一种群体异常事件的检测方法、装置、设备及存储介质与流程

1.本发明涉及视频监控技术领域，尤其涉及一种群体异常事件的检测方法、装置、设备及存储介质。


背景技术：

2.群体异常事件检测是指从监控视频数据中发现能刻画人群异常行为的特有的信息，如人群密度、人群行为特征等。通过对这些表征人群的信息进行分析，来提醒人们及时对异常事件进行处理，维护公共安全。
3.目前的群体异常事件检测方法主要分为两类，一类是基于个体目标的检测方法，通过分析每个个体的运动特征，例如运动轨迹、姿势等，来得到整个人群的行为特征。另一类是基于群体特征的检测方法，通过提取视频中每帧图像中的人群特征信息，基于人群特征信息训练学习模型，实现正常和异常情况的分类。
4.现有的基于个体目标的检测方法不适用于人群密度大和场景复杂的环境，检测效果较差。现有的基于群体特征的检测方法依赖于训练数据集的采集以及模型训练过程耗时较长。


技术实现要素：

5.本发明提供了一种群体异常事件的检测方法、装置、设备及存储介质，以提高群体异常事件的检测效率和检测效果的准确度。
6.根据本发明的一方面，提供了一种群体异常事件的检测方法，该方法包括：
7.针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像；
8.针对每个对象区域图像，确定所述对象区域图像对应的至少一个运动粒子点；其中，所述运动粒子点用于表征所述对象区域图像对应的运动单元；
9.针对每个运动粒子点，基于所述图像光流场数据，确定所述运动粒子点对应的交互功率；其中，所述交互功率用于表征所述运动粒子点的运动稳定状态；
10.基于至少一个交互功率，确定所述当前图像帧是否属于存在群体异常事件的图像帧。
11.根据本发明的另一方面，提供了一种群体异常事件的检测装置，该装置包括：
12.对象区域图像获取模块，用于针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像；
13.运动粒子点确定模块，用于针对每个对象区域图像，确定所述对象区域图像对应的至少一个运动粒子点；其中，所述运动粒子点用于表征所述对象区域图像对应的运动单元；
14.交互功率确定模块，用于针对每个运动粒子点，基于所述图像光流场数据，确定所述运动粒子点对应的交互功率；其中，所述交互功率用于表征所述运动粒子点的运动稳定
状态；
15.群体异常事件的确定模块，用于基于至少一个交互功率，确定所述当前图像帧是否属于存在群体异常事件的图像帧。
16.根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
17.至少一个处理器；以及
18.与所述至少一个处理器通信连接的存储器；
19.其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的群体异常事件的检测方法。
20.根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的群体异常事件的检测方法。
21.本发明实施例的技术方案，通过针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像，针对每个对象区域图像，基于当前图像帧对应的图像光流场数据，分别确定对象区域图像中的至少一个运动粒子点对应的交互功率，并基于至少一个交互功率，确定当前图像帧是否属于存在群体异常事件的图像帧，解决了在人群密度较大、人群遮挡严重、场景复杂场景下的人群特征提取问题，提高了群体异常事件的检测效率和检测效果的准确度。
22.应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
23.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
24.图1是根据本发明实施例一提供的一种群体异常事件的检测方法的流程图；
25.图2a是根据本发明实施例一提供的一种前景目标区域的示意图；
26.图2b是根据本发明实施例一提供的一种图像光流场数据的示意图；
27.图2c是根据本发明实施例一提供的一种对象区域图像的示意图；
28.图2d是根据本发明实施例一提供的一种实际运动速度的示意图；
29.图2e是根据本发明实施例一提供的一种交互功率的示意图；
