[发明专利]一种结合时空和网络一致性的摄像机网络行人重识别方法

权利要求书

1.一种结合时空和网络一致性的摄像机网络行人重识别方法，其特征在于，包括以下步骤：

第一步：对所有检测到的行人做特征提取，然后分别对每对摄像机对之间的行人对做行人重识别，得到每对行人对之间的原始的相似性分数；

第二步：利用摄像机的地理位置信息和视频时间戳信息，构建摄像机网络的时间空间约束；包括：

步骤2.1，利用每个摄像机所捕获的视频中检测出的行人对应的时间戳，计算每对摄像机对下的每对行人对之间的时间间隔，得到行人对之间的时间差；

步骤2.2，找到每个摄像机覆盖区域的中心，记第i个摄像机覆盖的区域中心坐标为(x_i,y_i)，由摄像机的地理坐标计算每对摄像机对之间的欧氏距离；

步骤2.3，利用求出的行人对之间的时间差和摄像机对之间的欧氏距离，配合一个规范函数把时间差过短的行人对的相似性分数置零，即将时间差过短的行人对作为异常数据uLoss剔除；

第三步：将行人对的时间差映射为一个实数，此映射作为修正函数，用来进一步修正原始的相似性分数；

定义修正函数，用来修正原始的相似性分数，具体为：

其中：

R()代表修正函数；

Δt()代表行人对之间的时间差；

f()代表对时间差的映射；

代表第i₁个摄像机下的第j₁个人；

代表第i₂个摄像机下的第j₂个人；

代表对应摄像机对下的行人对间的最小时间差；v₁代表行人行走的速度；

代表摄像机对之间的欧氏距离；i＝1,2,...,m；j＝1,2,...,n，代表一共有m台摄像机，每台摄像机下n个人；

写出修正函数后，对相似性分数的修正采用了原始相似性分数与修正函数相加，并用一比例常数控制原始相似性分数和修正函数的比例；具体为：

其中：

d'()代表修正后的相似性分数矩阵；

R()代表修正函数；

d()代表原始的相似性分数矩阵；

λ代表比例常数；

I代表示性函数，当且仅当括号内为真时返回1；

第四步：利用修正后的相似性分数，建立摄像机网络下的行人重识别全局优化目标；包括：

首先定义一个全局相似性：设目标变量为一指派矩阵；然后找到一种指派矩阵x()，使得这个全局相似性定义的值最大；

在修正后的相似性分数的基础上，建立摄像机网络下的行人重识别全局优化目标，包括目标函数和约束条件；表示为：

其中：

d'()代表修正后的相似性分数矩阵；

建立行人重识别全局优化目标，就是找到这样的一种指派矩阵x()，使得全局相似性定义的值最大；

第五步：利用指派矩阵x()建立一致性约束条件；

第六步：求解优化目标所得的解所对应的行人对间的相似性分数置1，得到最终相似性分数，作为行人比对的依据。

2.根据权利要求1所述的结合时空和网络一致性的摄像机网络行人重识别方法，其特征在于：第二步中，引入行人速度的经验分布作为规范函数，结合行人对之间的时间差和摄像机对之间的欧氏距离，剔除异常数据uLoss；

定义，

其中：

v₁代表行人行走的速度；

Δt()代表行人对之间的时间差；

代表第i₁个摄像机下的第j₁个人；

代表第i₂个摄像机下的第j₂个人；

代表摄像机对之间的欧氏距离；

代表对应摄像机对下的行人对间的最小时间差；当实际时间差小于该值时，则该行人对不是同一个人，相似性分数置零；

i＝1,2,...,m；j＝1,2,...,n，代表一共有m台摄像机，每台摄像机下n个人。

3.根据权利要求1所述的结合时空和网络一致性的摄像机网络行人重识别方法，其特征在于：f()为将时间差映射到(0,1)间实数的函数，具有先上升后下降的特性，表达了最终相似性分数的修正项与时间差的关系；f()的定义域为时间差需要满足的条件。