基于海量视频的校园安全跨域跟踪方法及系统技术方案

本公开提供了基于海量视频的校园安全跨域跟踪方法及系统，涉及图像检测识别技术领域，包括获取校园实时的监控视频并上传至边缘嵌入式设备进行视频流解码；获取带有运动目标的视频流；将带有运动目标的视频流转化为视频帧图像输入至

【技术实现步骤摘要】
基于海量视频的校园安全跨域跟踪方法及系统


[0001]本公开涉及图像检测识别
，具体涉及基于海量视频的校园安全跨域跟踪方法及系统
。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术
。
[0003]随着公共安防的需求不断扩大，并且作为安防的主要手段的视频监控系统也愈加地完善，摄像头的数量也是逐年增长，尤其是对于安防系数比较高的一些特殊场所
、
企业或者事业单位，如校园
、
机场等
。
近年来，有关校园安全的各种问题和人员在学校中的轨迹路线息息相关
。
但是，传统的校园安防是仅靠人工的形式对海量的视频进行监控分析，需要耗费大量的人力和物力，效率低下
。
随着人工智能技术的发展，在视频中进行目标检测
、
人员识别和跟踪等优秀的解决算法和模型不断涌现，使得通过人工智能解决校园安全问题成为可能
。
[0004]专利技术人发现，目前比较主流的行人重识别基本上都是基于单帧图像的搜索和比对，首先是对每个摄像头下的每帧图片进行
YOLO
模型处理，然后输出该帧图像中所有的行人切片并保存在
gallery
目录下的历史图片库中，然后寻找出指定人员在历史图片库中所有相似的图片
。
但是对于较为复杂的场景，经常会有人员遮挡
、
不同摄像头下的光照强弱变化
、
不同摄像头的分辨率不同
、
视角和姿势的变化导致行人信息不足或匹配时存在较大差异产生误识的问题
。

