(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211086029.7 (22)申请日 2022.09.06 (71)申请人 中国科学技术大学 地址 230026 安徽省合肥市金寨路96号 (72)发明人 张俊　刘维嵩　宋卫国　 (74)专利代理 机构 北京麦宝利知识产权代理事 务所(特殊普通 合伙) 11733 专利代理师 胥凯 (51)Int.Cl. G06V 20/52(2022.01) G06V 40/10(2022.01) G06V 40/20(2022.01) G06T 3/40(2006.01) G06Q 50/00(2012.01) (54)发明名称 一种基于行人迈步同步效应的群组检测方 法 (57)摘要 本发明提供一种基于行人迈步同步效应的 群组检测方法， 包括以下步骤： S1： 获得人群中行 人的头部轨迹数据； S2： 对行人的头部轨迹数据 进行平滑滤波处理； S3： 对人员轨迹进行处理， 提 取人员头部轨迹极值点； S4： 非极大值极值点抑 制； S5： 根据抑制处理后的极值点形成匹配记录； S6： 根据匹配记录判断群组。 本发明基于迈步同 步行为建立人群内群组识别， 可解决人群中多群 组共存时群组划分问题。 权利要求书1页 说明书4页 附图3页 CN 115393799 A 2022.11.25 CN 115393799 A 1.一种基于行 人迈步同步效应的群组检测方法， 包括以下步骤： S1： 获得人群中行 人的头部轨迹数据； S2： 对行人的头部轨迹数据进行平 滑滤波处 理； S3： 对人员轨 迹进行处 理， 提取人员头部轨迹极值点； S4： 非极大值极值 点抑制； S5： 根据抑制处理后的极值 点形成匹配记录； S6： 根据匹配记录判断群组。 2.根据权利要求1所述的方法， 其特征在于： 在步骤S1中， 根据人群所在的空间中布置 的摄像头， 在不同的时间点上， 通过头像识别获得不同人的头 部位置， 形成头 部轨迹。 3.根据权利要求2所述的方法， 其特 征在于： 在步骤S2中， 定义平 滑窗口大小W: 其中， FR为摄像机的帧率； v是行人的平均速度； SL为行人步长， 步行速度与步长关系的 二次拟合： S L＝‑0.18·v2+0.72·v+0.03； 对于某个轨迹点， 以其为中心， 查找相邻的点， 包 括该位置点在内共计W个点， 对这 W个点的位置进行算数平均， 作为该位置点平 滑后的结果。 4.根据权利要求3所述的方法， 其特征在于： 在步骤S3中， 对于每一个轨迹点计算其在 二维平面中相对于人员主流运动方向的斜率， 而后计算斜率随时间的导数， 导数为0的点即 为极值点。 5.根据权利要求4所述的方法， 其特征在于： 在步骤S4中， 获得与行人迈步动作匹配最 佳的极值点： 对每一个极值点， 查找该极值点5帧内的其他极值点， 如果都是波峰或者波谷 极值点， 则 保留振幅最大的极值点， 去掉其他极值点； 如果既有波峰极值点， 也有波谷极值 点， 前一最佳极值点为波峰极值点， 则保留振幅最大的波谷极值点， 前一最佳极值点为波谷 极值点， 则保留振幅最大的波峰极值 点， 去掉其他极值点。 6.根据权利要求5所述的方法， 其特征在于， 在步骤S5中， 将行人A的头部轨迹最佳极值 点分别与其他每一个行人B最佳极值点进行比较， 如果相比较的两个极值点在运动方向上 投影距离小于0.6米且时间差在0.3秒以内， 则记录为同步； 如果行人A头部轨迹的多个最佳 极值点匹配了相同的行人B的最佳极值点， 则 在上述匹配的行人A头部轨迹的多个最佳极值 点中， 选择与行人B最佳极值点相位差最小的一个记录为同步， 其它最佳极值点记录为 非同 步。 7.根据权利要求6所述的方法， 其特征在于： 在步骤S6中， 根据行人A中记录的关于其他 行人B的匹配数据， 如果被记录为同步的极值点数量超过行人A的轨迹点数量的50％， 则认 为行人A和行人B构成同一群组。 8.根据权利要求1 ‑7任一项所述的方法， 其特征在于： 在步骤S1中， 如果由于行人头部 被遮挡而没有采集到 头部位置， 则用线性插值的方法补充头 部位置数据。权　利　要　求　书 1/1 页 2 CN 115393799 A 2一种基于行人迈步同步效应的群组检测方 法 技术领域 [0001]本发明涉及模式识别领域， 尤其是一种基于行 人迈步同步效应的群组检测方法。 背景技术 [0002]随着经济的快速发展和人民生活水平的不断提高， 大量人员密集的大型公共建筑 出现， 人群运动 成为公共安全领域关注的问题。 由于社会关系而一起运动的行人群组被称 为“社交群组 ”， 是人群中的重要组成单元， 对人群运动有重要影响。 研究发现， 在正常情况 下， 人群中高达70％的人是在社 交群组中移动。 即使在紧急情况下， 由于具有 社会关系的行 人之间很强的凝聚力， 社 交群组也普遍存在。 因此， 社 交群组的运动特征与 识别方法对于保 障公共场所的人员安全具有重要意 义。 [0003]现有技术中， CN104951806A基于社会距离模型和社会力量模型为基础,模拟量化 场景中个体之间的交互关系， 将个体之间的交互关系用无向权值图表示， 采用基于split ‑ merge策略的方法对无向权值图进行聚类。 该聚类方法主要以行人社会距离为依据。 CN109064484B基于视频数据提取运动方向一致性、 空间稳定性、 人群摩擦冲突性三种动量 特征匹配属于同一群组的行 人。 [0004]然而， 在多群 组共存的人群中， 不同群 组的行人之间的空间分布、 速度和运动方向 也可能满足属于同一群组的条件， 但这些人实际上属于不同社交群组。 因此群组识别算法 需要更多群组内部特 征来区分社交群组。 发明内容 [0005]本发明提供一种基于行 人迈步同步效应的群组检测方法， 包括以下步骤： [0006]S1： 获得人群中行 人的头部轨迹数据； [0007]S2： 对行人的头部轨迹数据进行平 滑滤波处 理； [0008]S3： 对人员轨 迹进行处 理， 提取人员头部轨迹极值点； [0009]S4： 非极大值极值 点抑制； [0010]S5： 根据抑制处理后的极值 点形成匹配记录； [0011]S6： 根据匹配记录判断群组。 [0012]进一步地， 在步骤S1中， 根据人群所在的空间中布置的摄像头， 在不同的时间点 上， 通过头像识别获得不同人的头 部位置， 形成头 部轨迹。 [0013]进一步地， 在步骤S2中， 定义平 滑窗口大小W: [0014] [0015]其中， FR为摄像机的帧率； v是行人的平均速度； S L为行人步长， 步行速度与步长关 系的二次拟合： SL＝ ‑0.18·v2+0.72·v+0.03； 对于某个轨迹点， 以其为中心， 查找相邻的 点， 包括该位置点在内共计W个点， 对这W个点的位置进 行算数平均， 作为该位置点平滑后的 结果。说　明　书 1/4 页 3 CN 115393799 A 3