一种基于三维空间的多行人重识别方法、系统技术方案

本发明专利技术公开了一种基于三维空间的多行人重识别方法、系统，通过建立监控空间、布置分布式监控装置，构建邻域拍摄方法和摄像头邻域运动方法，获取当前监控目标区域的实时监控图像，并判断采集的实时监控图像中是否存在行人，进行多行人重识别。与现有技术相比，其有益效果是：可根据目标监控区域人群活动情况进行动态调整摄像头分布情况，达到分布式摄像监控和预警的目的。弥补现有技术存在监控端摄像头等设备摄像过程中容易被遮挡、远距离成像效果较差等问题，能够对重点关注人员进行不间断的、高质量的视频监控，为社会治安管理提供了有效支持。有效支持。有效支持。

【技术实现步骤摘要】
一种基于三维空间的多行人重识别方法、系统


[0001]本专利技术涉及监控
，具体为一种基于三维空间的多行人重识别方法、系统。

技术介绍

[0002]目前，在当前时代背景下，目标识别、目标跟踪等技术已经广泛应用于视频监控领域。在人员密集的环境下，基于视频监控的人群异常分析系统可以帮助监测特定人群，达到提前发现异常人员并且规避风险的目的。
[0003]然而，现有的视频监控系统中，监控端摄像头等设备存在摄像过程中容易被遮挡、远距离成像效果较差等问题。由于摄像头取景范围有限，造成难以完整地检测到行人的面部特征、手足运动轨迹，从而无法达到实时监控的效果。再则，单一维度的摄像头无法获取行人在多个方向的运动轨迹。在行人面向镜头行走时，存在摄像过程中容易被遮挡、远距离成像效果较差等问题，导致无法获取行人坐标位置。

