一种基于动态路径树的跨摄像头目标跟踪方法及装置与流程

技术特征：

1.一种基于动态路径树的跨摄像头目标跟踪方法，其特征在于，所述方法包括：

S1：对预先构建的摄像头网络中任一摄像头视角范围内的指定目标进行单摄像头目标跟踪，直至所述指定目标离开当前摄像头的视角范围；

S2：根据目标搜索区域切换算法获得当前需要搜索的摄像头列表；所述摄像头列表包括：一个或多个所述摄像头网络中的摄像头；

S3：对所述摄像头列表中的所有摄像头的视频数据进行对象检测，并采用视觉相似度匹配算法，筛选出视觉外观与所述指定目标的相似度大于预设阈值的可疑目标；

S4：根据动态路径树模型对所述可疑目标进行处理，推断出所述指定目标的运动轨迹。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将所述指定目标的运动轨迹发送至客户端，以展示所述运动轨迹，并转至步骤S2，直至接收到用户输入的终止命令或者所述指定目标离开所述摄像头网络对应的监控区域。

3.根据权利要求1所述的方法，其特征在于，所述步骤S1之前，所述方法还包括：

构建图模型G＝{V,E}以表示摄像头网络的拓扑关系。

4.根据权利要求3所述的方法，其特征在于，所述构建图模型G＝{V,E}以表示摄像头网络的拓扑关系，包括：

通过一个无向图模型G＝{V,E}表示整个监控摄像头网络；所述无向图模型中每个顶点V对应一个摄像头，每条边E对应两个摄像头之间的路径，当前仅当摄像头v1,v2之间存在一条直接连通的路径时边e_v1,v2>0；

所述摄像头网络对应的图模型的不带权距离矩阵和带权距离矩阵分别为：

$A_{i,j}=\left\{\begin{array}{cc}1,& \begin{array}{cc}if& i\∈N\left(j\right)\end{array}\\ \mathrm{\∞},& otherwise\end{array}\right.;$

$D_{i,j}=\left\{\begin{array}{cc}dis\tan cebetweeniandj,& \begin{array}{cc}if& i\∈N\left(j\right)\end{array}\\ \mathrm{\∞},& otherwise\end{array}\right.;$

其中，N(j)表示与摄像头j相邻的其他摄像头集合，不带权距离矩阵A_i,j表示摄像头i,j之间是否存在直接相连的路径，带权距离矩阵D_i,j表示摄像头i,j之间的直接相连的路径的距离；

定义f_A(i,j)表示摄像头的不带权最短距离，f_D(i,j)表示摄像头的带权最短距离。

5.根据权利要求4所述的方法，其特征在于，所述步骤S2，包括：

每次所述指定目标离开一个摄像头c_i的视角范围时，获得所述摄像头的附近区域内的摄像头c_j；R_s表示搜索半径；

经预设时段D_ci,cj/v_max后，对所述摄像头c_j对应的视频数据进行可疑目标搜索；v_max表示所述指定目标运动的最大速度。

6.根据权利要求5所述的方法，其特征在于，所述根据动态路径树模型对所述可疑目标进行处理，包括：

S41：初始化只有根节点X₁＝I₁的动态路径树T；

S42：将检测到的可疑目标I_n加入可以对象列表I_list中；

S43：对于所述动态路径树中的任一节点X_n，若ξ(i,n)>δ且f_A(i,n)<R_S，则在节点X_n下添加一个子节点x＝I_n；ξ(i,n)表示可疑目标I_i、I_n为所述指定目标的可信度；δ为可信度阈值；

S44：计算所述动态路径树中所有叶子节点的能量函数E(x)；

S45：进行树剪枝操作，转至步骤S42，直至任务停止。

7.根据权利要求6所述的方法，其特征在于，所述步骤S43，包括：

通过如下步骤计算ξ(i,n)：

构建经验速度概率函数φ(v；u_v,σ)：

$\mathrm{\&phi;}(v;u_v,\mathrm{\&sigma;})=\left\{\begin{array}{ccc}1-{(1-\frac{v}{u_v})}^2& if& 0\&le;v\&le;u_v\\ \exp (-\frac{{(v-u_v)}^2}{2{\mathrm{\&sigma;}}^2})& if& u_v\&lt;v\end{array}\right.$

其中，v为可疑目标的运动速度，u_v，σ分别是可疑目标的平均运动速度与速度变化标准差；

通过计算得到

其中，表示可疑目标从摄像头c_i到摄像头c_n的速度概率，a_n表示可疑目标I_n在摄像头c_n出现的时间，d_i表示可疑目标I_i在摄像头c_i离开的时间，S_n表示该可疑目标与所述指定目标的视觉相似度。

8.根据权利要求6所述的方法，其特征在于，所述步骤S44，包括：

统计所述动态路径树中所有可能的N条路径{I¹,I²,…,I^N}；

针对其中任意一条路径该路径的路径可信度E(Iⁿ)为：

$E\left(I^n\right)=J\left(I^n\right)+\mathrm{\&lambda;}W\left(I^n\right)=\frac{1}{l^n-1}\underset{i=1}{\overset{l^n-1}{\&Sigma;}}\mathrm{\&xi;}(c_i^n,c_{i+1}^n)+\mathrm{\&lambda;}\frac{l^n}{{\&Sigma;}_{j=1}^N{l}^j}$

其中，lⁿ表示路径Iⁿ所包含的可疑目标的数量，J(Iⁿ)表示整体路径Iⁿ平均每一段的可信度，W(Iⁿ)表示路径Iⁿ的长度在N条所有可能路径中所占的比例，λ表示这两个可行度之间的权值。

9.根据权利要求6所述的方法，其特征在于，所述步骤S45，包括：

若摄像头c_k与摄像头c_i之间存在直接相连的路径且d_i<a_k时，将ξ(i,k)小于预设的可信度阈值的跳转方式对应的路径全部删除；a_k表示可疑目标I_k在摄像头c_k出现的时间，d_i表示可疑目标I_i在摄像头c_i离开的时间；

根据公式计算各叶子节点x_k的能量比例，将所述能量比例低于预设阈值的路径删除。

10.一种基于动态路径树的跨境头目标跟踪装置，其特征在于，所述装置包括：

目标跟踪模块，用于对预先构建的摄像头网络中任一摄像头视角范围内的指定目标进行单摄像头目标跟踪，直至所述指定目标离开当前摄像头的视角范围；

摄像头搜索模块，用于根据目标搜索区域切换算法获得当前需要搜索的摄像头列表；所述摄像头列表包括：一个或多个所述摄像头网络中的摄像头；

可疑目标筛选模块，用于对所述摄像头列表中的所有摄像头的视频数据进行对象检测，并采用视觉相似度匹配算法，筛选出视觉外观与所述指定目标的相似度大于预设阈值的可疑目标；

运动轨迹推断模块，用于根据动态路径树模型对所述可疑目标进行处理，推断出所述指定目标的运动轨迹。