本發(fā)明涉及視頻分析
技術(shù)領(lǐng)域：
，尤其涉及一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤方法及裝置。
背景技術(shù)：
：當(dāng)前大部分傳統(tǒng)的目標(biāo)跟蹤技術(shù)還是針對于單攝像頭目標(biāo)跟蹤問題，然而隨著近幾年各種智能監(jiān)控系統(tǒng)的規(guī)模越來越大，單攝像頭目標(biāo)跟蹤在實(shí)際應(yīng)用時的局限性愈發(fā)明顯，而跨攝像頭目標(biāo)跟蹤技術(shù)的需求則愈發(fā)變大?？鐢z像頭目標(biāo)跟蹤與單攝像頭目標(biāo)跟蹤相比具有更大的挑戰(zhàn)性，具體表現(xiàn)在以下三個方面：一，由于拍攝視角、拍攝距離、光線條件等因素造成同一目標(biāo)在不同攝像頭下的視覺外觀具有較大的差異，因此跨攝像頭目標(biāo)跟蹤難度遠(yuǎn)比單攝像頭目標(biāo)跟蹤難度要大；二，由于目標(biāo)在離開一個攝像頭視角后，再在其他攝像頭發(fā)現(xiàn)一個相似目標(biāo)時其實(shí)很難光憑外觀相似度高低就確定其是否真的是原跟蹤目標(biāo)，因此跟蹤過程中很有可能會丟失目標(biāo)；三，隨著現(xiàn)今監(jiān)控?cái)z像頭網(wǎng)絡(luò)規(guī)模越來越大，攝像頭所拍攝畫面的分辨率越來越高，在對這些視頻數(shù)據(jù)進(jìn)行處理分析時所需要消耗的計(jì)算資源也越來越多，簡單粗暴進(jìn)行全部遍歷的方式在實(shí)際場景中通常并不可行。基于視覺技術(shù)的跨攝像頭目標(biāo)跟蹤主要包含對象檢測、單攝像頭目標(biāo)跟蹤和跨攝像頭目標(biāo)相似度匹配三個核心算法，但是正如之前所述，簡單的將這三種技術(shù)拼接起來又無法很好的解決跨攝像頭目標(biāo)跟蹤問題，因此我們還需要針對其中的目標(biāo)軌跡估計(jì)和計(jì)算資源開銷過大兩個問題進(jìn)行專門的優(yōu)化。技術(shù)實(shí)現(xiàn)要素：針對現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤方法及裝置，能夠提高目標(biāo)跟蹤準(zhǔn)確性并降低所需的計(jì)算資源開銷。第一方面，本發(fā)明提供了一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤方法，所述方法包括：S1：對預(yù)先構(gòu)建的攝像頭網(wǎng)絡(luò)中任一攝像頭視角范圍內(nèi)的指定目標(biāo)進(jìn)行單攝像頭目標(biāo)跟蹤，直至所述指定目標(biāo)離開當(dāng)前攝像頭的視角范圍；S2：根據(jù)目標(biāo)搜索區(qū)域切換算法獲得當(dāng)前需要搜索的攝像頭列表；所述攝像頭列表包括：一個或多個所述攝像頭網(wǎng)絡(luò)中的攝像頭；S3：對所述攝像頭列表中的所有攝像頭的視頻數(shù)據(jù)進(jìn)行對象檢測，并采用視覺相似度匹配算法，篩選出視覺外觀與所述指定目標(biāo)的相似度大于預(yù)設(shè)閾值的可疑目標(biāo)；S4：根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，推斷出所述指定目標(biāo)的運(yùn)動軌跡。優(yōu)選地，所述方法還包括：將所述指定目標(biāo)的運(yùn)動軌跡發(fā)送至客戶端，以展示所述運(yùn)動軌跡，并轉(zhuǎn)至步驟S2，直至接收到用戶輸入的終止命令或者所述指定目標(biāo)離開所述攝像頭網(wǎng)絡(luò)對應(yīng)的監(jiān)控區(qū)域。優(yōu)選地，所述步驟S1之前，所述方法還包括：構(gòu)建圖模型G＝{V,E}以表示攝像頭網(wǎng)絡(luò)的拓?fù)潢P(guān)系。