30.图3是根据本发明实施例一提供的一种视频数据对应的交互功率的示意图；
31.图4是根据本发明实施例二提供的一种群体异常事件的检测方法的流程图；
32.图5是根据本发明实施例二提供的一种自适应的标准交互功率均值的确定方法的流程图；
33.图6是根据本发明实施例二提供的一种群体异常事件的检测方法的具体实例的流程图；
34.图7是根据本发明实施例三提供的一种群体异常事件的检测装置的结构示意图；
35.图8是根据本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
36.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
37.需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
38.实施例一
39.图1是根据本发明实施例一提供的一种群体异常事件的检测方法的流程图，本实施例可适用于对视频数据中的群体异常事件进行检测的情况，该方法可以由群体异常事件的检测装置来执行，该群体异常事件的检测装置可以采用硬件和/或软件的形式实现，该群体异常事件的检测装置可配置于终端设备中。如图1所示，该方法包括：
40.s110、针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像。
41.其中，具体的，视频数据的数据格式可以是wmv格式、mp4格式、rmvb 格式或mov等等。视频数据可以是任何场景下采集到的视频数据，示例性的，场景包括但不限于饭店、公园、教室和办公区等等。此处对视频数据的数据格式和视频场景不作限定。
42.其中，帧是视频数据中最小单位的单幅影像画面，一个图像帧就是一幅静止的画面，视频数据由多个静止的画面构成。
43.在一个实施例中，可选的，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像，包括：基于预设图像处理算法，确定当前图像帧中的前景目标区域；基于预设光流算法，确定前景目标区域对应的图像光流场数据，以及基于预设对象检测算法，确定前景目标区域对应的至少一个对象区域图像。
44.其中，示例性的，预设图像处理算法包括但不限于单高斯模型算法、混合高斯模型算法、滑动高斯平均算法、sobs(自组织背景检测)算法、 sacon(样本一致性建模)算法和vibe算法等等。在一个实施例中，可选的，采用vibe算法确定当前图像帧中的前景目标区域。其中，vibe算法是一种像素级视频背景建模或前景检测的算法，该算法主要包括三个部分：背景模型的初始化、前景像素点的判别方法和背景像素的更新机制。
45.图2a是根据本发明实施例一提供的一种前景目标区域的示意图。具体的，图2a中的左图表示当前图像帧，图2a中的右图表示基于vibe算法提取到的前景目标区域，前景目标区域中的白色区域表示当前图像帧中的前景图像区域，黑色区域表示当前图像帧中的背景图像区域。
46.在空间中，运动可以用运动场描述，而在一个图像平面上，物体的运动往往是通过图像序列中不同图像灰度分布的不同体现的，从而，空间中的运动场转移到图像上就表示
为光流场。其中，具体的，图像光流场是一个二维矢量场，它反映了图像帧上每一像素点灰度的变化趋势，可看成是带有灰度的像素点在图像平面上运动而产生的瞬时速度场。
47.其中，示例性的，预设光流算法包括但不限于微分法、基于匹配的算法、基于能量的算法、基于相位的算法和神经动力学算法等等。在一个实施例中，可选的，采用ldof(large displacement optical flow，大位移光流)算法，确定前景目标区域对应的图像光流场数据。其中，ldof 算法是由thomas brox等人提出一种将特征点匹配方法和变分光流模型相结合的方法来进行光流场估计的算法。
48.图2b是根据本发明实施例一提供的一种图像光流场数据的示意图。具体的，图2b中的箭头表示二维速度矢量，箭头的长度表示速度的大小，箭头的方向表示速度的运动方向。
49.在一个实施例中，可选的，预设对象检测算法为hog(histogram oforiented gradient，方向梯度直方图)特征和svm分类器。其中，具体的，每个对象区域图像包含一个对象，示例性的，对象可以是行人、动物或物体，此处对对象的类型不作限定。
