视频目标快速重识别方法及系统与流程

本发明涉及图像处理技术领域，具体涉及一种基于多维度概率统计调节的视频目标快速重识别方法及系统。

背景技术：

鉴于现在实时监控视频网络的规模急速增长，传统的人工查阅视频寻找兴趣目标的人力开销越来越大，成本飙升。所以有强力辅助功能的图像目标重识别技术应运而生，即依靠图像识别与比对技术在庞大的摄像头网络中查找同一个目标的图像并在摄像头地图中生成路线轨迹。

主流重识别技术基本采用如下方法：对视频网络中所有摄像头预采集的图像与目标图像逐一进行图像特征对比，根据对比结果(即：目标图像距离)进行排序，在排序后的图像集合中从距离最近的图像开始，人工对属于同一目标的图片进行挑选，直到挑出同一目标图片达到用户需求的阈值为止，并自动记录这些目标图像所属的摄像头以及捕获时间，而后生成路线轨迹。

实践发现，现有的重识别技术存在如下缺陷：由于机器根据距离定义的图像相似度与人眼定义的相似度有一定不同，随着摄像头网络规模的增长，同一目标图像几乎不可能在结果集中连续分布，巨大的离散程度导致最后的人工挑选过程耗时极长。

技术实现要素：

本发明实施例提供一种基于多维度概率统计调节的视频目标快速重识别方法及系统，目的是在大规模摄像头网络中降低目标重识别的处理时间。

本发明采用的技术方案如下：

本发明第一方面，提供一种基于多维度概率统计调节的视频目标快速重识别方法，该方法包括：获取视频网络中各个摄像头的概率权值；按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹；根据生成的目标路线轨迹调整各个摄像头的概率权值。

本发明第二方面，提供一种基于多维度概率统计调节的视频目标快速重识别系统，该系统包括：获取模块，用于获取视频网络中各个摄像头的概率权值；识别模块，用于按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹；调整模块，用于根据生成的目标路线轨迹调整各个摄像头的概率权值。

本发明第三方面,提供一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机可执行程序，所述处理器通过执行存储器中存储的程序，可执行如下步骤：获取视频网络中各个摄像头的概率权值；按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹；根据生成的目标路线轨迹调整各个摄像头的概率权值。

本发明第四方面，提供一种计算机可读介质，其中存储有计算机可执行程序，当存储的程序被包括处理器的计算机设备执行时，使该计算机设备执行如下步骤：获取视频网络中各个摄像头的概率权值；按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹；根据生成的目标路线轨迹调整各个摄像头的概率权值。

从以上技术方案可以看出，本发明实施例具有以下优点：

本发明技术方案摈弃主流重识别技术“对摄像头网络进行全局随机逐一比对”的思路，引入权重分配概念，根据每一次目标查找的过程不断调整各个摄像头附带的概率权值，进而根据权值调整后将每个摄像头采集的图像集按权值大小顺序逐一导入待查找集进行重识别和人工挑选。由于目标后续出现概率较大摄像头被优先安排检索，使同一目标图像在查找过程中的分散的程度大大减少，大幅减少后续人工环节的时间；同时由于权值是不断被调整的，所以整个系统运行是一个迭代优化、性能不断提升的过程。本发明技术方案可用于在大规模摄像头网络中降低目标重识别的处理时间。

附图说明

为了更清楚地说明本发明实施例技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明一个实施例提供的基于多维度概率统计调节的视频目标快速重识别方法的流程示意图；

图2是本发明一个实施例给出的摄像头的多维度图像信息的示意图；

图3是本发明一个实施例提供的基于多维度概率统计调节的视频目标快速重识别系统的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同的对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

