基于个体步行运动时空规律协同辨识的行人重识别方法技术

本发明专利技术公开了一种基于个体步行运动时空规律协同辨识的行人重识别方法，首先针对监控视频质量低下的局限性，统计城域街区内定长距离行人经过近邻摄像机的个性化时间活动分布，验证相同个体步行运动模式的一致性及相同类型场景的位置无关性，不同个体步行运动模式存在差异性，建立定长距离下个体步行行为规律(时空)模型；然后利用网络学习变长距离下(相同区域)个体步行运动模型的函数修正关系；接着计算不同类型区域内行人运动事件发生概率；最后结合捕获的行人图像，计算视觉和运动事件的联合概率并排序。由于目前没有行人个体步行时间的数据集供以计算其行为规律，在自建数据集上测试结果证明该方法的有效性，能大大提升行人辨识的效果。

【技术实现步骤摘要】
基于个体步行运动时空规律协同辨识的行人重识别方法
本专利技术属于人工智能、大数据分析领域和计算机视觉
，涉及一种行人重识别方法，尤其涉及一种基于个体步行运动时空规律协同辨识的行人重识别方法。
技术介绍
计算机视觉领域的研究者将多监控摄像机条件下检索特定行人的视频侦查技术称为行人重识别，行人重识别主要是利用一个摄像机下获取的特定对象的行人影像，在城域另一个摄像机获取的数据中发现该行人影像的技术。与传统行人重识别技术研究的关键问题相比，本专利技术提出的场景是在多摄像机范围内，对其中单次行走跨越多个摄像机的行人进行身份辨识。人脸识别技术在远距离获取图片或视频数据条件下因人脸分辨率低导致识别性能低下，行人重识别技术通过行人的整体体貌特征而非局部人脸来实现对象的辨识，在身份多元辨识关键
发挥着越来越重要的作用。但是，一方面传统行人重识别技术性能受器件、光照、尺度差异尤其是姿态变化和复杂遮挡的影响严重；另一方面，远距离身份辨识应用场景的复杂多样性使得简单依靠行人视觉特征实现对象辨识的挑战也越来越严峻。实际上，行为分析科学研究结果已经表明，个体行为模式具有较强的行为内在一致性和个体间行为模式的差异性，这种一致性和差异性在时间维度上同样存在。因此，利用行人的运动行为特征协助辨识行人，可以提高重识别的准确率，对公安侦查具有重要意义。现有的行人重识别方法大多是在成对摄像头上利用视觉特征进行检索，关注鲁棒稳定的视觉特征表示和度量方法。然而，在实际侦查环境中，辨识效果受到光照、尺度、遮挡等因素影响，单纯依靠视觉特征进行行人重识别不可信赖。近年来，有研究者利用图像帧之间的时空关系协助行人重识别的研究(文献1、文献2、文献3)，但在实际场景中，图像帧之间的时空关系仍受限于训练样本数据，使得行人重识别的结果受到干扰。利用行人的运动轨迹统计时空行为规律进行辨识可以使得结果更具可信性。而现有的行人重识别方法不能得到行人个体运动的时空规律并协助辨识行人。现有利用运动轨迹协助行人辨识的方法(文献4、文献5、文献6)是在传统行人重识别的基础上融合时空信息对行人重识别的结果进行二次优化或者从多个维度计算行人出现概率然后进行概率融合。文献4提出在行人重识别的基础上，统计行人在成对摄像头间的时空转移规律，获得行人路径组合，通过视觉概率和路径概率联合计算，最终获得概率最高的行人图像和行走路径；文献5提出获取行人在物理空间(监控视频)的运动轨迹，在轨迹中检索摄像头序列，在序列中通过经验阈值和行人重识别方法进行行人定位；文献6提出将手机信号与行人识别结合，分别计算手机重现概率和行人重现概率，得到不同域空间的概率组合，通过计算联合概率找到行人与手机的对应关系。上述方法在行人重识别步骤时无法准确判断行人是否真实出现在监控点中，随着长时监控的轨迹范围扩大，给行人辨识带来较大的计算误差；而个体行为存在个性化差异多元空间联合分析时未考虑对象在不同域空间内的时空一致性，使计算的时间复杂度较高，不能准确高效地解决多域空间属性融合分析的行人辨识问题。现有基于移动轨迹信息得到用户行为模式画像的方法(文献7)提出通过分析目标对象的移动轨迹信息，使用一种再聚类的方法挖掘用户移动轨迹停留点、停留区域以及停留时长。对多噪且密集的移动点进行系统采样，再通过采样后的移动点计算相邻停留区域之间的转移平均速度和转移速度的波动指数，进而分析用户转移的交通方式。上述方法从相较复杂的行人社会行为模式出发，但社会属性会对某个时期的轨迹点产生影响从而造成长时短时的行为模式有偏差。然而个体走路模式很难发生大的变化，本专利技术仅考虑相对简单的行人步行运动时空规律进行协同，更容易获得个体步行模式和人物身份较为直接的关联关系。[1].LvJ,ChenW,LiQ,etal.UnsupervisedCross-datasetPersonRe-identificationbyTransferLearningofSpatial-TemporalPatterns[J].In:IEEEConferenceonComputerVisionandPatternRecognition(CVPR).2018.[2].MartinelN,ForestiGL,MicheloniC.PersonReidentificationinaDistributedCameraNetworkFramework[J].IEEETransactionsonCybernetics,2016:1-12.[3].N.Jiang,etal.:OnlineInter-CameraTrajectoryAssociationExploitingPerson[J].In:ACMInternationalConferenceonMultimedia(ACMMM).(2018)[4]一种时空约束的监控视频行人重识别结果的二次优化方法.[4]一种融合时空模型的跨摄像头行人定位方法.[6]一种多源大数据融合的视频监控行人身份识别方法.[7]一种基于移动轨迹信息的用户行为模式画像的方法.
技术实现思路
本专利技术解决的技术问题是实际侦查环境中在低光照、严重遮挡以及分辨率低下的监控环境下的行人辨识问题。传统的行人重识别研究主要面向个体的视觉特征表达，在视频质量低下的场景下难以辨识行人。个体行为模式具有行为内在一致性和个体间行为模式的差异性，因此本专利技术引入个体步行运动时空行为规律，借鉴人类行为时间特性的统计力学理论成果，提出简单社会运动条件下的个体时间运动行为模式，利用该模式优化行人辨识结果。本专利技术所采用的技术方案是：一种基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于，包括以下步骤：步骤1：获取预定时期内目标对象定长距离和变长距离下的步行运动轨迹数据，并统计定长距离和变长距离下相对应的时间间隔，即单次不间隔的运动距离所需时间；步骤2：建立不同区域内M个目标对象定长距离步行运动规律模型模板；步骤3：利用BP网络学习训练并建立目标对象相同区域内基于定长距离时间规律模型到变长距离下的目标对象个体步行运动时间规律模型的函数转化关系；步骤4：调整变长距离下目标对象个体步行运动规律模型；步骤5：目标对象个体步行运动时空规律协同辨识行人重识别；步骤5.1：在某次观察行人重识别过程中，目标对象穿越A区域时间为t1，且穿越B区域时间为t2，利用贝叶斯网络计算跨区域目标对象空间运动事件的概率；步骤5.2：将得到的目标对象空间运动事件的概率与传统行人重识别方法计算的视觉概率融合计算，得到联合概率排序，协助辨识身份。本专利技术首先针对行人重识别技术中依赖单一空间辨识的局限性，基于城域街区监控视频和手机轨迹等数据，统计定长距离行人经过近邻摄像机的个性化时间活动分布，验证个体步行行为规律(时空)在同路段条件下存在一致性、个体步行行为规律(时空)在同类型路段条件下存在一致性、相异个体步行行为规律(时空)存在差异性，建立定长距离下个体步行行为规律(时空)模型；然后利用网络学习变长距离下本文档来自技高网...