50.图2c是根据本发明实施例一提供的一种对象区域图像的示意图。具体的，图2c中的每个黑色方框内的图像表示一个对象区域图像。
51.s120、针对每个对象区域图像，确定对象区域图像对应的至少一个运动粒子点。
52.在本实施例中，运动粒子点用于表征对象区域图像对应的运动单元。在一个实施例中，可选的，确定对象区域图像对应的至少一个运动粒子点，包括：将对象区域图像的图像中心点作为运动粒子点。
53.在另一个实施例中，可选的，确定对象区域图像对应的至少一个运动粒子点，包括：将对象区域图像等分为至少两个图像块，将每个图像块中的图像块中心点作为运动粒子点。这样设置的好处在于，使得当前图像帧中得到的运动粒子点的集合的维度较低，保证后续群体异常事件的检测效果的准确度。
54.s130、针对每个运动粒子点，基于图像光流场数据，确定运动粒子点对应的交互功率。
55.在一个实施例中，可选的，基于图像光流场数据，确定运动粒子点对应的交互功率，包括：基于运动粒子点对应的图像块以及与图像块对应的图像光流场数据，确定运动粒子点的实际运动速度；基于恐慌权重系数以及运动粒子点对应的图像光流场数据，确定运动粒子点的期望运动速度；基于实际运动速度和期望运动速度，确定运动粒子点对应的交互功率。
56.其中，具体的，实际运动速度vi满足公式：
[0057][0058]
其中，o
ave
(xi,yi)表示第i个运动粒子点对应的第i个图像块中所有像素点对应的图像光流场数据的平均值，n表示第i个图像块对应的横向的像素点的个数，m表示第i个图像块对应的纵向的像素点的个数，o(xi,yj)表示第i个图像块中坐标点为(xi,yj)的像素点对应的图像光流场数据。
[0059]
图2d是根据本发明实施例一提供的一种实际运动速度的示意图。具体的，图2d中
每个行人分别对应的至少一个黑色箭头分别对应一个运动粒子点，其中，黑色箭头的长度表示运动粒子点的实际运动速度的速度大小，黑色箭头的方向表示运动粒子点的实际运动速度的运动方向。
[0060]
其中，具体的，期望运动速度满足公式：
[0061][0062]
其中，pi表示第i个运动粒子点对应的恐慌权重系数，o(xi,yj)表示第 i个运动粒子点对应的第i个图像块中图像块中心点对应的光流场数据。
[0063]
其中，恐慌权重系数pi可以表示比如当有重大事件发生时，人群中的个体会出现跟随人群整体逃跑的从众行为。当pi趋近于0时，行人趋于个体的独立运动，当pi趋近于1时，行人按照周围人群的运动趋势运动，不再独立行动。
[0064]
个体运动、排斥力和吸引力这几个因素都会影响到行人的运动。由于运动粒子点具有人群流动场的共同速度，也就是说，每个运动粒子点都有其自身期望的运动速度，若运动粒子点的实际运动速度同期望运动速度相比存在偏差，这种偏差是由运动粒子点和其周围的其他运动粒子点或环境之间的交互作用力导致的。
[0065]
本发明实施例提出的交互功率模型中，首先要考虑两个因素，一个是行人的个体动机，另一个就是场景中的环境对行人的影响。在一个密集的人群场景中，每个行人i具有质量mi，行人i实际受到的作用力fa满足公式：
[0066][0067]
其中，f
p
表示行人因个人期望运动方向而产生的个人的期望作用力， f
int
表示行人受到周围环境的影响而产生的交互作用力。
[0068]
其中，期望作用力f
p
满足公式：
[0069][0070]
其中，τ表示松弛系数。
[0071]
对于特定场景或人群，人群中的个体可以看作具有近似相同的大小，故可假设mi＝1。交互功率是基于每个运动粒子点所受到的交互作用力f
int
得到的。在一个实施例中，可选的，交互功率满足公式：
[0072][0073]
其中，p
int
表示交互功率，f
int
表示交互作用力，vi表示第i个运动粒子点的实际运动速度，τ表示松弛系数，表示期望运动速度。
[0074]
在本实施例中，交互功率用于表征运动粒子点的运动稳定状态。当交互功率较大时，说明运动粒子点当前的运动势能变化较快，则运动粒子点的运动状态越不稳定，人群越可能出现异常；反之，当交互功率较小时，运动粒子点的运动势能变化较慢，则运动粒子点的运动状态比较稳定，人群也趋于正常。
[0075]
图2e是根据本发明实施例一提供的一种交互功率的示意图。具体的，不同灰度值
