[發(fā)明專利]一種自動(dòng)識(shí)別取證目標(biāo)跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010436300.X
• 申請(qǐng)日: 2020-05-21
• 公開（公告）號(hào): CN111598180B
• 公開（公告）日: 2023-07-14
• 發(fā)明（設(shè)計(jì)）人: 周建華;周講;肖勇
• 申請(qǐng)（專利權(quán)）人: 湖南警察學(xué)院
• 主分類號(hào): G06V10/74
• 分類號(hào): G06V10/74;G06V20/40;G06V20/52
• 代理公司: 長(zhǎng)沙程思專利代理事務(wù)所(普通合伙) 43279
• 代理人: 郭敏

1.一種自動(dòng)識(shí)別取證目標(biāo)跟蹤方法，其特征在于：所述跟蹤方法包括如下步驟：

步驟1：在取證的空間區(qū)域內(nèi)安裝識(shí)別跟蹤攝像頭集群，并把每個(gè)攝像頭均連接入數(shù)據(jù)處理服務(wù)器；

步驟2：對(duì)需要取證的空間區(qū)域進(jìn)行建立識(shí)別跟蹤攝像頭集群的空間攝像識(shí)別區(qū)域，并劃定每個(gè)攝像頭的攝像區(qū)域；

步驟3：紅外觸發(fā)并由攝像頭盲掃識(shí)別，并把識(shí)別的圖像特征傳給目標(biāo)特征庫(kù)進(jìn)行對(duì)比；

步驟4：當(dāng)識(shí)別的圖像特征與目標(biāo)特征庫(kù)的特征匹配時(shí)，啟動(dòng)目標(biāo)鎖定跟蹤程序，當(dāng)其中的一個(gè)攝像頭發(fā)現(xiàn)目標(biāo)物時(shí)，數(shù)據(jù)處理服務(wù)器構(gòu)建具有單獨(dú)處理數(shù)據(jù)功能的處理單元，處理單元為數(shù)據(jù)處理接口和處理數(shù)據(jù)等級(jí)參數(shù)，并分配處理器進(jìn)行目標(biāo)鎖定跟蹤，處理器為接入數(shù)據(jù)處理服務(wù)器的控制數(shù)據(jù)處理器；

步驟5：從目標(biāo)特征庫(kù)中取出目標(biāo)圖像，把目標(biāo)圖像和搜索圖像輸入匹配網(wǎng)絡(luò)中獲得目標(biāo)特征層和搜索特征層，從目標(biāo)特征庫(kù)中取出目標(biāo)圖像傳給相應(yīng)的處理器，處理器具有單獨(dú)處理數(shù)據(jù)的功能，并嵌入匹配網(wǎng)絡(luò)，目標(biāo)圖像和搜索圖像輸入匹配網(wǎng)絡(luò)后，先對(duì)目標(biāo)圖像特征提取得到目標(biāo)特征層，然后在對(duì)搜索圖像進(jìn)行特征識(shí)別得到搜索特征層；

步驟6：將目標(biāo)特征層和搜索特征層卷積的結(jié)果與標(biāo)簽真實(shí)值進(jìn)行相似度匹配，利用目標(biāo)損失函數(shù)計(jì)算上述匹配結(jié)果與標(biāo)簽真實(shí)值之間的誤差，把目標(biāo)特征層和搜索特征層進(jìn)行卷積運(yùn)算處理，得到真實(shí)值，并進(jìn)行相似度匹配，利用以下目標(biāo)損失函數(shù)計(jì)算匹配結(jié)果與標(biāo)簽真實(shí)值之間的誤差，Loss＝Error_coord+Error_iou+Error_cls

其中Error_coord、Error_iou和Error_cls分別表示預(yù)測(cè)包圍盒的誤差、IOU誤差和分類誤差；λ_coord為坐標(biāo)誤差權(quán)重；S²是將輸入圖像分割為的網(wǎng)格數(shù)，B是每個(gè)網(wǎng)格生成的包圍框數(shù)；如果等于1，則第j個(gè)包圍框在第i網(wǎng)格內(nèi)覆蓋了目標(biāo)；否則等于0；為預(yù)測(cè)邊界框的中心坐標(biāo)值及其寬度和高度，(x_i,y_i,w_i,h_i)為真實(shí)的邊界框的中心坐標(biāo)值及其寬度和高度；λ_noobj為對(duì)邊界框進(jìn)行預(yù)測(cè)時(shí)置信度損失的權(quán)重；c_i為預(yù)測(cè)的置信度；為真實(shí)的置信度；p_i(c)是在網(wǎng)格i內(nèi)目標(biāo)屬于c的真實(shí)概率，是預(yù)測(cè)的概率；