下面通过具体实施例，分别进行详细的说明。

请参考图1，本发明的一个实施例，提供一种基于多维度概率统计调节的视频目标快速重识别方法，该方法包括：

11、获取视频网络中各个摄像头的概率权值；

12、按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹；

13、根据生成的目标路线轨迹调整各个摄像头的概率权值。

可选的，步骤12中按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹，可包括：

121、按照概率权值从大到小的顺序，将各个摄像头预采集的图像逐一或分批导入待查找图像集；

122、每次导入操作后，对待查找图像集中导入的图像进行目标图像重识别，得到与目标图像匹配的匹配图像导入结果图像集；

123、当结果图像集中的匹配图像的数量达到设定阈值时，根据结果图像集中的匹配图像生成目标路线轨迹。

可选的，步骤122中，对待查找图像集中导入的图像进行目标图像重识别，得到与目标图像匹配的匹配图像导入结果图像集，可包括：

1221、将待查找图像集中的图像与目标图像逐一进行特征距离对比，按照特征距离从近到远的顺序，对待查找图像集中的图像进行排序；

1222、按照排序逐一进行图像挑选，从待查找图像集中挑出与目标图像匹配的匹配图像，所述匹配图像与所述目标图像包含同一目标；

1223、将挑出的匹配图像导入结果图像集。

其中，摄像头预采集是指：摄像头本身的嵌入式程序对整画幅的帧图像进行定义目标的捕获，比如定义目标为行人，就在图像中捕获行人；为车辆，就捕获车辆。

其中，特征距离即目标图像距离，是指图像通过卷积神经网络或其他图像分析模型过滤得到的图像特征向量之间的距离，如：几何距离、曼哈顿距离等。通常情况下我们可认为距离越近的图像，其内容越相似。

可选的，步骤11获取视频网络中各个摄像头的概率权值之前，还包括：

建立多维度图像信息，包括摄像头的编号、摄像头视野中各个出-边界点的编号和各个入-边界点的编号；为每个摄像头建立权重维护矩阵，矩阵中的概率权值记为an[x][y]，表示从编号为n的摄像头的出-边界点x消失的目标出现在编号为y的摄像头视野内的概率大小，其中，n、x、y均为非负整数。

具体可参考图2所示的示意图，该图是某摄像头拍摄的图像，其中多个椭圆圈表示多个出-边界点和/或入-边界点。

本发明中可设立如下两个基本数据结构：

一、建立单例多维度图像信息类，包含：

“出-边界点”：以0为开头整数顺序编号，注：出-边界点即目标可能在视频中消失的位置；

“入-边界点”以0为开头整数顺序编号，注：入-边界点即目标可能在视频中初始出现的位置；

摄像头编号：以0为开头整数顺序编号。

同一个边界点可能既是出-边界点又是入-边界点。在实际实施中将出和入分开标记是因为有一些边界点存在“只出不进”或“只进不出”的可能。

二、建立权重维护矩阵

为每个摄像头建立权重维护矩阵。机器中以二维数组表现，设为an[x][y]＝权重值(即概率权值)，其中，n为该摄像头编号，x值为该摄像头中出-边界点的编号，y为其余摄像头的编号。

权重值即为从该摄像头特定出-边界点消失的目标在特定摄像头中再次出现的概率大小的类比量。权重值初始化为lamda，lamda的值根据摄像头参数及摄像头网络的环境参数由用户确定，例如可初始化为1。

权重维护矩阵示例图：

例入一个在含有6个摄像头的网络中编号为3且有4个出-边界点摄像头，它的初始权值二维矩阵为：

可选的，步骤13中，根据生成的目标路线轨迹调整各个摄像头的概率权值，可包括：根据生成的目标路线轨迹，若目标从编号为m的摄像头的编号为p的出-出边界点消失后出现在编号为q的摄像头拍摄的图像内，则按照预设幅度增大am[p][q]，其中，m、p、q均为非负整数。例如每次可增大0.1。

以上，对本发明实施例方法进行了说明。为便于理解，下面进一步给出一个具体应用实施例，其基本运行算法如下：

针对每次每单个目标的重识别

s1.在视频帧中选取目标图片。

s2.按照对应的概率权值的排序生成搜索队列，在其中逐一或逐批次(批量大小可自定义)导入后续摄像头所对应的预采集图像集合，在每次导入后进行1.特征距离比对；2.挑出同一目标的图片并导入结果集。

