基于遗忘神经网络算法的摄像头时距拓扑网构建方法技术

本发明专利技术公开了基于遗忘神经网络算法的摄像头时距拓扑网构建方法，包括以下具体步骤：S1：将每个摄像头标记为摄像头拓扑网中的点；S2：根据摄像头记录的行人行动轨迹，绘制摄像头拓扑网中的有向边；S3：服务器通过分析判断摄像头采集的行人是否第一次出现，完善更新摄像头拓扑网中有向边的权重，完成拓扑网的构建。本方明可以在时间层面上提供各个摄像头之间的相对距离，用于辅助人员唯一化标识，极大程度提升人脸识别的准确率，并且为人员通道设计、逃生通道设计提供了重要的技术基础。逃生通道设计提供了重要的技术基础。逃生通道设计提供了重要的技术基础。

【技术实现步骤摘要】
基于遗忘神经网络算法的摄像头时距拓扑网构建方法


[0001]本专利技术涉及摄像头间时间距离分析算法
，尤其涉及基于遗忘神经网络算法的摄像头时距拓扑网构建方法。

技术介绍

[0002]现实中网络摄像头部署后只知道彼此之间的IP地址以及使用者传给其的地理位置信息，对于其真实的有效距离信息并不能有效获取，无法自行判断在现实中不同摄像头个体的相对位置。对于如人员通道设计、消防逃生通道设计、安防排查等造成了较大难度。并且因为缺乏有效的时间距离关系，在人脸识别的过程当中，很难去根据人出现的时空关系进行排查从而实现准确的身份识别。

