一种基于共享特征库的追踪方法与流程

1.本发明涉及一种图像分析技术领域，具体涉及一种基于共享特征库的追踪方法。


背景技术：

2.随着社会的发展和科技的进步，日常生活中越来越多的场景都会应用到图像分析算法。目前图像分析技术带来的便利性以及其应用性俨然已经成为社会中不可或缺的一环。它作为一项生物识别手段，便是能够高效且准确的得出被识别物体的相关特征以及定位到相关自然属性上去。
3.图像分析因其针对于系统的特定性(即以不同的图像算法开发出不同的业务系统，多个系统之间协作困难或则是毫无关联的)以追踪为例。在以图像分析为基础前提下，我们可能会针对于目标的特征(脸部，衣物，车辆等)进行图像匹配，并以当前特征为主去进行追踪开展。但是目标在追踪过程中必然是防范意识极其强烈的，他们会不停地去变动自己的生物特征(男扮女装，更换衣服，整形整容等)，也可能会出现生物特征不清晰(黑夜看不清楚脸，驾车逃跑看不清楚车型、车牌等，只有残缺的目标信息)，来混淆蒙蔽追踪人的视线，阻碍追踪工作的开展。而由于图像分析业务系统单一性，每一次图像分析的样本改变，都是对于系统的巨大开销，需要付出巨大的时间成本，并且降低系统辨别匹配效率。甚至还会出现人脸分析系统与车辆追踪系统二者所匹配的数据并不是同一个人这种情况。虽然在追踪进行中可以人为的对系统进行干预修正，但是仍需要付出巨大的人力成本和时间成本。因此需要一个基于图像分析且业务集成度高的系统来解决这一问题，一个系统多种图像分析系统协同工作，人脸识别负责识别目标人脸数据，身形特征识别负责识别嫌犯身形数据，车辆识别负责识别目标驾车追踪等等多个图像分析系统之间协同合作，提高图像识别对于目标的匹配度，降低每一次目标生物特征改变所额外花费的人力成本和时间成本，提高追踪目标的成功率。目前，针对于上诉场景问题，有以下几类解决方案：
4.第一种就是通过人为的去干预校准每一次目标的生物特征改变。目标每一次改变特征的过程，被检测出来后，需要人为在不同的图像业务系统中去校准。
5.第二种就是加强算法分析能力。提高算法的分析图像能力，以确保业务图像分析系统在嫌犯特征值改变后，能够迅速构建新模型，建立新的特征库，去重新匹配。在公开号为cn113963410a的专利中写到，通过网络公开的人脸数据来构建人脸样本数据集，并对人脸样本数据集中的训练数据集与测试数据集进行预处理。利用基于改进的遗传算法来对卷积神经网络模型的超参数进行全局调优，通过对卷积层滤波器和全连接层的连接权重的不断优化，确定最优的卷积神经网络模型的超参数，并得到训练好的卷积神经网络模型。在进行种群初始化后，通过评估神经网络性能并分配选择概率，进行交叉产生分享双亲网络属性的交叉子代，然后选取父代网络变异生成变异子代，将交叉子代和变异子代加入下一代种群进行替换优化，实现迭代训练。特征库是机器学习领域的数据仓库。数据科学家把自己的特征加工逻辑上传进去，数据仓库对外提供查询特征的api，实现特征的共享。特征库实现了特征的统一管理，避免了重复设计特征，节省了数据科学家的时间，也有利于合规性。
6.图像分析又称景物分析或图像理解，一般利用数学模型并结合图像处理的技术来分析底层特征和上层结构，从而提取具有一定智能性的信息。
7.第三种就是确定主图像业务系统，由于每个系统有自己不同的标准，而各个图像业务系统之间数据共享困难，即确定某一系统为主要分析系统，主要以当前系统图像匹配结果为主，其余系统匹配结果为参考，去开展追踪活动。
8.在公开号为cn114170771a的专利中写到优选的，所述交通监控终端包括有道路监控、收费站监控、服务区监控隧道监控，所述公共监控终端包括有商场监控、各类车站监控和广场等开放式场合监控。优选的，所述故障申报通讯连接监控维护商家隐藏号码，且监控维护商家根据定位就近分配。优选的，所述流动追踪模块采用特定的第三方地图平台，且流动信息配合第三方地图平台提供的位置信息生成流动数据。