技术实现思路

[0004]本专利技术的目的在于提供一种基于三维空间的多行人重识别方法、系统，以解决上述
技术介绍
中提出的问题。
[0005]为实现上述目的，本专利技术公开了一种基于三维空间的多行人重识别方法，包括如下步骤：步骤一，将监控区域划分为存在多个可安装平面的立体监控空间；基于立体监控空间的各个可安装平面布设分布式监控装置；步骤二，利用布设的分布式监控装置获取当前监控目标区域的实时监控图像，利用神经网络模型判断采集的实时监控图像中是否存在行人；步骤三，当监控图像中存在行人时，则采用基于邻域判定的跟踪拍摄方法控制分布式监控装置对行人进行跟踪。
[0006]作为本专利技术的一种优选技术方案，所述步骤二中分布式监控装置设置有多条横纵滑动导轨，任一横纵滑动导轨的交汇处均安装有一组固定支架；所述固定支架上固定安装有摄像设备。
[0007]作为本专利技术的一种优选技术方案，所述步骤三中采用基于邻域判定的跟踪拍摄方法控制分布式监控装置对行人进行跟踪包括，判断行人当前所处的监控区域；控制当前监控区域的监控装置移动至距离行人头顶最近位置，识别行人轨迹；判断监控设备当前所处监控区域存在的邻域；控制邻域上的监控设备移动至距离目标行人直线距离最近的位置。
[0008]作为本专利技术的一种优选技术方案，所述监控区域邻域是以分布式监控装置的滑动导轨线为分界，横纵方向上存在相邻边的区域。
[0009]作为本专利技术的一种优选技术方案，在基于邻域判定的跟踪拍摄方法控制分布式监控装置对行人进行跟踪时，需要先判断监控图像中的行人是否为重点识别目标，监控图像中的行人为重点识别目标时，则对所述重点识别目标进行跟踪，并实时获取所述重点识别
目标的图像；如果不是，重新识别跟踪目标。
[0010]作为本专利技术的一种优选技术方案，识别行人轨迹方法如下：步骤3
‑
1，布置摄像头时将其按相同间距排列，对于安装面a，定义其长度为Lc，宽度为Lk；安装面a存在x*y个分摄像头，分摄像头两个方向上的间距分别为Lc/x、Lk/y；对于安装面b、c，以安装面b为例，定义其长度为L，在安装面b上安置n个分摄像头，则每个分摄像头之间间距L/n；共设置n个安装面a，摄像头平行于地面安装，每个安装面上均安装摄像头；步骤3
‑
2，设置预警区域，对于导轨，取导轨两侧距离为dy1的矩形区域，与中心点距离近的一侧为近侧，与中心点距离远的一侧为远侧；对于摄像头，以摄像头背面中心，取半径为dy2的圆形区域。设置切换区域，对于导轨，取导轨两侧距离为dq1的矩形区域，与中心点距离近的一侧为近侧，与中心点距离远的一侧为远侧；对于摄像头，以摄像头背面中心，取半径为dq2的圆形区域；步骤3
‑
3，当中心点进入预警区域，系统对中心点相对于导轨或者摄像头的运动轨迹(从进入预警区域到进入切换区域的运动过程中，图像采集到的一系列位置坐标形成运动轨迹，每隔t秒进行轨迹点采样，t可取0.1)进行拟合，每隔t秒可以得到一段运动轨迹，拟合方法可采用最小二乘法对图像的x，y坐标进行线性拟合，形成预判运动趋势方向的方向线段y＝ax+b，x、y分别为图像的横纵坐标。根据视频每帧时间(1/24秒)以及帧数(图像数)p，可以推算出运动速度v＝L/(1/24*(p
‑
1))，L为每隔t秒运动轨迹的起始位置的直线距离。将平面沿半径方向平均划分为m个扇形区域，对应了m个方向。设置计数器，计数器包括m个值，对应m个扇形区域的计数值。每隔t秒进行一次计数器更新，当方向线段所指的方向位于第i(i＝1,
…
,m)个扇形区域间时，第i个计数器值加v*k+c，k为速度比例系数，c，k均为经验值。当下层安装面a的导轨或者摄像头(背面)遮挡住上层安装面a的摄像头视野时，可采用下面方法避免遮挡现象：首先采用深度学习神经网络方式对摄像头获得的图像进行识别，并对已有的导轨或者摄像头背面的数据集进行训练，然后对实时图像中的导轨或者摄像头进行识别，获取下层导轨或者下层摄像头在图像中的位置，从而获取当前摄像头与下层导轨或摄像头的对应位置关系。对于导轨情况，中心点进入切换区域时，最后一段方向线段的重合直线与切换区域相交于两点，分别位于近侧、远侧。上层安装面的摄像头当前位于近侧交点，移动摄像头至远侧的位置。对于摄像头情况，中心点进入切换区域相交时，最后一段方向线段的重合直线与切换区域相交于两点，分别位于近侧、远侧，上层安装面的摄像头当前位于近侧交点，移动摄像头至远侧的位置；最后一段方向线段的重合直线与切换区域相切时，不进行切换。摄像头移动至远侧位置的方法是：当中心点与切换区域边界相交时，(1)对于导轨情况，设相交点为A。设置扇形区域，扇形区域圆心为A，将A与导轨的垂线设为扇形的对称中心，扇形角度可取经验值α。扇形与远侧交点为B、C，A与导轨的垂线与弧线BC交点为D。近侧边界以A为界，两侧分别取L、R两个点，形成角BAL和角CAR；(2)对于摄像头情况，设相交点为A。设置扇形区域，扇形区域圆心为A，将A与摄像头中心点O的线段设为扇形的对称中心，扇形角度可取经验值β。将线段AO沿AO方向延长摄像头圆形的半径r至摄像头与扇形的切点D，扇形弧线的两个终点为B、C。以A为交点取AD的
