[发明专利]一种基于多域空间属性关联分析的行人辨识方法

说明书

本发明公开了一种基于多域空间属性关联分析的行人辨识方法。首先，将相似性度量转化为对象的差异性分布计算，统计真实和虚假对象视觉相似度概率差异性分布，利用分布的可分离性确定两个分布最大可分阈值；然后根据真实/虚假对象可分性阈值计算对象在已知手机信号轨迹下的联合概率，利用联合概率度量对象属性间的关联性；根据联合概率排序确定身份属性与对象跟身份的强关联映射关系。本发明公开的方法在两个数据集上的测试结果证明该方法的有效性，相较无监督条件下的行人辨识技术有较大提升。

技术领域

本发明属于视频分析技术领域，尤其涉及一种基于监控视频和移动设备信号轨迹的多域空间属性关联分析的行人辨识技术。

背景技术

在案件侦查中，侦查员需要根据指定行人对象在多摄像头下的活动画面和轨迹来快速排查、追踪和锁定嫌疑目标，因此监控视频分析在案件侦破中发挥着至关重要的作用。然而，在实际的侦查环境中，嫌疑对象的往往会伪装自己的外观，使自己与其他行人具有不易分辨的视觉特征；城区监控环境下，由于图像分辨率变化、行人遮挡、姿态变化、光照变化等因素使行人辨识的条件变得复杂；在实际的监控环境中，难以标记大量的训练数据：实际应用中存在的上述问题使行人辨识技术面临着巨大挑战。

现有的行人辨识方法(文献1、文献2)是指在无覆盖的摄像机间检索与查询图像包含统一行人的图像，关于找到鲁棒和稳定的视觉特征或者寻求在源域和目标域之间的平衡找到合适的特征表示和度量方法。而在侦查场景下，嫌疑对象的外观特征极有可能经过伪装，使在监控中与其他人拥有极为相似的外观表现；行人姿态变化，图像分辨率变化和光照变化等原因使得查询图像与检索图像在计算尺度失配情况下存在行人辨识计算误差；由于源域和目标域的数据分布存在较大差异，通过模型迁移来解决训练样本不足的方法具有较大的使用局限：因此，仅通过监控视频分析实现行人辨识的方法难以突破其在实际应用中面临的技术障碍。

[1].Lv J,Chen W,Li Q,et al.Unsupervised Cross-dataset Person Re-identification by Transfer Learning of Spatial-Temporal Patterns[J].In:IEEEConference on Computer Vision and Pattern Recognition(CVPR).2018.

[2].N.Jiang,et al.:Online Inter-Camera Trajectory AssociationExploiting Person[J].In:ACM International Conference on Multimedia(ACM MM).(2018)

为了克服上述技术瓶颈，部分研究者尝试通过多源数据融合的方式进行行人辨识。现有的基于数据融合的行人辨识方法(如中国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、一种多源大数据融合的视频监控行人身份识别方法)是在传统行人重识别的基础上融合时空规律对行人重识别的结果进行二次优化或者从多个维度计算重现概率然后进行概率融合。但是在行人重识别结果上进行时空规律约束极易受到视觉计算结果的影响，从而影响视觉与时空的联合概率；多维度计算重现概率的方法分别计算已知路径上的信号重现与行人重现概率，忽视了对象在不同空间属性的时空一致性规律和已知监控序列的时序信息，从而影响计算准确率：因此，需要建立更有效的强关联规则建立属性与根身份间的强关联关系映射。

发明内容