9.现阶段任何系统的正常运行都是需要人力成本，但是系统的开发初衷应该是减少人力成本的开销，提高资源回报率。虽然每个图像业务系统其单一运行效率和结果随着科技进步是能够做到提高匹配度的，但是对于整个追踪活动的开展，客观因素的变化可能会对不同的图像业务系统中产生不同的影响，虽然可以从后期的人为干预校准中或者系统的机器学习过程中去消除误差，但是对于追踪这一工作开展，还是加重了资源投入。
10.在现有系统的系统中，通常的做法是先进行目标特征识别，再将得出来的人脸模型存入各自的系统特征库。如果客观条件改变(如增加汽车识别)，便会通过汽车识别系统，将汽车识别模型存入汽车模型特征库。如果一开始追踪目标图像不清晰，还需要用到图像修复系统进行图像修复，再重复最开始人脸识别过程。在后期的多系统协同的情况下，如果出现多个图像系统之间的模型目标不一致的情况，还需要人为的进行干预校准。多个系统之间相互独立，通信困难，无法做到数据共享。让本就要求精确，实时的追踪过多的占用了计算资源，无形的加大系统开销。无论各个图像分析系统有多么复杂，有多少数量，其本质是对于某一固定物体的追踪，这一物体在物质世界中是不会改变的，其余的图像系统的启用也只是针对于这一物体其余特质的分析，系统的分析对象始终是目标物体。
11.现有技术中每个子图像业务系统中相对独立，数据标准不统一，没有统一的处理系统，相互之间协作困难。要么增加了系统开销，要么增加了人力开销。


技术实现要素：

12.本发明的目的在于提供一种基于共享特征库的追踪方法，本发明使用共享特征库，各个系统特征集数据都归入一个库，从根本上提高了数据的流通性与实时性，节约了时间成本和系统开销。
13.为解决上述技术问题，本发明所采用的技术方案是：
14.一种基于共享特征库的追踪方法，包括如下步骤：
15.步骤1：搜集原始的特征的图像，原始的特征的图像经由各自对应图像业务系统分析学习，从中得出数据特征集并标记图像关键点，再从中得出数据特征集，构建基础共享特征库，此共享特征库直接关联到人身上，作为匹配模型的数据支撑；
16.步骤2:在特征值更改时，对应图像业务系统基于本系统实现既定功能目标，即：根据系统业务功能流程而到达业务处理目的，如人脸系统分析人脸得出人脸特征值数据、车辆分析车辆得出特征值数据，从而得到匹配模型，继续目标学习对比，而数据(各图像业务
系统分析学习得出的匹配模型数据)直接映射到共享特征库中对应的图像业务系统中去；
17.步骤3：完成步骤2后，由一个核心控制系统去统一调度分析共享特征库里的各自图像业务系统的业务数据，并进行综合分析与业务处理；
18.核心控制系统会将各图像业务系统所匹配得出的匹配模型再次进行处理分析,并将数据特征及关联到目标上去，并基于目标构建“目标”的共享特征库，所有特征集数据都应该围绕这个共享特征库开展。在将各图像业务系统的匹配模型分析得出后，匹配模型变转型成了基于多系统的精炼匹配模型，系统此时就有了初步的目标综合分析能力,需要不停地对这些匹配模型再次进行模型图片匹配；
19.步骤4：将由核心控制系统所处理得出来的匹配模型输出到一个综合图像对比系统中，由于步骤3得出了的精炼匹配模型，此时由图像输入源输入图像到综合图像对比系统中，在综合图像对比系统中，将目标图像进行与匹配模型进行一个特征匹配，即以精炼匹配模型为标准，去匹配图中有没有符合的特征信息；
20.如果没有则匹配失败，如果有匹配则成功，并将图像存储起来，作为步骤1的图像学习样本，再次重复整个步骤，形成一个闭环。
21.其中，步骤1中，原始的特征的图像包括人脸、车辆及穿着,在特征集入库的时候，按照图形业务系统进行分类，人脸属于人脸系统，穿着属于穿着系统，车辆属于车辆系统，将数据进行分类。
22.进一步优化，步骤3中，核心控制系统会将各图像业务系统所匹配得出的匹配模型再次进行处理分析具体步骤如下：
23.根据现有不同的图像业务系统得出的匹配模型，对于不同图像业务系统的数据再次进行一个多维度处理过程，从人脸系统中得出人脸匹配模型，从车辆系统中得出车辆匹配模型，从穿着系统中得出穿着匹配模型，将这三个系统的匹配模型再进行学习分析，此时便可输出一个基于上述三个图像业务系统的多维度匹配模型，这个匹配模型是由三个图像业务系统的数据得出，将其看作此过程是一次对于不同图像数据的提取、精炼、统一。
