[发明专利]一种车站智能疫情防控系统及方法

权利要求书

1.一种车站智能疫情防控方法，基于车站智能疫情防控系统实现，所述的系统包括摄像头、矩阵视频控制器和服务器；所述的系统通过摄像头进行视频采集，在服务器中采用步态识别对视频目标信息初步分析，获取相关信息；矩阵视频控制器将图像形成矩阵视频帧图像，服务器再通过人脸识别对步态识别后的矩阵视频帧图像进行面部识别，进一步获取人脸特征信息，用以确认身份；通过将人脸特征信息应用到视频压缩感知的目标跟踪算法中，用以对目标信息进行跟踪，查找出视频中出现该目标的图像的帧序列位置，从而导出含有该目标以及接触目标的图像，通过反馈查找进一步确认目标信息以及接触目标信息；所述的方法，包括如下步骤：

步骤一：步态识别优化算法，采取基于视频序列的步态信息作为识别的对象，对动态的视频图像序列进行帧切割得到静态的图片信息，然后使用背景减除法进行运动目标检测，得到一个只含有任务信息的图片，因为得到的二值化人物信息中还包含一些由于各种原因产生了噪声，需要经过一定的形态学处理算法除掉噪声；在特征提取这一过程中，提取了步态能量信息得到了步态能量图，以及人行走时的两腿间的不同时刻的张开角度，将两种信息在神经网络的输入层进行加权特征融合后作为网络的输入变量，同时为了降低神经网络的鲁棒性以及提升网络的识别精度，加入了GA遗传算法对网络的权值以及阈值进行优化，已达到一种更优的步态识别分类效果；

步骤二：人脸识别算法，采用双对称LeNet并行连接网络结构，同步模型采取两路并行网络，分别进行图像处理，可以独立获取高层特征向量，在输出层进行合并；采用DCT-LBP联合处理的方法对输入图像的全局特征和局部特征分别进行提取，更好的进行特征表述，有利于提高人脸检测识别系统的性能；当图像信息经过一系列处理后到达输出层，采用Softmax回归分类对人脸图像信息与数据库中信息进行比对分类，得出正确完整的人物信息；在回归分类中加一个余弦矫正可以减少冗余，增强泛化能力减少过拟合，使得人脸识别准确率增加；

步骤三：视频压缩感知目标跟踪算法，首先利用图像尖锐化处理突出目标图像边缘纹理，再利用矩形滤波器对人脸图像归一化处理并获取特征向量；然后利用动态压缩感知对目标样本和背景样本的Haar-like特征进行压缩处理，并利用压缩后的Haar-like特征向量建立目标模型，并训练Adaboost算法贝叶斯级联分类器；最后利用朴素贝叶斯分类器识别目标图像和背景图像，实现人脸识别的动态跟踪；

步骤四：将步态识别算法、人脸识别算法以及视频压缩感知的目标跟踪算法融合，具体过程如下：1)通过步态识别对车站监控视频目标人物进行初次筛选，并记录保存；2)根据初次筛选后的人物图像，进行人脸识别过程，进一步确认目标信息；3)根据输出的人脸特征信息，进行目标定位过程，采用视频压缩感知的目标跟踪算法，导出含有目标信息的行程轨迹，并记录含有目标的帧序列图像，最后反馈到中央处理器中，方便查找目标人物以及与其密切接触者的信息；实现车站智能化疫情防控的目的。

2.根据权利要求1所述的一种车站智能疫情防控方法，其特征在于，所述的步骤一中，步态识别优化算法包括如下：

1)特征提取：

式中：N为所提取二值化步态序列一个周期所包含的帧数；(x，y)分别表示图像中的坐标值；B(x，y)为图像在第t帧中(x，y)点的像素值；G(x，y)为计算所得到的能量图；

式中：(X_c，Y_c)为计算后获取的质心坐标；N为轮廓像素的像素点个数；(x，y)为坐标值；θ_i为第i个像素点夹角θ的计算结果；

2)GA-BP分类识别：

利用遗传算法来训练网络，解决神经网络的学习问题，将阈值搜索范围缩小；再利用神经网络进行精确求解，达到全局寻优和快速高效的目的；神经网络识别率作为目的参数，并通过遗传算法来优化；利用个体代表网络的权值和阈值，个体初始化的BP神经网络的预测误差作为该个体的适应值，通过选择、交叉、变异操作来寻找最优个体。