表示不同的交互功率的参数值。可以理解的是，在实际应用中，可采用不同的颜色值表示不同的交互功率的参数值，如蓝色表示交互功率的参数值较小，红色表示交互功率的参数值较大。
[0076]
s140、基于至少一个交互功率，确定当前图像帧是否属于存在群体异常事件的图像帧。
[0077]
在一个实施例中，可选的，基于至少一个交互功率，确定当前图像帧是否属于存在群体异常事件的图像帧，包括：判断大于预设功率阈值的交互功率对应的运动粒子点的个数是否大于预设个数阈值，如果是，则当前图像帧属于存在群体异常事件的图像帧，如果否，则当前图像帧不属于存在群体异常事件的图像帧。其中，示例性的，预设功率阈值可以是3。
[0078]
图3是根据本发明实施例一提供的一种视频数据对应的交互功率的示意图。具体的，图3中上面两张图片分别表示视频数据a中的某帧图像帧以及视频数据a对应的交互功率曲线，图3中下面两张图片分别表示视频数据b中的某帧图像帧以及视频数据b对应的交互功率曲线。其中，交互功率曲线的横坐标表示视频数据的图像帧数，纵坐标表示交互功率。从图3可以看出，视频数据a中图像帧中的人群行为稳定，相应的，视频数据 a对应的交互功率趋于稳定，且交互功率的参数值普遍偏小，而视频数据 b中图像帧中的人群出现明显的剧烈运动行为，相应的，视频数据b对应的交互功率不稳定，且交互功率的参数值普遍偏大。从整个视频数据的交互功率的分布情况来看，异常人群的视频数据(视频数据b)对应的交互功率明显大于正常人群的视频数据(视频数据a)对应的交互功率。
[0079]
从图3可以看出，同一场景下，正常人群的视频数据对应的交互功率和异常人群的视频数据对应的交互功率的均值区别比较明显。因此，在另一个实施例中，可选的，基于至少一个交互功率，确定当前图像帧是否属于存在群体异常事件的图像帧，包括：基于至少一个交互功率，确定当前图像帧对应的交互功率均值以及功率均值阈值；基于交互功率均值以及功率均值阈值，确定当前图像帧中是否属于存在群体异常事件的图像帧。
[0080]
在一个实施例中，可选的，基于至少一个交互功率，确定当前图像帧对应的交互功率均值以及功率均值阈值，包括：将所有运动粒子点分别对应的交互功率求均值，得到交互功率均值；将至少一个交互功率对应的中值作为功率均值阈值。
[0081]
其中，具体的，如果交互功率均值大于功率均值阈值，则将当前图像帧作为存在群体异常事件的图像帧，即异常的图像帧，如果交互功率均值小于或等于功率均值阈值，则将当前图像帧作为不存在群体异常事件的图像帧，即正常的图像帧。
[0082]
本实施例的技术方案，通过针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像，针对每个对象区域图像，基于当前图像帧对应的图像光流场数据，分别确定对象区域图像中的至少一个运动粒子点对应的交互功率，并基于至少一个交互功率，确定当前图像帧是否属于存在群体异常事件的图像帧，解决了在人群密度较大、人群遮挡严重、场景复杂场景下的人群特征提取问题，提高了群体异常事件的检测效率和检测效果的准确度。
[0083]
实施例二
[0084]
图4是根据本发明实施例二提供的一种群体异常事件的检测方法的流程图，本实施例是对上述实施例中的“基于所述交互功率均值以及功率均值阈值，确定所述当前图像
帧中是否属于存在群体异常事件的图像帧”技术特征进行进一步细化。如图4所示，该方法包括：
[0085]
s210、针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像。
[0086]
s220、针对每个对象区域图像，确定对象区域图像对应的至少一个运动粒子点。
[0087]
s230、针对每个运动粒子点，基于图像光流场数据，确定运动粒子点对应的交互功率。
[0088]
s240、基于至少一个交互功率，确定当前图像帧对应的交互功率均值以及功率均值阈值。
[0089]
其中，具体的，针对视频数据的每个图像帧，当前图像帧对应的至少一个交互功率构成一个交互功率集s＝{pwi}(i＝1...n)，其中，pwi表示当前图像帧中第i个运动粒子点对应的交互功率，n表示当前图像帧中包含的运动粒子点的个数。对交互功率集s进行直方图统计，找到直方图中超过一半以上的交互功率值分布的上限值t,对上限值t进行向上取整或向下取整得到功率均值阈值t0＝[t]。同时，对交互功率集s进行求均值处理，得到当前图像帧对应的交互功率均值
[0090]
