[发明专利]一种基于目标再识别的跨场景追踪方法和装置及计算机视觉平台

权利要求书

1.一种基于目标再识别的跨场景追踪方法，其特征在于，包括：

实时采集相互关联的n个摄像头的视频数据，得到n路视频数据；

对所述n路视频数据中出现的目标进行检测，捕获各个场景中出现的目标；

对所述捕获的各个场景中出现的目标在后续帧中进行跟踪，得到所述出现的目标在每个摄像头中的轨迹；

通过目标再识别的方式，将n个摄像头中属于同一目标的轨迹串联起来，聚类得到目标轨迹；

根据聚类得到的目标轨迹，确定目标跨场景轨迹；

制作电子地图，将所述确定的目标跨场景轨迹显示在所述电子地图上。

2.根据权利要求1所述的方法，其特征在于，所述对所述n路视频数据中出现的目标进行检测，捕获各个场景中出现的目标，具体包括：

采用机器学习分类器或深度学习的方式，对所述n路视频数据中出现的目标进行检测，通过提取区域候选和分类对各个场景中的各类目标进行捕获。

3.根据权利要求1所述的方法，其特征在于，所述对所述捕获的各个场景中出现的目标在后续帧中进行跟踪，得到所述出现的目标在每个摄像头中的轨迹，具体包括：

利用孪生网络和区域候选网络构建单目标跟踪器，然后为每个目标分别建立各自的单目标跟踪器，进而扩展至多目标跟踪，从而得到所述出现的目标在每个摄像头中的轨迹。

4.根据权利要求1所述的方法，其特征在于，所述通过目标再识别的方式，将n个摄像头中属于同一目标的轨迹串联起来，聚类得到目标轨迹，具体包括：

对目标进行关键点检测，确定目标精确的上、下、左、右四个边界，得到目标占比最大的感兴趣区域ROI；

通过深度学习的方式提取目标的特征；

将n个摄像头中属于同一目标的轨迹串联起来，聚类得到目标轨迹。

5.根据权利要求4所述的方法，其特征在于，所述通过深度学习的方式提取目标的特征，具体包括：

采用无监督学习自编码的方式提取目标的特征；

或者，

采用卷积神经网络提取目标的特征。

6.根据权利要求4所述的方法，其特征在于，所述将n个摄像头中属于同一目标的轨迹串联起来，聚类得到目标轨迹，具体包括：

按照层次聚类的方法，将每个目标的轨迹看作图中的一点，轨迹与轨迹之间的距离构成边，通过最大流最小割的图割方式，将属于同一目标的所有轨迹聚在一起，得到目标轨迹。

7.根据权利要求1所述的方法，其特征在于，所述根据聚类得到的目标轨迹，确定目标跨场景轨迹，具体包括：

根据聚类得到的目标轨迹，结合各轨迹中目标出现的时间顺序和空间位置关系，确定目标跨场景的轨迹。

8.根据权利要求1所述的方法，其特征在于，所述制作电子地图，将所述确定的目标跨场景轨迹显示在所述电子地图上，具体包括：

根据所述相互关联的n个摄像头所在的区域制作电子地图，在所述电子地图上，将所述目标跨场景轨迹按照具体位置进行映射，从而展示出目标在整个区域的运行路线。

9.一种基于目标再识别的跨场景追踪装置，其特征在于，包括：

视频采集模块，用于实时采集相互关联的n个摄像头的视频数据，得到n路视频数据；

目标检测模块，用于对所述n路视频数据中出现的目标进行检测，捕获各个场景中出现的目标；

目标跟踪模块，用于对所述捕获的各个场景中出现的目标在后续帧中进行跟踪，得到所述出现的目标在每个摄像头中的轨迹；

目标再识别模块，用于通过目标再识别的方式，将n个摄像头中属于同一目标的轨迹串联起来，聚类得到目标轨迹；

轨迹确定模块，用于根据聚类得到的目标轨迹，确定目标跨场景轨迹；

轨迹显示模块，用于制作电子地图，将所述确定的目标跨场景轨迹显示在所述电子地图上。