24.其中，图像输入源24小时为系统提供样本；系统将会实时地去庞大的图像数据中去匹配目标，一旦匹配成功，会由当前匹配成功的节点重新开展整个业务过程，那么系统的学习素材将会是优质并且实时的。
25.与现有技术相比，本发明具有以下有益效果：
26.本发明使用共享特征库，不仅能让系统中的多个图像分析数据能同步标准，还能加强每个独立系统的模型分析能力。在共享特征库的基础下，可以保证各个图像业务系统都是根据同一对象进行分析匹配，消除客观差异，降低人力成本。并且每一次计算都是针对于同一特征库，能有效提高资源利用率，提升匹配速度和精度。再根据各个图像业务系统所共同构建的共享特征库，实现关联追踪和精准追踪的目的。而本技术与现有技术相比，使用共享特征库，各个系统特征集数据都归入一个库，从根本上提高了数据的流通性与实时性，节约了时间成本和系统开销。而增加的核心控制系统，使得原有的系统之间能针对于同一特征库进行互相协作与数据交互，提高了匹配精度、匹配速度与匹配成功率。并在使用统一标准的共享特征库前提下，可以使得数据交互有了媒介，可以提供追踪联动服务。
附图说明
27.为了更清楚地说明本发明实施方式的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
28.图1为本发明整体原理图。
具体实施方式
29.在下文中，仅简单地描述了某些示例性实施例。正如本领域技术人员可认识到的那样，在不脱离本发明实施例的精神或范围的情况下，可通过各种不同方式修改所描述的实施例。因此，附图和描述被认为本质上是示例性的而非限制性的。
30.实施例一
31.本实施例公开了一种基于共享特征库的追踪方法，包括如下步骤：
32.步骤1：搜集原始的特征的图像，原始的特征的图像经由各自对应图像业务系统分析学习，从中得出数据特征集并标记图像关键点，再从中得出数据特征集，构建基础共享特征库，此共享特征库直接关联到人身上，作为匹配模型的数据支撑；
33.步骤2：在特征值更改时，对应图像业务系统基于本系统实现既定功能目标，继续目标学习对比，而数据直接映射到共享特征库中对应的图像业务系统中去；
34.步骤3：完成步骤2后，由一个核心控制系统去统一调度分析共享特征库里的各自图像业务系统的业务数据，并进行综合分析与业务处理；
35.核心控制系统会将各图像业务系统所匹配得出的匹配模型再次进行处理分析,在将各图像业务系统的匹配模型分析得出后，系统此时就有了初步的目标综合分析能力,需要对这些匹配模型再次进行模型图片匹配；
36.步骤4：将由核心控制系统所处理得出来的匹配模型输出到一个综合图像对比系统中，由于步骤3得出了的精炼匹配模型，此时由图像输入源输入图像到综合图像对比系统中，在综合图像对比系统中，将目标图像进行与匹配模型进行一个特征匹配，匹配图中有没有符合的特征信息，即以精炼匹配模型为标准，
37.如果没有则匹配失败，如果有匹配则成功，并将图像存储起来，作为步骤1的图像学习样本，再次重复整个步骤。
38.其中，步骤1中，原始的特征的图像包括人脸、车辆及穿着,在特征集入库的时候，按照图形业务系统进行分类，人脸属于人脸系统，穿着属于穿着系统，车辆属于车辆系统，将数据进行分类。
39.进一步优化，步骤3中，核心控制系统会将各图像业务系统所匹配得出的匹配模型再次进行处理分析具体步骤如下：
40.根据现有不同的图像业务系统得出的匹配模型，对于不同图像业务系统的数据再次进行一个多维度处理过程，从人脸系统中得出人脸匹配模型，从车辆系统中得出车辆匹配模型，从穿着系统中得出穿着匹配模型，将这三个系统的匹配模型再进行学习分析，此时便可输出一个基于上述三个图像业务系统的多维度匹配模型，这个匹配模型是由三个图像业务系统的数据得出，将其看作此过程是一次对于不同图像数据的提取、精炼、统一。
41.其中，图像输入源24小时为系统提供样本，系统将会实时地去庞大的图像数据中去匹配目标，一旦匹配成功，由步骤4可知，会由当前匹配成功的节点重新开展整个业务过程，那么系统的学习素材将会是优质并且实时的。