垂线LR，形成角BAL和角CAR。(3)当角BAC属于m个扇形区域方向中第p,p+1,...,q个区域时(p≤q≤m)，则取计数器中第p,p+1,...,q个计数值的和为sum1。当角BAL属于m个扇形区域方向中第p,p+1,...,q个区域时(p≤q≤m)，则取计数器中第p,p+1,...,q个计数值的和为sum2。当角CAR属于m个扇形区域方向中第p,p+1,...,q个区域时(p≤q≤m)，则取计数器中第p,p+1,...,q个计数值的和为sum3。不含角BAC、角BAL、角CAR，当角LAR属于m个扇形区域方向中第p,p+1,...,q个区域时(p≤q≤m)，则取计数器中第p,p+1,...,q个计数值的和为sum4。取sum1，sum2，sum3，sum4中最大值summax。summax等于sum1时，移动摄像头，直到中心点位于D为止。summax等于sum2时，移动摄本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于三维空间的多行人重识别方法，其特征在于，包括如下步骤：步骤一，将监控区域划分为存在多个可安装平面的立体监控空间；基于立体监控空间的各个可安装平面布设分布式监控装置；步骤二，利用布设的分布式监控装置获取当前监控目标区域的实时监控图像，利用神经网络模型判断采集的实时监控图像中是否存在行人；步骤三，当监控图像中存在行人时，则采用基于邻域判定的跟踪拍摄方法控制分布式监控装置对行人进行跟踪。2.根据权利要求1所述的一种基于三维空间的多行人重识别方法，其特征在于：所述步骤二中分布式监控装置设置有多条横纵滑动导轨，任一横纵滑动导轨的交汇处均安装有一组固定支架；所述固定支架上固定安装有摄像设备。3.根据权利要求1所述的一种基于三维空间的多行人重识别方法，其特征在于：所述步骤三中采用基于邻域判定的跟踪拍摄方法控制分布式监控装置对行人进行跟踪包括，判断行人当前所处的监控区域；控制当前监控区域的监控装置移动至距离行人头顶最近位置，识别行人轨迹；判断监控设备当前所处监控区域存在的邻域；控制邻域上的监控设备移动至距离目标行人直线距离最近的位置。4.根据权利要求3所述的一种基于三维空间的多行人重识别方法，其特征在于：所述监控区域邻域是以分布式监控装置的滑动导轨线为分界，横纵方向上存在相邻边的区域。5.根据权利要求3所述的一种基于三维空间的多行人重识别方法，其特征在于：在基于邻域判定的跟踪拍摄方法控制分布式监控装置对行人进行跟踪时，需要先判断监控图像中的行人是否为重点识别目标，监控图像中的行人为重点识别目标时，则对所述重点识别目标进行跟踪，并实时获取所述重点识别目标的图像；如果不是，重新识别跟踪目标。6.根据权利要求3所述的一种基于三维空间的多行人重识别方法，其特征在于，识别行人轨迹方法如下：步骤3
‑
1，布置摄像头时将其按相同间距排列，对于安装面a，定义其长度为Lc，宽度为Lk；安装面a存在x*y个分摄像头，分摄像头两个方向上的间距分别为Lc/x、Lk/y；对于安装面b、c，以安装面b为例，定义其长度为L，在安装面b上安置n个分摄像头，则每个分摄像头之间间距L/n；共设置n个安装面a，摄像头平行于地面安装，每个安装面上均安装摄像头；步骤3
‑
2，设置预警区域，对于导轨，取导轨两侧距离为dy1的矩形区域，与中心点距离近的一侧为近侧，与中心点距离远的一侧为远侧；对于摄像头，以摄像头背面中心，取半径为dy2的圆形区域。设置切换区域，对于导轨，取导轨两侧距离为dq1的矩形区域，与中心点距离近的一侧为近侧，与中心点距离远的一侧为远侧；对于摄像头，以摄像头背面中心，取半径为dq2的圆形区域；步骤3
‑
3，当中心点进入预警区域，系统对中心点相对于导轨或者摄像头的运动轨迹(从进入预警区域到进入切换区域的运动过程中，图像采集到的一系列位置坐标形成运动轨迹，每隔t秒进行轨迹点采样，t可取0.1)进行拟合，每隔t秒可以得到一段运动轨迹，拟合方法可采用最小二乘法对图像的x，y坐标进行线性拟合，形成预判运动趋势方向的方向线段y＝ax+b，x、y分别为图像的横纵坐标。根据视频每帧时间(1/24秒)以及帧数(图像数)p，可以推算出运动速度v＝L/(1/24*(p
‑
1))，L为每隔t秒运动轨迹的起始位置的直线距离。将平面沿半径方向平均划分为m个扇形区域，对应了m个方向。设置计数器，计数器包括m个值，
对应m个扇形区域的计数值。每隔t秒进行一次计数器更新，当方向线段所指的方向位于第i(i＝1,
…
,m)个扇形区域间时，第i个计数器值加v*k+c，k为速度比例系数，c，k均为经验值。当下层安装面a的导轨或者摄像头(背面)遮挡住上层安装面a的摄像头视野时，可采用下面方法避免遮挡现象：首先采用深度学习神经网络方式对摄像头获得的图像进行识别，并对已有的导轨或者摄像头背面的数据集进行训练，然后对实时图像中的导轨或者摄像头进行识别，获取下层导轨或者下层摄像头在图像中的位置，从而获取当前摄像头与下层导轨或摄像头的对应位置关系。对于导轨情况，中心点进入切换区域时，最后一段方向线段的重合直线与切换区域相交于两点，分别位于近侧、远侧。上层安装面的...

【专利技术属性】
技术研发人员：张龑，王雨露，李亚敏，王业率，马传香，黄辰，王时绘，宋建华，何鹏，杨超，
申请(专利权)人：湖北大学，
类型：发明
国别省市：