[发明专利]一种基于多元空间轨迹关联的行人身份识别方法

说明书

本发明公开了一种基于多元空间轨迹关联的行人身份识别方法，本发明基于行人对象在多元空间的身份属性相互佐证，互为补充的特点，提出将视频空间与地理空间的信息融合，并通过轨迹关联的方式进行不同域空间信息的相似性度量。首先根据检测到的移动设备定位的地理轨迹筛选已知路径上的视频图像，再利用隐马尔可夫模型理论(HMM)对图像路径建立隐马尔可夫模型，最后使用维特比算法找到最大关联概率的图像路径，检索出目标人物在已知地理路径上每一个监控点下的图像。在大规模开放场景下进行行人身份识别的问题中，本发明方法能够大大提升计算准确率。

技术领域

本发明属于监控视频检索技术领域，涉及一种行人身份识别方法，具体涉及一种多元轨迹关联的行人身份识别方法。

技术背景

随着监控视频在公安业务的广泛应用，从视频录像中发现案件线索、追踪嫌疑目标的视频侦查技术已成为继刑事技术、行动技术、网侦技术之后侦查破案的第四大技术手段，在案件侦破中发挥着日益重要的作用。目前行人重识别技术作为视频侦查技术的主要技术之一发展迅速，其主要关注行人的外观特征进行度量计算。但在真实的侦查环境中，需要从大范围的搜索场景下检索目标人员，在大范围的搜索场景下，监控摄像机覆盖范围广，监控背景变化大；监控时间跨度大，同一行人由于姿态变化导致外观变化较大；在监控场景下存在大量无关人员，他们可能与目标人员具有相似的外观特征：实际监控场景下的上述特点给行人身份识别带来巨大的挑战。

传统的身份识别方法(文献1、文献2、文献3)利用监控视频内容进行分析，是指在无覆盖的摄像机视角下在图像候选库中检索与查询图像包含同一个行人的图像，分为基于行人外观特征和基于时空约束的身份识别方法。基于行人外观特征的方法旨在寻求鲁棒和稳定的视觉特征或者为这些特征找到合适的度量方法，然而由于在搜索场景下，无关人员可能由于服饰和姿态一致性与目标人员由相似的外观，相同的人可能由于姿态和背景变化导致外观差异较大，因此基于行人外观特征的身份识别方法难以突破其面临的技术障碍。基于时空约束的行人身份识别方法关注行人在不同摄像头下的时空转移模式，忽视了视觉数据和时空数据的强关联关系，由于现有的带有时空信息的训练数据是非有限，识别性能极易受到影响；此外，在长时间的跨度下，同一行人极有可能反复出现在同一个摄像机下，在统计时空转移规律时容易产生较大的计算误差。因此，只利用监控视频信息进行分析难以应对在大范围搜索场景下带来的特殊挑战，需要在监控视频信息之外添加新的要素协同进行行人身份识别。

在大数据时代，人们获取信息的途径变得多种多样。比如监控视频能够跟踪行人的视觉图像；移动设备可以跟踪行人的地理位置等。行人对象在多元空间具有多元身份属性，根据对象行为的时空一致性规律，行人对象的行为在视频图像、地理空间等多元空间中相互佐证、互为补充，具有多源、多域等特点。因此，有望通过不同域空间(视频空间和地理空间)信息融合的方法进行行人身份识别。然而，传统视频图像等单域空间的属性信息结构性质相同，可以直接进行相似度计算，但视频图像与地理信息属于不同域空间属性，之间却发现是关系，异域空间属性之间的融合变得非常困难。对于这种情况，需要把视频图像和地理信息转化成同一维度下的信息再进行度量。

[文献1]Qian X,Fu Y,Jiang Y G,et al.Multi-scale Deep LearningArchitectures for Person Re-identification[J].2017.

[文献2]Wang G,Lai J,Huang P,et al.Spatial-Temporal Person Re-identification[J].2018.

[文献3]Lv J,Chen W,Li Q,et al.Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatial-Temporal Patterns[J].2018.

发明内容

为了解决上述技术问题，本发明提供了一种多元空间轨迹关联的行人身份识别方法。