[发明专利]一种基于行人再识别的高效目标人物轨迹生成方法

权利要求书

1.一种基于行人再识别的高效目标人物轨迹生成方法，其特征在于，包括以下步骤：

步骤(1)：结合当前主流MoblileNet-V2网络中深度可分离卷积的思想，设计轻量型卷积神经网络，对现有的公开行人再识别数据集进行训练得到生成模型，再通过mAP和Rank-k对生成模型进行性能评估，挑选出性能最优：mAP和Rank-k值均最大的模型作为行人再识别模型；

步骤(2)：根据具体需求采集同一时间段的不同位置摄像头监控数据；

步骤(3)：采用当前主流的目标检测算法对步骤(2)中的视频数据中的行人进行检测，为了避免同一个目标在相邻多帧中同时被检测到多次，从而出现大量数据冗余的情况，采用目标跟踪算法，对相邻的跟踪框和检测框进行IOU判断其是否是同一个目标，通常情况下当IOU0.4，则认为跟踪框与检测框中人物为同一目标，如果是，则保留该人物通过当前摄像头的其中一张图片；

步骤(4)：根据该摄像头的IP地址，以及当前图片所在时间信息对图片进行命名；

步骤(5)：通过步骤(1)的行人再识别模型提取出步骤(3)中所有候选图片特征；其中，所述候选图片指的是所需要查找目标人物图片；所述图片特征为步骤(1)中轻量型卷积神经网络中最后一层全链接层的输出，通常情况下是一组n维的浮点数据，并将其存入到数据库中；

步骤(6)：采用步骤(5)相同的方法提取出待检索m个目标人物的二维特征x[n*m]存到数据库中，根据目标人物图片，提取出对应特征y[n]，并与数据库中所有的目标图片进行特征匹配，其中特征匹配是指计算待检索人物图片特征x[n*m]与目标人物图片特征y[n]的相似程度；

为了防止目标遗漏，将第一次目标匹配的阈值调低一些，其阈值为0.6，以便匹配出更多的候选人物，然后通过人工判断筛选出正确的目标人物；

通过余弦相似度的方法进行匹配，具体实现公式如下所示；为了防止遗漏目标图片，开始选取相似度阈值相对较低进行匹配(sim(X，Y)≥0.6)，其中x向量为候选图片中待检索人物图片特征，y向量为目标人物图片特征；

步骤(7)：将上一步中的正确人物再与数据库中的人物进行特征匹配，这次为了保证匹配准确性，通过调高阈值进行匹配，通常情况下选取阈值为0.8，然后对于候选人物图片再进行人工筛选；重复执行上述步骤(6)～步骤(7)，直到没有新目标人物图片生成为止；

步骤(8)：将最终的目标人物图片根据其时间信息按照由小到大排列，得到该目标的完整轨迹信息。

2.根据权利要求1中所述的一种基于行人再识别的高效目标人物轨迹生成方法，其特征在于，步骤(1)中的行人重识别模型的设计与训练如下步骤：

S11、选择Pytorch作为模型的训练框架；

S12、为了保证模型能够实时的处理图像数据，采用当前主流的MobileNet-V2模型作为主干网络，原因是它使用了深度可分离结构能够减少模型的参数量的同时，提升模型的前向的推理速度；

S13、为了提升模型的准确率，首先在imageNet数据集上做分类训练，然后再将模型在行人重识别的公开数据集上进行训练；

S14、通过mAP和Rank-k对生成训练模型进行性能评估，选择性能最好的模型作为最终的行人重识别模型。

3.根据权利要求1中所述的一种基于行人再识别的高效目标人物轨迹生成方法，其特征在于，步骤(2)中将目标检测与目标跟踪算法相结合具体做法如下：

S21、将视频的初始帧作为目标检测算法的输入，检测相应的目标行人，并通过检测框对其进行标记；

S22、使用检测框作为目标跟踪算法的输入，对之后的3帧图像进行跟踪，获得最后一帧图片的跟踪框；

S23、将上述步骤S22中的全部跟踪框与上述步骤S21中的全部检测框进行逐一IOU计算，如果IOU值最大并且其值大于0.4，则认为跟踪框和检测框中是同一人；否则，则认为不是同一个人。