步驟7：基于小批量隨機(jī)梯度下降優(yōu)化算法調(diào)整網(wǎng)絡(luò)中的權(quán)重和偏置，以獲取最優(yōu)的誤差值，直至目標(biāo)損失函數(shù)的誤差值收斂于最小值，完成跟蹤識(shí)別訓(xùn)練；

小批量隨機(jī)梯度下降優(yōu)化算法的邊界框坐標(biāo)的算式如下：

b_x＝σ(t_x)+c_x

b_y＝σ(t_y)+c_y

其中，(c_x,c_y)表示網(wǎng)格左上角的坐標(biāo)，(σ(t_x)，σ(t_y))表示偏移量，(p_w，p_h)表示先驗(yàn)框的寬度和高度，(b_x,b_y,b_w,b_h)表示最終預(yù)測(cè)得到邊界框的坐標(biāo)

步驟8：將目標(biāo)圖像和實(shí)時(shí)檢測(cè)的視頻序列輸入到匹配網(wǎng)絡(luò)中，若輸出的檢測(cè)結(jié)果小于閥值時(shí)，輸出到預(yù)測(cè)網(wǎng)絡(luò)并輸出目標(biāo)時(shí)間點(diǎn)位置；

識(shí)別過(guò)程，選取感興趣單元圖像，然后先對(duì)單元圖像進(jìn)行對(duì)比識(shí)別，選取感興趣單元圖像的具體過(guò)程為：

首先，給每個(gè)單元圖像一個(gè)權(quán)重，不同的單元圖像以匹配不同的值，根據(jù)感興趣的單元圖像分配更高的值，感興趣的單元圖像值是所有類別中最大的分值，可以根據(jù)不同的需求自由分配每個(gè)單元圖像的值，將單元圖像分值的方程式設(shè)置為：

其中c(x_i)代表第i個(gè)單元圖像的值；

將類別進(jìn)行排序并分別給各個(gè)別類賦予分值；

檢測(cè)到的多個(gè)單元圖像中，由于每個(gè)單元圖像的面積不同，對(duì)每個(gè)單元圖像的面積賦予第二權(quán)重，權(quán)重與單元圖像區(qū)域面積的乘積是選擇單元圖像的第二個(gè)因素，單元圖像區(qū)域的大小設(shè)置為

s_i＝ω_i·h_i

其中，ω_i代表單元圖像邊界框的寬度，h_i代表單元圖像邊界框的高度，

選擇最佳的單元圖像，對(duì)單元圖像的準(zhǔn)確性給予第三權(quán)重，權(quán)重與準(zhǔn)確性的乘積是目標(biāo)的第三個(gè)因素，表明對(duì)目標(biāo)的準(zhǔn)確性更高；

通過(guò)多尺度檢測(cè)對(duì)前三個(gè)幀的檢測(cè)，對(duì)單元圖像的速度賦予第四權(quán)重，表明單元圖像越快，對(duì)其越感興趣，速度方程設(shè)置為

其中，d_i是從第一幀到第十幀的距離，Δt代表從第一幀到第十幀的時(shí)間，分別設(shè)置為

Δt＝t₂-t₁

其中x_i第一幀單元圖像的坐標(biāo)和時(shí)間為(x₁,y₁)_i和t₁，第十幀單元圖像的坐標(biāo)和時(shí)間為(x₂,y₂)_i和t₂，

步驟9：預(yù)測(cè)網(wǎng)絡(luò)實(shí)時(shí)預(yù)測(cè)下一時(shí)間目標(biāo)的位置，當(dāng)目標(biāo)的位置為邊界域時(shí)，發(fā)出指令通知與邊界域相鄰的攝像頭盲掃識(shí)別模式；

步驟10：將視頻下一序列輸入到匹配網(wǎng)絡(luò)中，若輸出的檢測(cè)結(jié)果小于閥值時(shí)，輸出到預(yù)測(cè)網(wǎng)絡(luò)返回步驟9；

步驟11：重復(fù)步驟9-步驟10輸出目標(biāo)的實(shí)時(shí)位置。