[发明专利]一种基于深度学习的区域行人轨迹重构装置及方法

说明书

本发明提供一种基于深度学习的区域行人轨迹重构装置及方法，该轨迹重构装置具有行人检测模块、行人重识别模块以及行人轨迹重构模块，行人检测模块能够对采集到的监控视频RTSP数据流进行行人检测，由行人重识别模块将检测到的行人与数据存储更新模块存储的行人图像进行相似度比对，并根据比对成功的行人生成轨迹记录信息，然后经行人轨迹重构模块将该轨迹记录信息与存储的轨迹数据进行整理后按时序重构出该行人的轨迹图，最终由结果显示模块显示该轨迹图供分析人员查看，由于采用了深度学习方法对海量监控视频数据中的行人信息进行获取、检测分析以及利用视频数据的特征信息重构出行人轨迹，从而实现了对海量监控视频数据的高效处理以及智能化监测。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于深度学习的区域行人轨迹重构装置及方法。

背景技术

在信息化高速发展的时代里，智能监控已经成为了智慧城市中最重要的一个组成部分。摄像头作为一个信息载体，每时每刻都在采集大量的信息，为了将这些海量的信息进行有效的利用，越来越多的智能监控算法被提出，例如：行人重识别，异常事件监测，人流监控等。而行人检测已经成为大部分智能监控算法中的必要的模块。行人检测作为一种基础的工具可以嵌入使用在多种任务场景下，因此需要处理的数据量越来越大，对智能监控算法的速度要求也越来越严格，这也在很大程度上影响了整个算法的速度。

海量的视频数据为公共安全治理带来便利的同时也增加了很大的困难，在传统的办案流程中，当办案人员锁定目标人物信息之后，需要大量的人力在海量视频监控数据中寻找目标人物的蛛丝马迹，逐步定位目标人物的活动轨迹，推断目标人物的藏身地点，然后实施抓捕，而其中耗时最长的步骤便是审阅视频监控数据。行人重识别技术的出现即试图通过人工智能的方式快速定位到海量视频监控数据中的目标人物位置，从而大幅度的减少人力的投入和时间的消耗。

伴随着深度学习的成功，越来越多的学者开始尝试使用深度学习来解决以往难以解决的问题，深度学习已经渗透到各个领域之中，并为每个领域都带来了全新的解决问题的方案。基于深度学习的方案不同于之前的传统方法的方案，基于深度学习的方案往往不需要人工提取大量的特征，其内在的卷积神经网络可以通过反向传播的方式，自动学习提取特征的方式，从而具有更好的泛化性。除此之外，基于深度学习的方案可以移植到GPU计算设备上，往往拥有比传统方法更快的计算速度。

发明内容

为解决上述问题，提供一种快速的行人检测装置，可以在高清视频下进行实时的高精度的行人检测，本发明采用了如下技术方案：

本发明提供了一种基于深度学习的区域行人轨迹重构装置，用于对视频流进行处理从而获得行人的轨迹信息并示出，其特征在于，包括：摄像头、行人检测模块、数据存储更新模块、行人重识别模块、行人轨迹重构模块以及结果显示模块，其中，摄像头根据不同安装位置采集对应位置的监控视频，行人检测模块对摄像头传输的监控视频 RTSP流数据进行行人检测以获取包含行人的待重构图像，数据存储更新模块存储有行人图像、人脸信息以及与行人图像中的行人对应的当前轨迹数据，行人重识别模块将待重构图像与数据存储模块存储的行人图像进行行人相似度比对，一旦比对成功，就生成该行人的轨迹记录信息，轨迹记录信息包括时间信息、位置信息和身份信息，数据存储更新模块将轨迹记录信息对应存储至当前轨迹数据中生成新的轨迹数据，行人轨迹重构模块根据身份信息对轨迹记录信息按行人进行分类，根据时间信息对新的轨迹数据进行排列整理，并基于位置信息对排列整理后的新的轨迹数据进行重构从而生成该行人的轨迹图，结果显示模块将该行人的身份信息以及轨迹图进行展示。

本发明提供的一种基于深度学习的区域行人轨迹重构装置，还可以具有这样的技术特征，其中，行人检测模块包括数据解码单元、快速下采样单元以及多尺度卷积单元，数据解码单元对接收的监控视频 RTSP流数据进行解码生成对应的视频帧图像，快速下采样单元对视频帧图像进行预定倍数的下采样，以获取视频帧图像的感受野，多尺度卷积单元基于感受野获取不同感受野下的特征图，以生成待重构图像。