[发明专利]一种基于网格的目标轨迹跟踪和恢复的方法

说明书

本发明属于边缘计算技术领域，公开了一种基于网格的目标轨迹跟踪和恢复的方法。首先需要对目标所属的空间区域进行虚拟网格网格划分，按照四分法进行递归划分，直至网格大小满足视频分析的目标轨迹跟踪及恢复的基本要求，网格需要满足连续性、独立性以及相对稳定性三个基本特点。划分之后需要对网格视频中的目标信息进行识别，并对网格中的视频帧的基本信息进行定义。需要通过基于概率的方法对视频帧中的目标信息进行取样，利用马尔可夫模型构建相机关系，最后根据轨迹推导算法推导恢复出完整的目标轨迹信息。

技术领域

本发明属于边缘计算技术领域，具体涉及一种基于网格的目标轨迹跟踪和恢复的方法。

背景技术

目前，在视频监控市场上有各种各样的视频监控系统，视频监控市场的发展非常迅速，在很多公共场所都广泛的部署了视频监控系统，但是对于移动视频监控系统的提及较少。现有的一些视频监控系统并没有能够得到充分的利用，因此利用边缘计算来减少移动视频监控系统的计算开销是非常有必要的。

普通的视频监控系统需要固定的部署在某个区域，例如在学校里、公园里或者道路上。对于一些偏僻区域或者没有办法部署大量视频监控系统的区域，包括山区或者人烟稀少的郊区，很难对特定目标的轨迹进行跟踪，而且现有的一些视频监控系统也很难对视频监控中的视频进行边缘上的高效分析，从而需要大量的计算开销。

移动视频监控系统则可以克服传统视频监控系统中遇到的困难，能够实现在僻远地区对目标的轨迹进行恢复，利用少量的视频帧，便可以得出完整的目标轨迹，从而可以减少边缘上的计算开销。

2018年，Xu等人在《STTR:A System for Tracking All Vehicles All the TimeAt the Edge of the Network》中提出了一种在网络边缘跟踪所有时间内的所有车辆的系统，是一种智能摄像机监控系统，他们研究的主要目的不是为了存储原始的摄像机的视频，而是存储车辆在所有时间内的所有的运行轨迹。不考虑时间的维度，他们仅在地理区域跟踪车辆信息，从而提供车辆跟踪的详细信息，因此可以限制每个雾节点的对于存储空间的需求。这样便可以利用存储在网络边缘车辆轨迹进行快速查询。

2018年，Cheng等人在《ViTrack:Effificient Tracking on the Edge forCommodity Video Surveillance Systems》提出了一个基于边缘计算的商品视频监控系统，他们通过充分的利用边缘计算资源，可以对来自不同摄像机的视频进行高效分析。他们提出一个ViTrack框架，对于目标的轨迹信息进行跟踪，他们可以根据一小部分视频帧的轨迹来恢复出一个完整的目标轨迹。首先通过设计一种双层的空间和时间的压缩方法，并且构造所有摄像机之间的关系，利用采样和恢复策略来恢复缺失的目标信息，并且通过提出一种轨迹推断算法来得到目标的完整轨迹。

2018年，Ran等人在《DeepDecision:A Mobile Deep Learning Framework forEdge Video Analytics》提出了一种分布式的基础架构DeepDecision，能够对当前的网络条件进行评估，并且能够结合来自应用程序的需求和深度学习模型的特定权衡，以便来确定一个最佳的卸载策略。他们还设计了一个为AR应用实时检测目标的卷积神经网络。这种框架可以应用在各种各样的需要用到实时的视频分析的应用程序中。通过对各种参数质检的影响进行评估，设计出一种测量驱动数学框架来求解优化问题。并且对AR应用实现实时目标检测，并与其他检测方法进行比较，最终通过实验结果验证了文中所提框架的优越性。

发明内容

为了解决边缘计算资源有限，视频监控系统中视频分析受限的情况，本文提出了一种基于网格的目标轨迹跟踪和恢复的方法。在某些不方便部署摄像机的区域，对空间区域进行虚拟网格划分，通过对虚拟网格中的摄像机的视频信息进行分析，对目标的轨迹进行跟踪，并恢复出完整的目标轨迹。

本发明的技术方案：