技术实现思路

[0005]本公开为了解决上述问题，提出了基于海量视频的校园安全跨域跟踪方法及系统，将人工智能的技术功能嵌入到移动设备端，或者部署到边缘设备上，来实现对于海量视频的预处理，并对视频流中的运动目标的多帧图像进行检测跟踪，并绘制目标运行轨迹，实现对运动目标的精确识别
。
[0006]根据一些实施例，本公开采用如下技术方案：
[0007]基于海量视频的校园安全跨域跟踪方法，包括：
[0008]划分校园监控区域，获取校园实时的监控视频并上传至边缘嵌入式设备进行视频流解码；
[0009]对解码后的视频流进行预处理，获取带有运动目标的视频流；
[0010]将带有运动目标的视频流转化为视频帧图像，距离相同时间间隔抓取一张视频帧图像输入至
YOLO
网络进行局部行人检测，之后将识别结果以及该行人在视频帧图像中的切片的坐标输入至
deepsort
网络中进行判别跟踪，并赋予该行人编号，将识别出是同一目标的视频帧行人图像进行分开存储，建立历史行人序列图片库；
[0011]利用重识别模型对将要查找行人的图像序列和历史行人序列图片进行特征对比，
引入时间和空间关联性注意力机制模块，并且对于特征图中每一对节点之间构建一次关联结果，以成对关系项的形式将关联结果堆叠成特征矩阵，输出相似度高的序列，对输出相似度高的序列进行时间区域筛选，根据校园监控区域地图绘制目标行人的轨迹路线
。
[0012]根据一些实施例，本公开采用如下技术方案：
[0013]基于海量视频的校园安全跨域跟踪系统，包括：
[0014]数据获取模块，用于划分校园监控区域，获取校园实时的监控视频并上传至边缘嵌入式设备进行视频流解码；
[0015]运动视频检测模块，用于对解码后的视频流进行预处理，获取带有运动目标的视频流；
[0016]局部运动目标监测跟踪模块，用于将带有运动目标的视频流转化为视频帧图像，距离相同时间间隔抓取一张视频帧图像输入至
YOLO
网络进行局部行人检测，之后将识别结果以及该行人在视频帧图像中的切片的坐标输入至
deepsort
网络中进行判别跟踪，并赋予该行人编号，将识别出是同一目标的视频帧行人图像进行分开存储，建立历史行人序列图片库；
[0017]重识别模块，用于利用重识别模型对将要查找行人的图像序列和历史行人序列图片进行特征对比，引入时间和空间关联性注意力机制模块，并且对于特征图中每一对节点之间构建一次关联结果，以成对关系项的形式将关联结果堆叠成特征矩阵，输出相似度高的序列，对输出相似度高的序列进行时间区域筛选，根据校园监控区域地图绘制目标行人的轨迹路线
。
[0018]根据一些实施例，本公开采用如下技术方案：
[0019]一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质用于存储计算机指令，所述计算机指令被处理器执行时，实现所述的基于海量视频的校园安全跨域跟踪方法
。
[0020]根据一些实施例，本公开采用如下技术方案：
[0021]一种电子设备，包括：处理器
、
存储器以及计算机程序；其中，处理器与存储器连接，计算机程序被存储在存储器中，当电子设备运行时，所述处理器执行所述存储器存储的计算机程序，以使电子设备执行实现所述的基于海量视频的校园安全跨域跟踪方法
。
[0022]与现有技术相比，本公开的有益效果为：
[0023]本公开提供了一种基于海量视频的校园安全跨域跟踪方法，对于海量的实时视频流进行了一种预处理，使用具有视频硬解码的低成本嵌入式设备来对实时的视频流进行解码，降低了视频解码方面的运算成本；此外，针对校园场景场合，所有摄像头并非每时每刻都有行人通过，因此，为了避免处理大量类似没有行人出现的视频流的算力的严重浪费，这里将解码后的视频流通过一种低复杂度的差分算法来检测出运动帧，极大地降低了对于海量实时视频分析处理的成本
。
[0024]本公开对在同一个摄像头下的行人使用
YOLO
进行检测，然后使用复杂度较低的
deepsort
算法对单一摄像头下的同一行人进行跟踪，增大了行人图像的时间和空间的相关性，极大地减少了由于外观相似或者光照等因素导致的误识
。
并且对于单一摄像头下的同一个人的同一段轨迹进行单独存储，当对历史序列图像库进行搜索时，就不需要将所有图片都送入识别模型一一读取特征进行对比，只需要送入几张同一轨迹的图像即可，极大地
降低了运行模型读取比对海量图像的时间成本
。
[0025]本公开对输入行人重识别模型的结果进行了后处理，为了避免外观相似的行人的误识和跟错，在监控区域的时空上提出有效策略，即将短时间内空间跨度较远的识别成同一目标的对象进行排除，有效地降低了误识率，使目标轨迹绘制得更加的合理和平滑
。
附图说明
[0026]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定
。
[0027]图1为本公开实施例中的海量视频的校园安全跨域跟踪系统结构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于海量视频的校园安全跨域跟踪方法，其特征在于，包括：划分校园监控区域，获取校园实时的监控视频并上传至边缘嵌入式设备进行视频流解码；对解码后的视频流进行预处理，获取带有运动目标的视频流；将带有运动目标的视频流转化为视频帧图像，距离相同时间间隔抓取一张视频帧图像输入至
YOLO
网络进行局部行人检测，之后将识别结果以及该行人在视频帧图像中的切片的坐标输入至
deepsort
网络中进行判别跟踪，并赋予该行人编号，将识别出是同一目标的视频帧行人图像进行分开存储，建立历史行人序列图片库；利用重识别模型对将要查找行人的图像序列和历史行人序列图片进行特征对比，引入时间和空间关联性注意力机制模块，并且对于特征图中每一对节点之间构建一次关联结果，以成对关系项的形式将关联结果堆叠成特征矩阵，输出相似度高的序列，对输出相似度高的序列进行时间区域筛选，根据校园监控区域地图绘制目标行人的轨迹路线
。2.
如权利要求1所述的基于海量视频的校园安全跨域跟踪方法，其特征在于，划分校园监控区域包括：将校园监控区域划分为若干子区域，并对子区域进行依次编号，将每个子区域的监控设备与对应子区域进行依次对应编号，并标注监控设备的朝向，将子区域编号和监控设备编号信息录入保存，绘制出编号完毕后的校园监控区域地图
。3.
如权利要求1所述的基于海量视频的校园安全跨域跟踪方法，其特征在于，获取校园实时的监控视频，将编号后的监控设备与具有视频硬解码的边缘嵌入式设备连接，将校园实时的监控视频上传至边缘嵌入式设备进行视频解码，将视频流媒体地址和监控设备对应设置，构建映射关系
。4.
如权利要求1所述的基于海量视频的校园安全跨域跟踪方法，其特征在于，对解码后的视频流进行预处理，获取带有运动目标的视频流，包括：将解码后的视频流使用背景减除帧间差分算法对视频流中是否存在运动进行判断，先对视频流进行灰度化处理，通过连续帧的帧间差分得到背景的分布，通过构建掩膜将每一帧的背景剔除，获得前景的运行目标的视频流
。5.
如权利要求1所述的基于海量视频的校园安全跨域跟踪方法，其特征在于，所述局部行人检测包括：将带有运动目标的视频帧图像，对每一帧图像中的行人进行检测，在距离相同时间间隔抓取一张图像进行行人检测，并将检测的结果和行人在图像帧中的坐标送入
deepsort
网络中来进行判别跟踪，将同一目标的行人给予行人编号，直到该目标消失于该监控区域内
。6.
如权利要求1所述的基...

【专利技术属性】
技术研发人员：郑来波，柳星，于畅，王正璠，李林嫣，陈淼淼，
申请(专利权)人：山东大学，
类型：发明
国别省市：