42.本发明使用共享特征库，不仅能让系统中的多个图像分析数据能同步标准，还能加强每个独立系统的模型分析能力。在共享特征库的基础下，可以保证各个图像业务系统都是根据同一对象进行分析匹配，消除客观差异，降低人力成本。并且每一次计算都是针对于同一特征库，能有效提高资源利用率，提升匹配速度和精度。再根据各个图像业务系统所共同构建的共享特征库，实现关联追踪和精准追踪。而本技术与现有技术相比，使用共享特征库，各个系统特征集数据都归入一个库，从根本上提高了数据的流通性与实时性，节约了时间成本和系统开销。而增加的核心控制系统，使得原有的系统之间能针对于同一特征库进行互相协作与数据交互，提高了匹配精度、匹配速度与匹配成功率。并在使用统一标准的共享特征库前提下，可以使得数据交互有了媒介，可以提供追踪联动服务。
43.为了便于本领域技术人员进一步理解本发明，下面对本发明做进一步阐述。
44.本技术公开的一种基于共享特征库的追踪方法，使用共享特征库，不仅能让系统中的多个图像分析数据能同步标准，还能加强每个独立系统的模型分析能力。在共享特征库的基础下，可以保证各个图像业务系统都是根据同一对象进行分析匹配，消除客观差异，降低人力成本。并且每一次计算都是针对于同一特征库，能有效提高资源利用率，提升匹配速度和精度。再根据各个图像业务系统所共同构建的共享特征库，实现关联追踪和精准追踪。
45.以追踪一个人物目标为例子举例说明，该人目前拥有其人脸图像、车辆图像、穿着图像。
46.具体的步骤如下：
47.搜集原始的特征的图像(如人脸，车辆，穿着)，经由各自图像对应图形系统分析学习，从中得出数据特征集并标记图像关键点；此过程为一个特定系统的分析学习过程，例如人脸图像分析系统对于人脸数据进行分析学习，汽车图像分析系统对于车辆进行分析学习，穿着图像分析系统对于穿着进行分析学习，图像业务系统的学习标准依赖于其业务适用环境。
48.需要说明的是，分析学习这一过程根据图像业务系统的不同可能会存在差异(如不同业务系统之间相关算法使用差异、不同系统之间的系统架构不同等)，但是总体流程还是一个完整的图像识别学习过程，即对于目标图片进行特征提取、数据分析、得出图像模型，算法分析训练、提取特征值这一过程，其具体实现方式可以采用现有技术中的方式，此处不再赘述。然后基于此构建基础共享特征库，为了消除不同系统的差异性，不同系统学习分析得出的数据，会统一入库标准。
49.此共享特征库直接关联到物体身上，作为匹配模型的数据支撑。并在特征集入库的时候，按照图形业务系统进行分类，人脸属于人脸系统，穿着属于穿着系统按照这样的方式将数据进行分类，方便解决以后各图像业务系统的数据匹配模型标准混乱问题。如在特征更改(目标人物改变发型，更换衣物，换乘车辆等)的情况下，对应业务系统的业务需求，继续目标的图像学习，而数据直接同步到共享特征库中对应的业务系统中去，此办法不会将不同的业务系统数据独立，反而在同一共享特征库的基础上，能增加目标的特征库数据
大小，使得特征数据集扩大并且不断的进行迭代。并且对于共享特征库来说，业务数据因为少了转换步骤，每一次数据入库反而更具备了实时效应。在图像算法中，特征数据集越多，学习开销越低，匹配精度越高，在此步骤的基础上便能提高其对应图像业务系统的匹配能力与精度。
50.在步骤1的操作下，系统的共享特征库会变得越来越大，样本规模越来越多，但是由于对不同的系统进行了数据分类，所以此时上述的数据增多问题并不会加大整个追踪流程的开销，相反对于各自图像业务系统而言，是提高匹配速度与精度的。此时就便会由一个核心控制系统去统一调度分析共享特征库里的各自图像业务系统的业务数据，并进行综合分析与业务处理。
51.核心控制系统会将各图像业务系统所匹配得出的匹配模型再次进行处理分析，业务开展到这一步我们会根据现有不同的图像业务系统得出的匹配模型，因为匹配模型的数据是存在于一个共享特征库中，便可基于此对于不同图像业务系统的数据再次进行一个多维度处理过程。
