[发明专利]基于个体步行运动时空规律协同辨识的行人重识别方法

说明书

本发明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。

技术领域

本发明属于人工智能、大数据分析领域和计算机视觉技术领域，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。

背景技术

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，本发明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技术领域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，本发明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。