技术实现思路

[0003]本专利技术的目的在于克服现有技术的不足，提供基于遗忘神经网络算法的摄像头时距拓扑网构建方法。
[0004]本专利技术的目的是通过以下技术方案来实现的：
[0005]基于遗忘神经网络算法的摄像头时距拓扑网构建方法，包括以下具体步骤：
[0006]S1：将每个摄像头标记为摄像头拓扑网中的点；
[0007]S2：根据摄像头记录的行人行动轨迹，绘制摄像头拓扑网中的有向边；
[0008]S3：服务器通过分析判断摄像头采集的行人是否第一次出现，完善更新摄像头拓扑网中有向边的权重，完成拓扑网的构建。
[0009]所述S2具体为：根据各个行人经过摄像头的时间顺序，将行人经过的摄像头依次连接，形成多条具有向量特征的边。
[0010]所述S3中的权重包括时距权重T和记忆权重M，时距权重表示两个点之间的时距，记忆权重表示时距的可靠程度。
[0011]所述S3具体为：
[0012]S301：通过行人识别技术和人脸识别技术提取人体特征，确定经过摄像头的行人身份；
[0013]S302：根据特征值记录行人身份到数据库，并记载每个行人最后一次出现摄像头的位置last position，记作LP；
[0014]S303：服务器在数据库中查找行人P最后一次出现摄像头的位置LP
P
，判断行人P是否为第一次出现；
[0015]S304：若行人P为第一次出现，将LP
P
记录回传至数据库；若行人P不是第一次出现，则通过上一次出现点与本次出现点之间的拍摄时间差，即可能时距，更新摄像头拓扑网有向边的权重。
[0016]所述S304具体为：
[0017]当摄像头B注意到了行人P并提取了行人的特征值后，访问服务器在数据库中查找
LP
P
，如果查不到则P是第一次出现，将摄像头B作为LP
P
记录回传至数据库；如果查到了LP
P
，且为摄像头A，A、B拍摄时间差为可能时距，摄像头时距拓扑网根据可能时距进行更新：
[0018]如果存在则更新边上的双权重；
[0019]如果不存在则建立有向边并赋予它初始的双权重值。
[0020]所述更新摄像头拓扑网有向边的权重具体为：
[0021]当边第一次构建时，取此次与上次拍摄到行人的可能时距Δt0作为初始时距权重
[0022]当边被构建后又传来新的可能时距Δt1时，的变化值为：
[0023][0024]其中f(x)和h(x)是定义域为(0，+∞)的单调递减的函数，其值域为[1，0)；μ为常数，表示步长；
[0025]当没有可能时距传入时，记忆权重M每隔dt秒将会下降dm大小的值，其中
[0026]dm＝g(x)dt；
[0027]当可能时距传入时，记忆权重M会上升一个常数φ。
[0028]基于遗忘神经网络算法的摄像头时距拓扑网构建方法，还包括以下步骤：对摄像头时距拓扑网的数据进行存储，包括集中存储和分布式存储；
[0029]当数据进行集中存储时：所有摄像头时距拓扑网信息均存储在中央数据服务器当中，并运用备份数据服务器进行备份；
[0030]当数据进行分布式存储时：数据存储在具有算力的摄像头、边缘服务器或AI NVR中。
[0031]本专利技术的有益效果：
[0032]本方明可以在时间层面上提供各个摄像头之间的相对距离，用于辅助人员唯一化标识，极大程度提升人脸识别的准确率，并且为人员通道设计、逃生通道设计提供了重要的技术基础。
附图说明
[0033]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，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示出的结构获得其他的附图。
[0034]图1是本专利技术的流程图；
[0035]图2是本专利技术的集中式储存时域拓扑网工作流程图；
[0036]图3是本专利技术的分布式储存时域拓扑网工作流程图。
具体实施方式
[0037]应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0038]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完
整地描述，显然，所描述的实施例仅是本专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当人认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。
[0039]关于时距概念的解释：当一个人P于时刻t0在摄像头A中出现，之后于时刻t1在摄像头B中出现，且在t0和t1期间没有出现在任何其他摄像头中，那么Δ
t
＝t1‑
t0则为摄像头A与B之间的一个可能时距。长时间过后统计所有的可能时距并求出在大多情况下的Δt最可能的值，以此值作为A、B的时间距离，称为从A到B的时距，记作(time distance)。不难看出衡量摄像头之间的距离是以达到对方所在地的时间作为衡量标准的，就算摄像头相隔数万里远，只要大多数人能在短时间内依次通过摄像头，那么它们的时距仍然很小。举两个特殊情况中的例子：1、部署在两个城市飞机场的摄像头时距可能很小也可能非常大，两个摄像头间可能存在多个时局，每个时距都有自己对应的出现频率，而此算法从数学原理上分析最终会选出频率最大的时距。2、一个人从A到B花费时间和从B到A花费时间可能是不一样的，这就意味着存在双向时距不一致的情况，即为
[0040]关于摄像头拓扑网的解释：在摄像头拓扑网的构建过程当中，将摄像头抽象成一个个点，点之间以有向边相连。边的时距权重代表着两点间的时距。如果两点之间没有边那么有两种情况：1.它们之间曾经有过边，但是由于被人经过的频率太低而被删除；2.它们间目前还没有采集到过上述的Δt。
[0041]关于摄像头拓扑网有向边的解释：在拓扑网中，将摄像头视为一个点，两点之间的连线即为边，而该边本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于遗忘神经网络算法的摄像头时距拓扑网构建方法，其特征在于，包括以下具体步骤：S1：将每个摄像头标记为摄像头拓扑网中的点；S2：根据摄像头记录的行人行动轨迹，绘制摄像头拓扑网中的有向边；S3：服务器通过分析判断摄像头采集的行人是否第一次出现，完善更新摄像头拓扑网中有向边的权重，完成拓扑网的构建。2.根据权利要求1所述的基于遗忘神经网络算法的摄像头时距拓扑网构建方法，其特征在于，所述S2具体为：根据各个行人经过摄像头的时间顺序，将行人经过的摄像头依次连接，形成多条具有向量特征的边。3.根据权利要求1所述的基于遗忘神经网络算法的摄像头时距拓扑网构建方法，其特征在于，所述S3中的权重包括时距权重T和记忆权重M，时距权重表示两个点之间的时距，记忆权重表示时距的可靠程度。4.据权利要求1所述的基于遗忘神经网络算法的摄像头时距拓扑网构建方法，其特征在于，所述S3具体为：S301：通过行人识别技术和人脸识别技术提取人体特征，确定经过摄像头的行人身份；S302：根据特征值记录行人身份到数据库，并记载每个行人最后一次出现摄像头的位置last position，记作LP；S303：服务器在数据库中查找行人P最后一次出现摄像头的位置LP
P
，判断行人P是否为第一次出现；S304：若行人P为第一次出现，将LP
P
记录回传至数据库；若行人P不是第一次出现，则通过上一次出现点与本次出现点之间的拍摄时间差，即可能时距，更新摄像头拓扑网有向边的权重。5.根据权利要求4所述的基于遗忘神...

【专利技术属性】
技术研发人员：李国良，白一川，谢宇涛，郭丰瑞，江熠，刘子祯，陈松林，于鑫慧，杨诗宇，宋乐，
申请(专利权)人：天津大学四川创新研究院，
类型：发明
国别省市：