一种多源大数据融合的视频监控行人身份识别方法
【技术领域】
[0001] 本发明属于视频监控技术领域，涉及一种监控视频行人身份识别方法，具体涉及 一种多源大数据融合的视频监控行人身份识别方法。 技术背景
[0002] 近年来，随着社会治安形式的日趋复杂，视频监控系统在城市地区广为部署，城市 视频监控系统在维护社会稳定、打击犯罪方面日益发挥重要作用。视频监控系统采集的庞 大的视频信息已经成为公安机关破案第一手的信息源。监控视频捕获了行人、车辆等监控 目标的图像信息，但图像信息本身并没有直接反映监控目标的物理身份，如人的姓名、身份 证号、籍贯等信息。现实应用中，往往需要从监控视频中识别监控目标真实的物理身份。
[0003] 传统的从监控图像中还原对象的物理身份的工作主要依靠视频分析技术，如人脸 识别、车牌识别等，然而，实际监控环境异常复杂，受到环境光照、拍摄角度、拍摄距离、行人 姿态、摄像清晰度、压缩失真等多重因素的影响，人脸识别技术往往失效，据公安部物证鉴 定中心的统计数据，白天情况下监控视频中60%达不到辨识要求，夜间监控视频达不到辨 识要求的更高达90%。而且，很多紧急破案情况下，用于人脸识别的参考人脸图像根本不存 在。可见，仅仅依赖监控视频自身来识别监控目标身份的做法面临巨大的技术障碍。
[0004] 物联网和大数据时代，行人暴露在各种感知设备之下，其身份信息也被各种感知 设备获取的多源数据所记录，例如，通信基站记录了通话手机号码及通话时的物理位置，公 交卡、购物卡等RFID设备记录了持卡人的身份信息，网络访问过程记录了用户在数字空间 的痕迹（尽管身份可能是虚拟的），还有门卫登记等各种传统的社会登记信息。因此，有望 融合多源数据来帮助鉴别监控视频中行人的物理身份。
[0005] 目前，刷卡和门卫登记场合一般都安装了监控设备，将刷卡或登记记录与监控画 面进行关联不难判别对象的身份。例如，刷卡时刻的人正是同一时刻监控画面中的人。对于 布设在街道等室外场合的监控探头，由于不具备登记信息的获取条件，无法借助登记信息 来达到识别目的，但在手机广为应用的今天，行人的手机通话记录可以帮助甄别，例如，某 露天场合的监控视频画面中在一特定时间只出现一个行人，如果旁边基站监测到同样时间 点的手机通信，则手机号码极有可能就是这个人的，因为，手机定位已经具备不错的精度， 况且，我国已经对手机采取了实名登记制，通过手机号码很容易还原到真人。
[0006] 然而，实际情况下，无论是登记信息还是通信记录，与监控视频中的目标往往是多 对多的关系，比如，基站有多个通话号码，监控视频中出现多个行人。对于这种情况，必须采 用更复杂的数据关联分析方法才能建立多源数据对象之间的身份关联。
【发明内容】
[0007] 为了解决上述技术问题，本发明提供了一种多源大数据融合的视频监控行人身份 识别方法。
[0008] 本发明所采用的技术方案是：一种多源大数据融合的视频监控行人身份识别方 法，其特征在于，包括以下步骤：
[0009]步骤1 :观测行进路径上特定嫌疑行人所在的监控点上手机号码的重现次数，若 重现次数小于预设门限值T，则进入下述步骤2,否则进入下述步骤3;
[0010] 步骤2:增加监控点数并继续观测，若特定嫌疑行人在新观测的监控点中均未再 出现，则进入下述步骤3,否则返回执行所述步骤1;
[0011] 步骤3 :根据特定嫌疑行人实际出现过的监控点数目确定监控点数K，同时判断手 机号码重现次数是否为1，若为1，进入下述步骤4,否则进入下述步骤5;
[0012] 步骤4:统计特定嫌疑行人出现过的逐个监控点上的行人数及相应的手机号码 数，若存在单个行人和单个手机号码的一一对应的关系，则输出强关联，否则选择行人数和 手机号码均最少的弱关联输出；
[0013] 步骤5 :确定行进路径上各监控点包含特定嫌疑行人在内的重现行人数目M，以及 重现的手机号码数目N;
[0014] 步骤6:逐一计算Μ个重现行人中每个行人、N个重现手机号码中每个手机号码的 重现概率；
[0015] 步骤7:根据步骤6得到的重现概率，计算L个行人-手机号码的组合概率；
[0016] 步骤8:按组合概率从大到小排序，选择排序靠前的几对组合作为候选的概率关 联组合输出。
[0017] 作为优选，步骤5中所述重现行人数目Μ的确定方法如下：
[0018] (1)每增加一个出现在不同监控点中的同一行人，重现行人数目增加1，累加得到 重现行人数目Μ;
[0019] (2)同一行人在不同监控点中每出现一次，该行人的出现次数增加1，累加得到每 个行人出现的次数Kvy其中i= 1…Μ;