優(yōu)選地，所述構(gòu)建圖模型G＝{V,E}以表示攝像頭網(wǎng)絡(luò)的拓?fù)潢P(guān)系，包括：通過一個無向圖模型G＝{V,E}表示整個監(jiān)控?cái)z像頭網(wǎng)絡(luò)；所述無向圖模型中每個頂點(diǎn)V對應(yīng)一個攝像頭，每條邊E對應(yīng)兩個攝像頭之間的路徑，當(dāng)前僅當(dāng)攝像頭v1,v2之間存在一條直接連通的路徑時邊ev1,v2>0；所述攝像頭網(wǎng)絡(luò)對應(yīng)的圖模型的不帶權(quán)距離矩陣和帶權(quán)距離矩陣分別為：Ai,j=1,ifi∈N(j)∞,otherwise;]]>Di,j=distancebetweeniandj,ifi∈N(j)∞,otherwise;]]>其中，N(j)表示與攝像頭j相鄰的其他攝像頭集合，不帶權(quán)距離矩陣Ai,j表示攝像頭i,j之間是否存在直接相連的路徑，帶權(quán)距離矩陣Di,j表示攝像頭i,j之間的直接相連的路徑的距離；定義fA(i,j)表示攝像頭的不帶權(quán)最短距離，fD(i,j)表示攝像頭的帶權(quán)最短距離。優(yōu)選地，所述步驟S2，包括：每次所述指定目標(biāo)離開一個攝像頭ci的視角范圍時，獲得所述攝像頭的附近區(qū)域內(nèi)的攝像頭cj；Rs表示搜索半徑；經(jīng)預(yù)設(shè)時段Dci,cj/vmax后，對所述攝像頭cj對應(yīng)的視頻數(shù)據(jù)進(jìn)行可疑目標(biāo)搜索；vmax表示所述指定目標(biāo)運(yùn)動的最大速度。優(yōu)選地，所述根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，包括：S41：初始化只有根節(jié)點(diǎn)X1＝I1的動態(tài)路徑樹T；S42：將檢測到的可疑目標(biāo)In加入可以對象列表Ilist中；S43：對于所述動態(tài)路徑樹中的任一節(jié)點(diǎn)Xn，若ξ(i,n)>δ且fA(i,n)<RS，則在節(jié)點(diǎn)Xn下添加一個子節(jié)點(diǎn)x＝In；ξ(i,n)表示可疑目標(biāo)Ii、In為所述指定目標(biāo)的可信度；δ為可信度閾值；S44：計(jì)算所述動態(tài)路徑樹中所有葉子節(jié)點(diǎn)的能量函數(shù)E(x)；S45：進(jìn)行樹剪枝操作，轉(zhuǎn)至步驟S42，直至任務(wù)停止。優(yōu)選地，所述步驟S43，包括：通過如下步驟計(jì)算ξ(i,n)：構(gòu)建經(jīng)驗(yàn)速度概率函數(shù)φ(v；uv,σ)：φ(v;uv,σ)=1-(1-vuv)2if0≤v≤uvexp(-(v-uv)22σ2)ifuv<v]]>其中，v為可疑目標(biāo)的運(yùn)動速度，uv，σ分別是可疑目標(biāo)的平均運(yùn)動速度與速度變化標(biāo)準(zhǔn)差；通過計(jì)算得到其中，表示可疑目標(biāo)從攝像頭ci到攝像頭cn的速度概率，an表示可疑目標(biāo)In在攝像頭cn出現(xiàn)的時間，di表示可疑目標(biāo)Ii在攝像頭ci離開的時間，Sn表示該可疑目標(biāo)與所述指定目標(biāo)的視覺相似度。優(yōu)選地，所述步驟S44，包括：統(tǒng)計(jì)所述動態(tài)路徑樹中所有可能的N條路徑{I1,I2,…,IN}；針對其中任意一條路徑該路徑的路徑可信度E(In)為：E(In)=J(In)+λW(In)=1ln-1Σi=1ln-1ξ(cin,ci+1n)+λlnΣj=1Nlj]]>其中，ln表示路徑In所包含的可疑目標(biāo)的數(shù)量，J(In)表示整體路徑In平均每一段的可信度，W(In)表示路徑In的長度在N條所有可能路徑中所占的比例，λ表示這兩個可行度之間的權(quán)值。優(yōu)選地，所述步驟S45，包括：若攝像頭ck與攝像頭ci之間存在直接相連的路徑且di<ak時，將ξ(i,k)小于預(yù)設(shè)的可信度閾值的跳轉(zhuǎn)方式對應(yīng)的路徑全部刪除；ak表示可疑目標(biāo)Ik在攝像頭ck出現(xiàn)的時間，di表示可疑目標(biāo)Ii在攝像頭ci離開的時間；根據(jù)公式計(jì)算各葉子節(jié)點(diǎn)xk的能量比例，將所述能量比例低于預(yù)設(shè)閾值的路徑刪除。