【技术保护点】
1.一种基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于，包括以下步骤：/n步骤1：获取预定时期内目标对象定长距离和变长距离下的步行运动轨迹数据，并统计定长距离和变长距离下相对应的时间间隔，即单次不间隔的运动距离所需时间；/n步骤2：建立不同区域内M个目标对象定长距离步行运动规律模型；/n步骤3：利用BP网络学习训练并建立目标对象相同区域内基于定长距离时间规律模型到变长距离下的目标对象个体步行运动时间规律模型的函数转化关系；/n步骤4：调整变长距离下目标对象个体步行运动规律模型；/n步骤5：目标对象个体步行运动时空规律协同辨识行人重识别；/n步骤5.1：在某次观察行人重识别过程中，目标对象穿越A区域时间为t

【技术特征摘要】
1.一种基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于，包括以下步骤：
步骤1：获取预定时期内目标对象定长距离和变长距离下的步行运动轨迹数据，并统计定长距离和变长距离下相对应的时间间隔，即单次不间隔的运动距离所需时间；
步骤2：建立不同区域内M个目标对象定长距离步行运动规律模型；
步骤3：利用BP网络学习训练并建立目标对象相同区域内基于定长距离时间规律模型到变长距离下的目标对象个体步行运动时间规律模型的函数转化关系；
步骤4：调整变长距离下目标对象个体步行运动规律模型；
步骤5：目标对象个体步行运动时空规律协同辨识行人重识别；
步骤5.1：在某次观察行人重识别过程中，目标对象穿越A区域时间为t1，且穿越B区域时间为t2，利用贝叶斯网络计算跨区域目标对象空间运动事件的概率；
步骤5.2：将得到的目标对象空间运动事件的概率与传统行人重识别方法计算的视觉概率融合计算，得到联合概率排序，协助辨识身份。


2.根据权利要求1所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于，步骤2的具体实现包括以下子步骤：
步骤2.1：计算人脸特征表达模型，采集并建立目标对象个体时空运动数据集，包含定长距离和变长距离和其对应的时间间隔；
步骤2.2：针对不同类型场景的数据统计两点间运动的时间间隔，并通过量化分析计算定点距离间运动时间间隔分布，建立不同区域内的个体定长距离下的运动时空行为模型；其中，个体步行运动时空行为规律在同路段条件下存在一致性，个体步行运动时空行为规律在同类型路段条件下存在一致性，相异个体步行运动时空行为规律存在差异性；
步骤2.3：对M个已知目标对象建立特征模型，包括M个目标对象人脸特征数据库和M个目标对象相对应的个体时空行为特征数据库；
计算人脸特征表达模型，分别对M个目标对象建立个体运动时空行为模型，将人脸特征和时空行为参数特征相关联，组建M个目标对象从身份-人脸图像-步行运动时空行为模式相对应的特征数据库。


3.根据权利要求2所述的基于个体步行运动时空规律协同辨识的行人重识别方法，其特征在于：步骤2.2中，个体步行运动时空行为模型具有个体间行为模式的差异性，对于两个离散概率分布，通过相对熵计算时空运动概率模型的差异；设两两比较的概率模型分别为P和Q，则有，



其中，P(x)和Q(x)分别表示两个时空运动概率模型(离散概率分布)，x表示定点距离下的时间间隔；
当相对熵D(...

【专利技术属性】
技术研发人员：胡瑞敏，黄文心，王晓晨，李东阳，王超，李希希，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42