s250、判断交互功率均值是否大于功率均值阈值，如果是，则执行s270，如果否，则执行s260。
[0091]
其中，具体的，判断交互功率均值pw
mean
是否大于功率均值阈值t0。
[0092]
s260、将当前图像帧作为存在群体异常事件的图像帧。
[0093]
s270、基于交互功率均值和标准交互功率均值之间的差值，确定当前图像帧是否属于存在群体异常事件的图像帧。
[0094]
在一个实施例中，可选的，标准交互功率均值可以是用户预先设置的。具体的，如果差值大于预设差值阈值，则将当前图像帧作为存在群体异常事件的图像帧，如果差值小于或等于预设差值阈值，则将当前图像帧作为不存在群体异常事件的图像帧。
[0095]
其中，交互功率均值数据集是根据视频数据中不存在群体异常事件的图像帧对应的交互功率均值构建的。具体的，基于视频数据中前k帧不存在群体异常事件的图像帧对应的交互功率均值初始化交互功率均值数据集其中，表示交互功率均值数据集s
pw
中第 j个图像帧对应的交互功率均值。
[0096]
其中，具体的，标准交互功率均值p
mean
满足公式：
[0097][0098]
在上述实施例的基础上，该方法还包括：如果图像帧属于存在群体异常事件的图像帧，则上一图像帧对应的交互功率均值数据集为当前图像帧对应的交互功率均值数据集。
[0099]
在上述实施例的基础上，可选的，在交互功率集s进行直方图统计之前，该方法还包括：对当前图像帧对应的交互功率集进行固定大小n的随机取样，得到交互功率集sn。其
中，具体的，交互功率集sn＝{pwi}(i＝1...n)。
[0100]
这样设置的好处在于，可以保证交互功率均值数据集中交互功率均值对应的交互功率集合大小相同，提高标准交互功率均值的稳定性。
[0101]
图5是根据本发明实施例二提供的一种自适应的标准交互功率均值的确定方法的流程图。具体的，基于当前图像帧对应的交互功率集进行随机取样，得到交互功率集sn，对交互功率集sn进行直方图统计，找到直方图中超过一半以上的交互功率值分布的上限值t，对上限值t进行向上取整或向下取整得到功率均值阈值t0＝[t]。同时，对交互功率集sn进行求均值处理，得到当前图像帧对应的交互功率均值判断交互功率均值pw
mean
是否大于功率均值阈值t0，如果是，则将当前图像帧作为存在群体异常事件的图像帧，如果否，则判断交互功率均值和标准交互功率均值之间的差值是否小于预设差值阈值ε。其中，标准交互功率均值是基于当前图像帧对应的交互功率均值数据集(正常人群序列)确定的，具体的，标准交互功率均值p
mean
满足公式：
[0102]
如果交互功率均值和标准交互功率均值之间的差值大于或等于预设差值阈值ε，则将当前图像帧作为存在群体异常事件的图像帧，即异常的图像帧。如果交互功率均值和标准交互功率均值之间的差值小于预设差值阈值ε，则将当前图像帧作为不存在群体异常事件的图像帧，即正常的图像帧。进一步地，基于当前图像帧对应的交互功率均值对标准交互功率均值对应的交互功率均值数据集s
pw
中的交互功率均值进行随机更新，得到下一图像帧对应的交互功率均值数据集。
[0103]
图6是根据本发明实施例二提供的一种群体异常事件的检测方法的具体实例的流程图。具体的，输入视频数据，针对视频数据中的每个图像帧，采用vibe算法提取当前图像帧中的前景目标区域，基于ldof算法确定前景目标区域的图像光流场数据，基于hog特征和svm分类器提取前景目标区域中的至少一个对象区域图像，针对每个对象区域图像，确定对象区域图像对应的至少一个运动粒子点。基于提出的交互功率模型，计算各运动粒子点分别对应的交互功率，构建自适应的交互功率均值数据集，基于功率均值阈值和交互功率均值数据集，判断当前图像帧是否异常，如果是，则将当前图像帧作为存在群体异常事件的图像帧，即异常人群场景下的图像帧。如果否，则将当前图像帧作为不存在群体异常事件的图像帧，即正常人群场景下的图像帧。
[0104]
本实施例的技术方案，通过构建功率均值数据集，并在群体异常事件的检测过程中，基于不存在异常群体异常事件的图像帧对应的交互功率均值实时随机的对交互功率均值数据集中的交互功率均值进行替换，从而实现无监督的自适应的确定标准交互功率均值的准则，解决了固定的标准交互功率均值使得检测结果不准确的问题，区别于传统的基于分类器的群体异常检测方法，在保证检测结果的准确度的同时，节省了训练异常检测分类器的成本和时间。
