一种基于时空数据融合的行人再识别方法技术

本发明专利技术公开了一种基于时空数据融合的行人再识别方法，涉及模式识别技术领域，技术方案为，构建神经网络模型；提取摄像头拍摄行人图片拍摄的时间信息；然后对该图片进行深度学习获得其中行人的特征；在判断出相似的行人之后根据两张图片的摄像头信息得出两个摄像头的距离，根据该两图片的时间差信息，结合摄像头的距离得到该行人在这段时间内的大致速度作为行人的一个标签；基于该行人的本身的特征以及与该行人速度相近的图片进行联系，最终得到该行人在某段时间内的某个区域中的行动轨迹图进而寻找该行人。本发明专利技术通过时间间隔得到的行人速度以及在空间中的有限移动性来界定行人。并且在识别的过程中通过摄像头的位置获得该行人的大致行动路线。

A pedestrian recognition method based on spatiotemporal data fusion

【技术实现步骤摘要】
一种基于时空数据融合的行人再识别方法
本专利技术涉及模式识别
，特别涉及一种基于时空数据融合的行人再识别方法。
技术介绍
行人识别技术是近些年来，在计算机视觉领域发展非常快速的一个方向，它的目的是通过不同的摄像头拍摄的照片中能找到我们指定需要寻找的某一个行人，即判断不同位置的摄像头在不同的时间下捕捉到的是否为同一个行人。传统的行人再识别是将检测图片直接通过CNN网络提取特征值，然后再进行行人的重识别，这种方法使用起来在多方面的干扰下，识别效果准确率低下，识别效率低下，并且对于识别出来的行人没有很好的跟踪效果，给行人再识别的跟踪工作带来了较大的阻碍。行人再识别的主要目的不仅仅是为了识别出不同图片上的行人是不是同一个人，而是更多是为了识别并追踪定位行人以便更好的查找到特定行人。行人再识别在不断从新的图片中识别到同一个人的过程中，这个行人周围的环境是会改变的，但是拍摄这个行人的是固定的摄像头，因此可以通过拍摄到行人的摄像头来对行人进行分类，但是一个区域中的摄像头数目巨大且拍摄的图片时间跨度大，数量多，不过行人识别也会在时间上有限制，行人本文档来自技高网...

【技术保护点】
1.一种基于时空数据融合的行人再识别方法，其特征在于，包括：/nS1、通过摄像头进行行人图像采集，并保存采集到的图像，在保存图片时，设置图片命名格式为摄像头编号及时间组合，作为这个摄像头拍摄到的图片的特征；/nS2、构建深度学习神经网络模型；/nS3、将S1保存的图片通过行人检测的网络获取其中行人的部分，通过深度学习训练使网络学习能够得到行人图片的特征值，并添加这个行人图像的时空信息；/nS4、输入待检索的目标行人图像，将起始寻找目标行人的摄像头定义为摄像头A，通过摄像头A进行目标行人图片采集，在摄像头A周围的A相邻摄像头图片库中进行检索，检索范围为基于深度学习得到目标行人图片的相似行人图片，...

【技术特征摘要】
1.一种基于时空数据融合的行人再识别方法，其特征在于，包括：
S1、通过摄像头进行行人图像采集，并保存采集到的图像，在保存图片时，设置图片命名格式为摄像头编号及时间组合，作为这个摄像头拍摄到的图片的特征；
S2、构建深度学习神经网络模型；
S3、将S1保存的图片通过行人检测的网络获取其中行人的部分，通过深度学习训练使网络学习能够得到行人图片的特征值，并添加这个行人图像的时空信息；
S4、输入待检索的目标行人图像，将起始寻找目标行人的摄像头定义为摄像头A，通过摄像头A进行目标行人图片采集，在摄像头A周围的A相邻摄像头图片库中进行检索，检索范围为基于深度学习得到目标行人图片的相似行人图片，将检索得到所述相似行人图片的摄像头定义为摄像头B，通过该相似行人图片的时空信息计算出目标行人移动速度；
S5、将检索范围更新为摄像头B的B相邻摄像头，基于S4中得出的目标行人移动速度、该目标行人图片采集的时间，以及所述摄像头B和各个B相邻摄像头之间的距离，推算出目标行人由摄像头B经过每个B相邻摄像头的时间范围，然后优先检索各个B相邻摄像头中的这个时间范围中采集到的所有行人图片，最后检索得出与目标行人图片对应的相似行人图片，将检索到相似行人图片的摄像头重新更新为新的摄像头B；
S6、通过S5检索出的相似行人图片，以S5获取的相似行人图片的特征值为标准继续检测，重复步骤S5；
S7、在无法通过B相邻摄像头识别到与目标行人对应的相似行人图片是，则视为识别结束，最后通过时间顺序排序及通过摄像头的位置推断出该行人的行动路线，并输出该行人的行动路线。


2.根据权利要求1所述的基于时空数据融合的行人再识别方法，其特征在于，所述步骤S1具体为，
步骤S11，摄像头拍摄并获取监控视频中的图片，将获取图片上传至服务器，在服务器中按每个摄像头一个组别分开保存；
步骤S12，分别在单个摄像头的组别中保存这个摄像头拍的照片，并按照摄像头编号和拍摄时间来命名。


3.根据权利要求2所述的基于时空数据融合的行人再识别方法，其特征在于，所述步骤S2具体为，
步骤S21，构建一个深度学习网络模型，其中包括行人检测网络，特征提取网络，训练层以及特征全连接层；
步骤S22，确定区域内摄像头的数量，并且输入各个摄像头之间的距离，通过两个摄像头的编号来获取该两个摄像头之间的距离。


4.根据权利要求3所述的基于时空数据融合的行人再识别方法，其特征在于，所述步骤S3具体为，
步骤S31，将所述S1保存的图片输入到深度学习网络模型中，然后通过行人检测网络检测出一张图片上面不同的行人图像，并将它们单独提取出来；
步骤S32，提取出来的行人图像输入后续的网络模型中，得到行人图像的特征向量；并在特征向量后面添加目标行人的拍摄时间和对应的拍摄摄像头编号。


5.根据权利要求3所述的基于时空数据融合的行人再识别方法，其特征在于，所述步骤S4具体为，
步骤S41，对采集到的目标行人图片的时间和拍摄该照片的摄像头A的地理位置信息进行识别，然后将检索范围限定在摄像头A周围的A相邻摄像头所上传的照片；
步骤S42，在A相邻摄像头上传的照片中检索出一系列相似行人图像之后，将拍摄到相似行人图片的时间和摄像头位置识别出来；然后通过时空信息计算该行人在这段时间内的移动速度。


6.根据权利要求1所述的基于时空数据融合...

【专利技术属性】
技术研发人员：蔡晓东，韩宇，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45