s3.直到结果集中图像数量达到用户设定阈值并绘制目标轨迹。

s4.根据目标轨迹确定目标经过的摄像头的先后顺序，然后对序列中序列中除最后一个之外的每个摄像头进行如下操作：

在该摄像头找到该目标的出-边界点，然后根据目标下一个出现的摄像头的编号在权重维护矩阵中修改对应的权值，例如：在3号摄像头中目标消失与5号出-边界点并紧接着在8号摄像头中出现，则修改a3[5][8]＝a3[5][8]+delta

delta具体值可有用户根据环境自定义，例如初始化delta＝0.1。

请参考图3，本发明的一个实施例，还提供一种基于多维度概率统计调节的视频目标快速重识别系统，其特征在于，该系统包括：

获取模块31，用于获取视频网络中各个摄像头的概率权值；

识别模块32，用于按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹；

调整模块33，用于根据生成的目标路线轨迹调整各个摄像头的概率权值。

可选的，所述识别模块32可包括：

导入单元，用于按照概率权值从大到小的顺序，将各个摄像头预采集的图像逐一或分批导入待查找图像集；

识别单元，用于每次导入操作后，对待查找图像集中导入的图像进行目标图像重识别，得到与目标图像匹配的匹配图像导入结果图像集；

轨迹单元，用于当结果图像集中的匹配图像的数量达到设定阈值时，根据结果图像集中的匹配图像生成目标路线轨迹。

可选的，所述识别单元具体用于：

将待查找图像集中的图像与目标图像逐一进行特征距离对比，按照特征距离从近到远的顺序，对待查找图像集中的图像进行排序；

按照排序逐一进行图像挑选，从待查找图像集中挑出与目标图像匹配的匹配图像，所述匹配图像与所述目标图像包含同一目标；

将挑出的匹配图像导入结果图像集。

可选，所述系统还包括：

预处理模块30，用于建立多维度图像信息，包括摄像头的编号、摄像头视野中各个出-边界点的编号和各个入-边界点的编号；以及，为每个摄像头建立权重维护矩阵，矩阵中的概率权值记为an[x][y]，表示从编号为n的摄像头的出-边界点x消失的目标出现在编号为y的摄像头视野内的概率大小。

可选的，所述调整模块33具体用于：

根据生成的目标路线轨迹，若目标从编号为m的摄像头的编号为p的出-出边界点消失后出现在编号为q的摄像头拍摄的图像内，则按照预设幅度增大am[p][q]。

本发明的一个实施例还提供一种计算机设备，包括处理器和存储器，所述存储器中存储有计算机可执行程序，所述处理器通过执行存储器中存储的程序，可执行如下步骤：获取视频网络中各个摄像头的概率权值；按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹；根据生成的目标路线轨迹调整各个摄像头的概率权值。

本发明的一个实施例，还提供一种计算机可读介质，其中存储有计算机可执行程序，当存储的程序被包括处理器的计算机设备执行时，使该计算机设备执行如下步骤：获取视频网络中各个摄像头的概率权值；按照概率权值从大到小的顺序，对各个摄像头预采集的图像进行目标图像重识别，生成目标路线轨迹；根据生成的目标路线轨迹调整各个摄像头的概率权值。

综上，为了在大规模摄像头网络中降低目标重识别的处理时间，本发明实施例提供了一种基于多维度概率统计调节的视频目标快速重识别方法及系统。本发明技术方案的关键点在于：基本运行算法，多维度图像信息概念，概率权值概念，迭代优化概念。

通过采用上述技术方案，本发明取得了以下技术效果：

本发明技术方案摈弃主流重识别技术“对摄像头网络进行全局随机逐一比对”的思路，引入权重分配概念，根据每一次目标查找的过程不断调整各个摄像头附带的概率权值，进而根据权值调整后将每个摄像头采集的图像集按权值大小顺序逐一导入待查找集进行重识别和人工挑选。由于目标后续出现概率较大摄像头被优先安排检索，使同一目标图像在查找过程中的分散的程度大大减少，大幅减少后续人工环节的时间；同时由于权值是不断被调整的，所以整个系统运行是一个迭代优化、性能不断提升的过程。本发明技术方案可用于在大规模摄像头网络中降低目标重识别的处理时间。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。

上述实施例仅用以说明本发明的技术方案，而非对其限制；本领域的普通技术人员应当理解：其依然可以对上述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。