[0105]
实施例三
[0106]
图7是根据本发明实施例三提供的一种群体异常事件的检测装置的结构示意图。如图7所示，该装置包括：对象区域图像获取模块310、运动粒子点确定模块320、交互功率确
定模块330和群体异常事件的确定模块 340。
[0107]
其中，对象区域图像获取模块310，用于针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像；
[0108]
运动粒子点确定模块320，用于针对每个对象区域图像，确定对象区域图像对应的至少一个运动粒子点；其中，运动粒子点用于表征对象区域图像对应的运动单元；
[0109]
交互功率确定模块330，用于针对每个运动粒子点，基于图像光流场数据，确定运动粒子点对应的交互功率；其中，交互功率用于表征运动粒子点的运动稳定状态；
[0110]
群体异常事件的确定模块340，用于基于至少一个交互功率，确定当前图像帧是否属于存在群体异常事件的图像帧。
[0111]
本实施例的技术方案，通过针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像，针对每个对象区域图像，基于当前图像帧对应的图像光流场数据，分别确定对象区域图像中的至少一个运动粒子点对应的交互功率，并基于至少一个交互功率，确定当前图像帧是否属于存在群体异常事件的图像帧，解决了在人群密度较大、人群遮挡严重、场景复杂场景下的人群特征提取问题，提高了群体异常事件的检测效率和检测效果的准确度。
[0112]
在上述实施例的基础上，可选的，交互功率确定模块330，具体用于：
[0113]
基于运动粒子点对应的图像块以及与图像块对应的图像光流场数据，确定运动粒子点的实际运动速度；
[0114]
基于恐慌权重系数以及运动粒子点对应的图像光流场数据，确定运动粒子点的期望运动速度；
[0115]
基于实际运动速度和期望运动速度，确定运动粒子点对应的交互功率。
[0116]
在上述实施例的基础上，可选的，交互功率满足公式：
[0117][0118]
其中，p
int
表示交互功率，f
int
表示交互作用力，vi表示第i个运动粒子点的实际运动速度，τ表示松弛系数，表示期望运动速度。
[0119]
在上述实施例的基础上，可选的，群体异常事件的确定模块340，包括：
[0120]
功率均值阈值确定单元，用于基于至少一个交互功率，确定当前图像帧对应的交互功率均值以及功率均值阈值；
[0121]
群体异常事件的确定单元，用于基于交互功率均值以及功率均值阈值，确定当前图像帧中是否属于存在群体异常事件的图像帧。
[0122]
在上述实施例的基础上，可选的，群体异常事件的确定单元，具体用于：
[0123]
如果交互功率均值大于功率均值阈值，则将当前图像帧作为存在群体异常事件的图像帧；
[0124]
如果交互功率均值小于或等于功率均值阈值，则基于交互功率均值和标准交互功率均值之间的差值，确定当前图像帧是否属于存在群体异常事件的图像帧。
[0125]
在上述实施例的基础上，可选的，该装置还包括：
[0126]
标准交互功率均值确定模块，用于获取与上一图像帧对应的交互功率
[0127]
均值数据集；交互功率均值数据集包含至少一个不存在异常群体异常事件的图像帧对应的交互功率均值；
[0128]
如果上一图像帧不属于存在群体异常事件的图像帧，则基于上一图像帧对应的交互功率均值，对交互功率均值数据集中任意一个交互功率均值进行替换，得到与当前图像帧对应的交互功率均值数据集；
[0129]
基于与当前图像帧对应的交互功率均值数据集，确定标准交互功率均值。
[0130]
在上述实施例的基础上，可选的，对象区域图像获取模块310，具体用于：
[0131]
基于预设图像处理算法，确定当前图像帧中的前景目标区域；
[0132]
基于预设光流算法，确定前景目标区域对应的图像光流场数据，以及基于预设对象检测算法，确定前景目标区域对应的至少一个对象区域图像。
[0133]
本发明实施例所提供的群体异常事件的检测装置可执行本发明任意实施例所提供的群体异常事件的检测方法，具备执行方法相应的功能模块和有益效果。
[0134]
实施例四
[0135]