[0020] (3)特定嫌疑行人之外的其它行人的重现，限在监控视频中出现的时间与特定嫌 疑行人出现时间一致的时候。
[0021] 作为优选，步骤5中所述重现的手机号码数目Ν的确定方法如下：
[0022] (1)对应监控点上出现的手机号码，限出现时间与特定嫌疑行人出现时间一致的 号码；
[0023] (2)以特定嫌疑行人出现过的Κ个监控点上所有手机号码为观测对象，统计每个 号码出现的次数，出现2次以上的号码个数即为重现的手机号码数目Ν，每个重现号码出现 的次数即为Knij，其中j= 1···Ν。
[0024] 作为优选，步骤6中所述重现概率，计算方法如下：
[0025] 对于行进路径上的Κ个监控点，行人i重现概率为PVl，手机号码j重现概率为 Pmj;
[0028]其中，KVl，Km,分别是步骤5计算出的行人和手机号码在K个监控点上的重现次 数。
[0029] 作为优选，步骤7中所述组合概率，计算方法如下：
[0030] 对于Μ个行人、N个手机号码，则共有L=MXN个可能的两两组合，每种组合概率 按下式计算：
[0032] 其中，PVl为行人i重现概率，Pm;为手机号码j重现概率。
[0033] 本发明提供的监控行人身份识别方法是对传统的基于人脸识别技术来鉴别行人 的有益补充，可以在因监控环境适应性问题人脸识别精度达不到要求或人脸图像不存在 时，替代人脸识别技术使用。而且，本发明方法因不涉及复杂的图像内容分析，具有计算简 单、识别效率高的长处，鉴于手机这种通讯设备广为使用，本发明方法还具有普适性强的优 点。
【附图说明】
[0034] 图1本发明实施例的流程图。
【具体实施方式】
[0035] 为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发 明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不 用于限定本发明。
[0036] 多源数据对象之间一对一的映射关系称为强关联，多对多的映射关系称为弱关 联。处于强关联时，视频监控数据源中的未知行人身份可以借助另外一个数据源已知的身 份来识别，如手机通信数据源中的手机号码；当处于弱关联时，一个监控行人可能对应多个 手机号码，反之，一个手机号码也可能对应多个行人，此时的身份仍然无法确定。但是，如 果能够将弱关联关系转变为强关联关系，就可以利用强关联的一一的确定性映射来判别身 份。
[0037] 只考虑单一监控点时，弱关联很难转变为强关联，但对行人行进路径上的多个监 控点联合观测时，监控数据源与手机数据源中的弱关联关系有可能转变为强关联。行人 在监控数据源中的图像与手机数据源中的手机号码具有时空一致性，即手机通话不能脱离 行人而存在，因此，如果考察行人的一个比较长时、被多个监控点摄录的行进路径，则在多 个点均出现的手机通话号码与在多个点监控视频中均出现的行人之间的对应关系的可能 性最大，极端情况下，多点监控视频中只出现一人，多点手机号码也只有一个，则二者构成 一一映射的强关联。更普遍的情况是，多点均出现的行人有多个，多点通话的手机号码也有 多个，此时依然是无法区分的弱关联关系，要想区分开来，必须增加行进路径上观测的监控 点数，直到构成一一映射的强关联关系为止。
[0038] 进一步考虑，多点出现的手机号码也有可能对应非多点均出现的行人，因为，行人 在路过某个监控点进行了通话，但未被摄像头拍摄到；或者，多点出现的行人也有可能对应 非多点出现的手机号码，因为，行人在路过某个监控点时可能没有打电话。也就是说，即使 多点的行人和多点的手机号码均是唯一的，二者之间的对应关系只是概率意义上的最可能 关系，并非绝对的对应关系，监控画面中的行人还可能与在多点出现的次数排名第二的手 机号码构成关联（因为，如上所分析，行人在路过某个监控点时可能没有打电话）。因此，多 源数据对象之间的一一映射的强关联关系不是绝对意义上的，而是概率意义上的，即关联 的可能性最大，但并不保证百分之百的一定关联。因此，从概率的角度来寻找多源数据对象 之间的关联关系才更为科学合理，即概率关联，强关联是出现概率最大的概率关联关系，弱 关联也包含了出现概率小的概率关联关系。总之，从概率来讲，多源数据中任意对象间的映 射关系一定存在，区别只是概率数值大小的不同，最优先认定的映射关系应该是关联概率 最大的关系。这样一来，多源数据融合的行人身份识别问题就转化为数据对象间关联概率 的计算及排