(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210844696.0 (22)申请日 2022.07.18 (71)申请人 深圳大学 地址 518000 广东省深圳市南 山区粤海街 道南海大道3 688号 (72)发明人 张勇　朱经晨　赵东宁　徐勇　 葛彬杰　 (74)专利代理 机构 深圳市壹 壹壹知识产权代理 事务所(普通 合伙) 44521 专利代理师 库水龙 (51)Int.Cl. G06V 20/40(2022.01) G06V 40/10(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 16/583(2019.01) (54)发明名称 基于行人重识别的轨 迹还原方法 (57)摘要 本发明实施例公开了一种基于行人重识别 的轨迹还原方法， 包括以下步骤： S100： 获取目标 行人图像， 存储到目标行人数据库中； S200： 建立 视频数据采集环境， 采集多个摄像头下的视频数 据； S300： 读取采集到的摄像头的视 频数据， 并对 视频数据进行分帧提取包含行人的图像， 并存储 在行人图像数据库中； S400： 将检测出包含行人 的图像与 目标行人数据库中的目标行人图像对 比； S500： 将匹配 结果返回， 若当前摄像头查找 到 目标行人， 则将摄像头在地图上的经纬度信息以 及目标出现时间保存； S600： 利用优化的路径生 成算法以及保存的经纬度信息及时间信息生成 目标可能的路径。 本发明能够加快查找行人以及 分析目标轨迹的效率， 具有很高的推广和使用价 值。 权利要求书2页 说明书5页 附图2页 CN 115331138 A 2022.11.11 CN 115331138 A 1.一种基于行 人重识别的轨 迹还原方法， 其特 征在于， 包括以下步骤： S100： 获取目标 行人图像， 存 储到目标 行人数据库中； S200： 建立视频 数据采集环境， 采集多个 摄像头下的视频 数据； S300： 读取采集到的摄像头的视频数据， 并对视频数据进行分帧提取包含行人的图像， 并存储在行人图像数据库中； S400： 将检测出包 含行人的图像与目标 行人数据库中的目标 行人图像对比； S500： 将匹配结果返回， 若当前摄像头查找到目标行人， 则将摄像头在地图上的经纬度 信息以及目标 出现时间保存； S600： 利用优化的路径生成算法以及 保存的经纬度信 息及时间信息生成目标可能的路 径。 2.如权利要求1所述的基于行 人重识别的轨 迹还原方法， 其特 征在于， 步骤S3 00包括： 读取采集到的多个 摄像头的视频 数据的帧格式， 并确定帧数； 通过对连续数帧图像进行 行人检测， 提取 特征进行分析并判定图像中是否包 含行人； 对判定为包含行人的图像， 将包含行人的图像存入行人图像数据库以便与目标行人进 行对比， 对判定为 不包含行人的图像不进行处 理。 3.如权利要求1所述的基于行人重识别的轨迹还原方法， 其特征在于， 步骤S400和步骤 S500中， 先提取已保存的包 含行人的图像的特 征以及目标 行人的特征； 再计算包含行人的图像中不同行人的行人特征与目标行人数据库的行人特征之间的 欧氏距离， 若计算结果大于预设阈值则认为与当前行人不匹配， 若计算结果小于设定阈值 则认为当前的图像中包 含目标行人， 保存与该图像对应的摄 像头的位置信息与时间信息 。 4.如权利要求3所述的基于行人重识别的轨迹还原方法， 其特征在于， 步骤S400中， 使 用FasterRCNN结合ResNet对每一帧的图像进行特征提取， 采用基于空洞卷积的ResASPP结 构获得多感受野特征， 通过不通膨胀率的空洞卷积对cov1后的特征图进行卷积， 并通过 SENet分配不同的权重， 以此获得多感受野的特征图； 对 FasterRCNN最后得到的特征进行双 线性插值， 并与之前 的特征进行融合， 共使用三层不同层次的特征层相加作为最终的特征 输出， 最后通过比较不同行人特征间的欧式距离判断是否为同一行人， 并让中层特征经过 DANet， 在局部特征上建模丰富的上下文依赖关系； 其中， 网络采用下式进行训练误差的计 算： ； 其中 为输入图片中已标记的行人特征向量， 为目标行人的真实标签， 为网络检测 到的行人特征向量， 为输入图片中未标记的行人特征向量， 表示网络检测到的行人 与已经保存的已标记的行人之间的相似度， 表示网络检测到的行人与已经保存未标记 的行人之间的相似度， 为软化概率分布参数。权　利　要　求　书 1/2 页 2 CN 115331138 A 25.如权利要求4所述的基于行人重识别的轨迹还原方法， 其特征在于， 步骤S400中， 考 虑到对行人的检测， 针对行人特点， 采用K ‑means聚类算法得到合适的锚框大小和形状， 并 在已有的网络模型下采用人员数据进 行微调， 准确地将锚框回归到待检测的行人， 其中， 采 用如下步骤获取锚框： （1） 遍历数据集中所 给定的每 个图片行 人的真实框， 保存框的宽、 高及面积； （2） 设置好聚类中心个数， 使用K ‑means算法进行聚类； （3） 以聚类中心的宽高比作为锚框的比例， 面积作为锚框的尺度。 6.如权利要求1所述的基于行人重识别的轨迹还原方法， 其特征在于， 步骤S600中， 先 将位置信息映射在地图上， 不同摄像头看作是图数据结构 中的顶点， 并按照时间信息分配 给顶点不同的优先级； 再通过在已构建的图中采用路径生成算法获得 可能的路径。 7.如权利要求6所述的基于行人重识别的轨迹还原方法， 其特征在于， 步骤S600中， 通 过对地图路径以及分布在地图上摄像头建模为无向图结构， 其中， 地图上 的每条路径为图 结构中的边， 每个摄像头为图结构中的节点， 每个节点所包含的信息有： 该节 点是否出现目 标行人、 出现目标 行人的时间优先级， 其中采用如下步骤生成路径： （1） 首先通过比较所有节点的时间优先级信息找到起始 节点； （2） 比较起始节点相邻的节点是否出现目标行人以及出现优先级， 比较优先级， 选择优 先级高 （即出现时间较早） 的作为下一个节点； （3） 循环 （2） 阶段， 若当前节点的相邻节点都没有出现目标行人时， 结束循环， 并将所保 存的路径节点与出现目标行人的结点比较结果， 若两者不相同， 则输出错误信息， 若两者相 同， 输出所保存的路径。权　利　要　求　书 2/2 页 3 CN 115331138 A 3