[发明专利]一种被遗弃可疑行李的遗弃人检测追踪方法

权利要求书

1.一种被遗弃可疑行李的遗弃人检测追踪方法，其特征在于，包括以下步骤：

数据集收集整理步骤，采用包括人、背包、手提包、手提箱类数据的COCO数据集，将COCO数据集中的背包、手提包、手提箱均归类为行李类，则行李类的COCO数据集中的数据特征集合可表示为和表示所有数据类别索引的集合，其中，、代表第n、第m个样本的数据特征，、代表第n、第m个样本所属的类别索引；

模型训练步骤，将所述数据集收集整理步骤中行李类的COCO数据集进行整理，按比例划分为训练集和测试集，将训练集输入到Mask Rcnn网络中、利用批量梯度下降法求出最优模型进行模型训练，然后将测试集输入到训练后的模型进行检查和调整，得到训练好的检测模型；

检测识别步骤，通过车站视频监控系统对车站内的实时视频数据进行采集，并将采集到的实时视频数据输入至所述模型训练步骤得到的检测模型中，检测模型将实时视频数据中的移动对象识别为行李和携带行李的人；

遗弃行李人追踪步骤，当车站视频监控系统的实时视频数据中出现遗弃行李时，则通过匹配识别找到所述检测识别步骤的识别结果中被遗弃行李的图像，并找到对应携带行李的人为遗弃人，然后采用摄像头拼接画面以及目标跟踪的方法进行遗弃人的轨迹跟踪。

2.如权利要求1所述的一种被遗弃可疑行李的遗弃人检测追踪方法，其特征在于：所述模型训练步骤中，按照3：7的比例将行李类的COCO数据集随机分为测试集和训练集，即训练集占整个行李类的COCO数据集的7/10，测试集占整个行李类的COCO数据集的3/10。

3.如权利要求1或2所述的一种被遗弃可疑行李的遗弃人检测追踪方法，其特征在于：所述模型训练步骤中批量梯度下降法

，其中，是每个特征的权重，t代表批量梯度下降法中权重更新的次数，t为当前更新的次数、t+1为下一次更新，η是学习率，是预测结果值，batch-size是样本数据的数量，i代表行训练集中的第i批样本数据特征，j指样本数据的数量batch-size中样本所对应的维度，模型训练完成后可以检测到人和行李类。

4.如权利要求1所述的一种被遗弃可疑行李的遗弃人检测追踪方法，其特征在于：所述检测识别步骤中，检测模型将实时视频数据中的移动对象识别为行李和携带行李的人，是将从实时视频数据中若干帧图像中识别出的行李和人的图像按照特征向量相似度的降序进行排序，然后使用欧氏距离来计算相似性，其中，是所要查询行李的特征向量，是携带行李的人的特征向量，N是特征向量的大小；之后对欧氏距离计算结果进行排序，图像中与行李间欧氏距离最短的人为携带行李的人。

5.如权利要求1或4所述的一种被遗弃可疑行李的遗弃人检测追踪方法，其特征在于：所述检测识别步骤中，检测模型将实时视频数据中的移动对象识别为行李的特征向量，从视频数据中识别出携带行李的人的特征向量为，然后行李和携带行李的人的特征的特征向量按照特征向量相似度的降序进行排序、使用欧氏距离来计算相似性。

6.如权利要求1所述的一种被遗弃可疑行李的遗弃人检测追踪方法，其特征在于：所述遗弃行李人追踪步骤中，采用的摄像头拼接画面方法为基于SIFT算法的画面拼接算法，所述目标跟踪方法为基于Deepsort算法的目标跟踪算法。

7.如权利要求1所述的一种被遗弃可疑行李的遗弃人检测追踪方法，其特征在于，所述遗弃行李人追踪步骤中，判断出现遗弃行李，具体的：

当车站视频监控系统的实时视频数据中出现静止的行李，且静止的行李与周边所有被识别出的人之间的距离超过设定的安全阈值、并且距离超过设定阈值的时长也超过警戒时间阈值的，则将该静止的行李判定为遗弃行李；

当所述检测识别步骤中，识别出的行李与携带行李的人之间的距离超过设定的安全阈值、并且距离超过设定阈值的时长也超过警戒时间阈值的，则将该静止的行李判定为遗弃行李。