图8是根据本发明实施例四提供的一种电子设备的结构示意图。电子设备10旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等) 和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
[0136]
如图8所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(rom)12、随机访问存储器(ram)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(rom)12中的计算机程序或者从存储单元18加载到随机访问存储器(ram)13中的计算机程序，来执行各种适当的动作和处理。在ram 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、rom 12以及ram 13通过总线14彼此相连。输入/输出(i/o)接口15也连接至总线14。
[0137]
电子设备10中的多个部件连接至i/o接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0138]
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(cpu)、图形处理单元 (gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如群体异常事件的检测方法。
[0139]
在一些实施例中，群体异常事件的检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由rom 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到ram 13并由处理器11执行时，可以执行上文描述的群体异常事件的检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于
固件)而被配置为执行群体异常事件的检测方法。
[0140]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/ 或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0141]
用于实施本发明的群体异常事件的检测方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0142]
实施例五
[0143]
本发明实施例五还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机指令，计算机指令用于使处理器执行一种医学图像的分割方法，该方法包括：
[0144]
针对视频数据中的每个图像帧，获取当前图像帧对应的图像光流场数据和至少一个对象区域图像；
[0145]
针对每个对象区域图像，确定对象区域图像对应的至少一个运动粒子点；其中，运动粒子点用于表征对象区域图像对应的运动单元；
[0146]
针对每个运动粒子点，基于图像光流场数据，确定运动粒子点对应的交互功率；其中，交互功率用于表征运动粒子点的运动稳定状态；
[0147]
基于至少一个交互功率，确定当前图像帧是否属于存在群体异常事件的图像帧。
[0148]
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd-rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0149]
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0150]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、区块链网络和互联网。
[0151]
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务中，存在的管理难度大，业务扩展性弱的缺陷。
[0152]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
[0153]
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。