[发明专利]一种时空约束的监控视频行人重识别结果的二次优化方法

说明书

本发明公开了一种时空约束的监控视频行人重识别结果的二次优化方法，首先，采用基于人体外貌视觉特征的行人重识别算法，得到初始识别结果；接着，通过视频帧中提起的时间序列参数，计算视觉匹配概率、路径匹配概率及二者的联合概率；最后，选择联合概率最大的路径下的行人图像作为输出。本发明方法在不降低召回率的前提下，显著提升了行人重识别结果的可信度，有效克服了传统的基于视觉特征的行人重识别方法对监控环境敏感的缺陷。

技术领域

本发明属于视频分析技术领域，涉及监控视频行人重识别分析，具体涉及一种时空约束的监控视频行人重识别结果的二次优化方法。

技术背景

近年来，随着视频监控系统大量普及，视频监控系统在打击犯罪、维护稳定实践中正发挥着越来越重要的作用，视频侦查已成为公安机关侦查破案的新手段。在视频侦查应用中，针对特定嫌疑目标(尤其是人)的检索是重要需求。目前这一过程主要通过人工完成，耗费大量的人力物力以及时间，影响破案效率。特定目标监控视频检索的核心关键问题——行人重识别，是指判断不同监控摄像头下出现的行人图像是否属于同一行人。随着技术发展和应用需求的增加，这一问题正逐渐发展为学术研究和行业应用的热点。

为了在多摄像头画面下准确匹配同一行人，相关学者分别在时空线索、生物特征和外貌视觉特征的基础上开展行人重识别研究。虽然特定应用条件下人脸识别等技术被用于行人身份识别，然而在实际视频监控环境下，存在监控视频画面的分辨率较差、行人对象尺度较小以及行人对象姿态的随意性等因素，导致人脸、步态等生物特征难以提取。相对于时空线索和生物特征，行人的外貌视觉特征容易提取并且具有一定的个体辨识力。而且在一定的时空范围内，行人对象往往不会换装。因此，现有研究大多采用行人图像的外貌特征。

在现有基于外貌的行人重识别研究中，研究者围绕特征提取及相似性度量发展了许多方法。前者重点在于设计鲁棒可靠的行人图像特征表示模型，即能够区分不同行人，同时能够不受光照和视角变化的影响；后者重点在于学习符合行人图像特征分布特性的距离函数，从而使同一行人图像特征距离较小，不同行人图像特征距离较大。然而，这些方法应用到实际监控业务中仍存在巨大的挑战。主要表现为，行人重识别问题中的图片来源于不同的摄像头，由于不同摄像头所处的角度、光照等环境的影响，同一个行人的不同图片中，外貌特征会有一定程度的变化；相反，由于行人姿势及摄像头角度的变化，在不同摄像头中，不同行人的外貌特征可能比同一个人的外貌特征更相似。

为了尽量减少不可控监控环境因素的干扰，现有的行人重识别技术不得不在每个监控点的识别结果中都提供一组图像供人选择，再通过交互的相关反馈方法提炼识别结果。这种处理方式不仅增加了人工研判的工作量、降低了视频分析的自动化程度，而且，由于视角和光照差异，行人的外貌特征会发生很大的变化，可能导致提供的排序靠前的结果并不一定更可信。

发明内容

为了解决上述技术问题，本发明提供了一种时空约束的监控视频行人重识别结果的二次优化方法。

本发明所采用的技术方案是：一种时空约束的监控视频行人重识别结果的二次优化方法，其特征在于，包括以下步骤：

步骤1：基于视觉特征的行人重识别；

根据输入的行人图像及行进路径上N个监控点的监控视频录像，采用基于人体外貌视觉特征的行人重识别算法，逐一识别每个监控点录像中视觉特征最相似的M幅候选行人图像，并按照视觉识别概率由高到低的顺序排序，同时记录每幅行人图像的时间戳和视觉概率；

步骤2：时间序列参数获取；

根据监控点之间的物理距离及上述步骤得到的行人图像时间戳，计算两两相邻监控点之间的距离时间，以及对应的两组M幅候选图像中任意两幅图像之间的时间差，对于行进路径上的第一个监控点，则相对于输入图像来自的案发监控点计算；

步骤3：视觉匹配概率计算；