52.从人脸系统中得出人脸匹配模型，从车辆系统中得出车辆匹配模型，从穿着系统中得出穿着匹配模型，将这三个系统的匹配模型，此时的匹配模型是图像数据化出自于同一个共享特征库，数据标准是统一的，再进行学习分析，具体步骤可参考步骤1，此时便可输出一个基于上述三个图像业务系统的多维度匹配模型，该模型直接关联目标人物，此时从数据的角度来讲实现了将多维度数据进行了同一个目标的绑定，这个匹配模型是由三个图像业务系统的数据得出，可以看作此过程是一次对于不同图像数据的提取、精炼、统一。
53.因为对于目标图像进行了综合处理，系统此时就有了初步的目标综合分析能力以及联动能力，数据精炼统一可以实现综合分析，数据多维度处理可以实现联动能力，需要对这些匹配模型再次进行模型图片匹配。
54.这一步将由核心控制系统所处理得出来的匹配模型输出到一个综合图像对比系统中，即：各图像业务系统的集成系统，由于上一步得出了的精炼匹配模型，此时由图像输入源输入图像到综合图像对比系统中，如一张街道图，图上可能出现目标人物的脸部信息、穿着信息、车辆信息。
55.在综合图像对比系统中，将目标图像进行与匹配模型进行一个特征匹配，匹配图中有没有符合的特征信息，即以精炼匹配模型为标准，此时已经由之前的步骤提取到了目标的脸部信息、穿着信息、车辆信息并经由步骤3精炼后，如果没有则匹配失败，当前画面并无目标；如果有匹配则成功，则发现目标，并将图像存储起来，作为步骤1的图像学习样本，再次重复整个步骤。
56.对于实时追踪来说，整个系统的业务流程是一个闭环，并且目标的追踪是一个实时的过程。基于这一点，系统的图像输入源可24小时为系统提供样本，系统将会实时地去庞大的图像数据中去匹配目标，一旦匹配成功，会由当前匹配成功的节点重新开展整个业务过程，那么系统的学习素材将会是优质(系统的学习图像一直是目标)并且实时(图像输入源是24小时不间断传入)的。因为目标学习图像一直是实时的，使得系统的匹配追踪标准也是实时随着目标变化，那么在图像样本足够多的情况下，会从根本上提高的匹配精度与速度。而在图像覆盖率足够广泛的情况下，即可实现目标的实时追踪与锁定。
57.而对于联动追踪来说，举例说明，想要追踪一辆车辆，并且目前只有车辆信息。按
照系统构想会首先得出车辆特征信息，并经由系统业务流程重复学习匹配，能够精准匹配到车辆，但是在车辆匹配的过程中，车辆上的乘客信息也会一并进入其他图像业务系统进行分析，并以其他乘客信息为图像样本信息再次重复系统整个流程，便也能收集到乘客的特征匹配信息，并进行跟踪匹配，即以一个目标基础上，链式覆盖于目标信息有关的其他物体图像，并按需纳入是否为追踪目标范畴。以这个业务逻辑为基础链式发散，便可根据一个车辆信息，同时追踪锁定到多个目标信息身上，实现了系统的联动追踪能力。
58.如若图片样本在进入系统时，附加上其地理信息，在每次的系统流程重复中也可提取地理信息，此举能够得出目标的活动轨迹以及目标的实时地理信息追踪。此举为说明本系统具有较强的可拓展性，可增加运动轨迹呈现与智能地理信息锁定，不纳入本系统的基础建设方案，本提案只针对于图像信息进行系统建设。
59.如图1所示；
60.图像业务系统，包括人脸图像分析系统、穿着图像分析系统、体型分析系统、汽车图像分析系统等不同的图像分析系统，形成一个总的图像业务系统，进行分析学习后得出系统特征集，并构建共享特征集，即收集不同系统特征集，核心控制系统处理得出的匹配模型输出到综合图像对比系统机型特征模型匹配，如果匹配成功即可完成追踪，匹配失败则将图像存储起来用于图像样本学习。
61.本发明仅仅使用共享特征库，而不会使每个分析系统有独立的特征库，并在共享特征库中进行统一标准，严格分类。
62.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
63.以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，应当指出的是，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。