第二方面，本發(fā)明提供了一種基于動態(tài)路徑樹的跨境頭目標(biāo)跟蹤裝置，所述裝置包括：目標(biāo)跟蹤模塊，用于對預(yù)先構(gòu)建的攝像頭網(wǎng)絡(luò)中任一攝像頭視角范圍內(nèi)的指定目標(biāo)進(jìn)行單攝像頭目標(biāo)跟蹤，直至所述指定目標(biāo)離開當(dāng)前攝像頭的視角范圍；攝像頭搜索模塊，用于根據(jù)目標(biāo)搜索區(qū)域切換算法獲得當(dāng)前需要搜索的攝像頭列表；所述攝像頭列表包括：一個或多個所述攝像頭網(wǎng)絡(luò)中的攝像頭；可疑目標(biāo)篩選模塊，用于對所述攝像頭列表中的所有攝像頭的視頻數(shù)據(jù)進(jìn)行對象檢測，并采用視覺相似度匹配算法，篩選出視覺外觀與所述指定目標(biāo)的相似度大于預(yù)設(shè)閾值的可疑目標(biāo)；運(yùn)動軌跡推斷模塊，用于根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，推斷出所述指定目標(biāo)的運(yùn)動軌跡。由上述技術(shù)方案可知，本發(fā)明提供一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤方法及裝置，通過對用戶指定的攝像頭網(wǎng)絡(luò)中任一攝像頭視角范圍內(nèi)的指定目標(biāo)進(jìn)行單攝像頭目標(biāo)跟蹤，并根據(jù)目標(biāo)搜索區(qū)域切換算法獲得當(dāng)前需要搜索的攝像頭列表，以對所述攝像頭列表中的所有攝像頭的視頻數(shù)據(jù)進(jìn)行對象檢測，并采用視覺相似度匹配算法，篩選出視覺外觀與所述指定目標(biāo)的相似度大于預(yù)設(shè)閾值的可疑目標(biāo)，從而根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，推斷出所述指定目標(biāo)的運(yùn)動軌跡。如此，本發(fā)明利用目標(biāo)的視覺信息和時空運(yùn)動信息進(jìn)行分析，然后在盡可能小的計(jì)算資源開銷下能夠較為準(zhǔn)確的進(jìn)行跨攝像頭目標(biāo)跟蹤，能夠更加準(zhǔn)確的預(yù)測路徑，同時還能動態(tài)確定目標(biāo)當(dāng)前可能出現(xiàn)的位置區(qū)域，避免監(jiān)控系統(tǒng)每時每刻都要對所有攝像頭視角進(jìn)行搜索，最大程度上降低了計(jì)算資源的開銷。附圖說明為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些圖獲得其他的附圖。圖1是本發(fā)明一實(shí)施例提供的一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤方法的流程示意圖；圖2是本發(fā)明另一實(shí)施例提供的一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤方法的流程示意圖；圖3是本發(fā)明一實(shí)施例提供的以行人為例的先驗(yàn)?zāi)繕?biāo)運(yùn)動速度概率分布示意圖；圖4是本發(fā)明一實(shí)施例提供的動態(tài)路徑樹的構(gòu)建方法示意圖；圖5是本發(fā)明一實(shí)施例提供的一實(shí)際場景中使用動態(tài)路徑樹進(jìn)行路徑推斷的過程；圖6是本發(fā)明一實(shí)施例提供的一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤裝置的結(jié)構(gòu)示意圖。具體實(shí)施方式下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。圖1是本發(fā)明一實(shí)施例中的一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤方法的流程示意圖，本實(shí)施例的執(zhí)行主體為服務(wù)器，所述方法包括如下步驟：S1：對預(yù)先構(gòu)建的攝像頭網(wǎng)絡(luò)中任一攝像頭視角范圍內(nèi)的指定目標(biāo)進(jìn)行單攝像頭目標(biāo)跟蹤，直至所述指定目標(biāo)離開當(dāng)前攝像頭的視角范圍。具體來說，用戶通過客戶端可在預(yù)設(shè)的攝像頭監(jiān)控網(wǎng)絡(luò)中任意攝像頭視角范圍內(nèi)指定一個目標(biāo)作為跟蹤目標(biāo)。