[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

说明书

本发明公开了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，对图像进行摄像机对的行人重识别；对摄像机网络和行人之间分别找到距离和时间差信息，对摄像机对确定距离后对行人速度进行估计并给出一先验值，并以此推出时间差应满足的分布，再结合实际的时间差确定该如何修正相似性分数。得到修正项之后通过一个比例参数控制原始相似性分数和时间地点信息在修正的相似性分数前所占重要性。得到修正相似性分数后，再构建网络整体的优化问题，其中优化目标为一全局相似性定义，约束条件为一致性条件。本发明通过融合了传统摄像机对行人重识别方法，摄像机地理位置，行人时间差等信息，并结合网络一致性，在摄像机网络中执行行人重识别任务。

技术领域

本发明属于计算机行人比对技术领域，具体为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，该方法是一种不同摄像机间的多地点行人比对方法。

背景技术

目前，视频监控在公共安全中发挥的作用越来越大，而行人比对(行人重实别)技术是视频监控中很重要的一方面，比如判断一个摄像机下检测到的行人是否在其它地方出现过，寻找行人在摄像机网络中的行走轨迹等。经对现有技术文献检索发现，现有的行人比对领域的技术解决方案大多围绕着一对摄像机展开，主要分以下三个方面：特征法(feature representation)和度量法(metric learning)和深度学习法(deep learning)。特征法寻找检测出的行人更具区分度的特征(参见：NikiMartinel and ChristianMicheloni.Re-identify people in wide area camera network.In 2012IEEE computersociety conference on computer vision and pattern recognition workshops，pages31-36.IEEE，2012)，度量法寻找一种度量特征向量间相似性的距离表达方式，使得表示同一个人的特征向量的距离很小，表示不同的人的特征向量间的距离很大(参见Liu Yangand Rong Jin.Distance metric learning：A comprehensive survey.Michigan StateUniversiy，2：78，2006.)。深度学习法自动学习更好的特征，例如卷及神经网络(CNN)被广泛用于从行人图片中提取空间信息(参见Ejaz Ahmed，Michael Jones，and Tim KMarks.An improved deep learning architecture for person re-identification.InProceedings of the IEEE Conference on Computer Vision and PatternRecognition，pages 3908-3916，2015.)。这些方法都在摄像机对下的行人重实别任务中取得成功。但是实际的应用场景中摄像机往往是呈网状分布在一片较大的区域中，每个摄像机覆盖一片区域而且相互之间无重叠，因此执行多摄像机下的行人重识别任务是很有意义的。在多摄像机网络的场景中，传统技术解决方案主要面临如下几个问题：1)多台摄像机之间地理位置跨度大，光照，摄像机的角度的差异会更大；2)多台摄像机之间的地理位置和时间信息没有得到利用；3)对每一对摄像机做行人重实别的结果间可能产生矛盾(即一致性条件被破坏)，需要一种优化模型将这类错误剔除(参见：Abir Das，AnirbanChakraborty，and Amit K Roy-Chowdhury.Consistent reidentification in a camera network.InEuropean Conference on Computer Vision，pages 330-345.Springer，2014.)虽然给出了一种优化方案，但并未考虑多个摄像机之间的时间和位置关系。

发明内容

针对现有技术中存在的上述不足，本发明的目的是提出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。

本发明是通过以下技术方案实现的：