的所述历史行人特征字典，确定该类人群的预测目的地；

50、针对每类人群，利用社会力模型，根据该类人群的人群特征向量和该类人群的预测目的地，确定预测出的该类人群的历史人群运动轨迹；

51、根据每类人群所预测出的历史人群运动轨迹，分别生成每类人群的运动轨迹预测字典。

52、结合第二方面的第四种可能的实施方式，本技术实施例提供了第二方面的第五种可能的实施方式，其中，所述预测模块在用于针对每类人群，根据该类人群的所述历史行人特征字典，确定该类人群的预测目的地时，具体用于：

53、根据所述历史视频样本，构建地理平面图；所述地理平面图包括真实地图和虚拟地图，所述真实地图与虚拟地图相接；

54、在所述虚拟地图中构建虚拟经过点，并将所述虚拟经过点与真实流向点进行连接，形成候选路径；所述候选路径的权重与候选路径的长度呈正相关性；

55、使用a-star算法，并依据场景信息、所述历史行人特征字典和所述候选路径的权重，从所述候选路径中选择出最优路径，并基于所述最优路径确定预测目的地。

56、结合第二方面，本技术实施例提供了第二方面的第六种可能的实施方式，其中，所述第一确定模块在用于基于所述历史人群运动轨迹预测的结果，确定历史事件的特征规律时，具体用于：

57、基于所述历史视频样本，进行st-aog建模，得到所述历史视频样本所对应场景的时序与空间特征；

58、使用高斯混合模型、状态转移模型和概率统计直方图对所述时序与空间特征进行分析，以确定所述场景所对应的场景事件发生概率；

59、基于所述场景事件发生概率，构建st-aog字典，所述st-aog字典用于表征历史事件的特征规律。

60、第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行上述第一方面中任一种可能的实施方式中的步骤。

61、第四方面，本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述第一方面中任一种可能的实施方式中的步骤。

62、本技术实施例提供的一种人群行为预测方法、装置、电子设备及计算机可读存储介质，其中，基于历史视频样本的历史人群视觉特征构建；基于所述历史人群视觉特征构建的结果，进行历史人群运动轨迹预测；基于所述历史人群运动轨迹预测的结果，确定历史事件的特征规律；基于实时视频数据得到的实时人群运动轨迹预测的结果和所述历史事件的特征规律，计算实时视频数据的异常度；基于所述异常度确定是否进行报警。该实施例中，主要分为两个阶段，即准备阶段和预测阶段，其中，在准备阶段，根据历史视频样本确定历史事件的特征规律，以在预测阶段，利用确定出来的历史事件的特征规律以及实时视频数据，预测异常情况。通过该方式，实现自动检测和报告异常，有利于提升预测的效率和准确性。

63、为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。