在用戶確定指定目標(biāo)后，會向服務(wù)器發(fā)送所述指定目標(biāo)跟蹤指令，而服務(wù)器首先采用預(yù)設(shè)的單攝像頭目標(biāo)跟蹤方法控制攝像頭對所述指定目標(biāo)進(jìn)行跟蹤，直至該指定目標(biāo)離開當(dāng)前攝像頭的視角范圍。S2：根據(jù)目標(biāo)搜索區(qū)域切換算法獲得當(dāng)前需要搜索的攝像頭列表；所述攝像頭列表包括：一個或多個所述攝像頭網(wǎng)絡(luò)中的攝像頭。具體來說，根據(jù)搜索區(qū)域切換算法確定當(dāng)前需要搜索的攝像頭列表，例如若指定目標(biāo)最近一次出現(xiàn)在某攝像頭視角內(nèi)，因此可只搜索與該攝像頭相鄰的一些攝像頭，根據(jù)這些攝像頭生成攝像頭列表，以對攝像頭列表中的各攝像頭的視頻數(shù)據(jù)進(jìn)行搜索。S3：對所述攝像頭列表中的所有攝像頭的視頻數(shù)據(jù)進(jìn)行對象檢測，并采用視覺相似度匹配算法，篩選出視覺外觀與所述指定目標(biāo)的相似度大于預(yù)設(shè)閾值的可疑目標(biāo)。具體來說，對攝像頭列表中的所有攝像頭的視頻數(shù)據(jù)進(jìn)行對象檢測，獲得預(yù)設(shè)類別的對象，如行人、車輛等；將所述預(yù)設(shè)類別的對象與所述指定目標(biāo)進(jìn)行目標(biāo)相似度匹配，從所述預(yù)設(shè)類別的對象中篩選出與所述指定目標(biāo)的相似度大于預(yù)設(shè)閾值的可疑目標(biāo)。S4：根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，推斷出所述指定目標(biāo)的運(yùn)動軌跡。具體地，根據(jù)動態(tài)路徑樹模型對當(dāng)前所有可疑目標(biāo)進(jìn)行處理，推斷出指定目標(biāo)最可能的運(yùn)動軌跡，即從所有可疑目標(biāo)中篩選出所述指定目標(biāo)。由此可見，本實(shí)施例通過對用戶指定的攝像頭網(wǎng)絡(luò)中任一攝像頭視角范圍內(nèi)的指定目標(biāo)進(jìn)行單攝像頭目標(biāo)跟蹤，并根據(jù)目標(biāo)搜索區(qū)域切換算法獲得當(dāng)前需要搜索的攝像頭列表，以對所述攝像頭列表中的所有攝像頭的視頻數(shù)據(jù)進(jìn)行對象檢測，并采用視覺相似度匹配算法，篩選出視覺外觀與所述指定目標(biāo)的相似度大于預(yù)設(shè)閾值的可疑目標(biāo)，從而根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，推斷出所述指定目標(biāo)的運(yùn)動軌跡。如此，本實(shí)施例利用目標(biāo)的視覺信息和時空運(yùn)動信息進(jìn)行分析，然后在盡可能小的計(jì)算資源開銷下能夠較為準(zhǔn)確的進(jìn)行跨攝像頭目標(biāo)跟蹤，能夠更加準(zhǔn)確的預(yù)測路徑，同時還能動態(tài)確定目標(biāo)當(dāng)前可能出現(xiàn)的位置區(qū)域，避免監(jiān)控系統(tǒng)每時每刻都要對所有攝像頭視角進(jìn)行搜索，最大程度上降低了計(jì)算資源的開銷。進(jìn)一步地，在本發(fā)明的一個可選實(shí)施例中，如圖2所示，所述方法還包括如下步驟：S5：將所述指定目標(biāo)的運(yùn)動軌跡發(fā)送至客戶端，以展示所述運(yùn)動軌跡；S6：判斷是否接收到用戶輸入的終止命令或者所述指定目標(biāo)離開所述攝像頭網(wǎng)絡(luò)對應(yīng)的監(jiān)控區(qū)域，若是轉(zhuǎn)至步驟S7，否則轉(zhuǎn)至步驟S2。S7：終止跟蹤任務(wù)。舉例來說，以跨攝像頭行人目標(biāo)跟蹤為例，假設(shè)用戶初始指定的目標(biāo)為I*，那么我們的目標(biāo)跟蹤系統(tǒng)在跟蹤任務(wù)過程中可能會隨時在任意一個攝像頭里檢測到一個可疑目標(biāo)，在時間軸上形成一個可疑目標(biāo)列表Ilist＝{I1,I2,…,Ik}，其中Ik＝(ck,sk,ak,dk)是最近發(fā)現(xiàn)的一個可疑目標(biāo)，ck代表可疑目標(biāo)Ik所在攝像頭，sk為其與原始指定跟蹤目標(biāo)的視覺相似度，ak,dk為其在攝像頭ck出現(xiàn)與離開的時間。需要說明的是，這個可疑目標(biāo)可能是(正樣本)也可能不是用戶之前指定的目標(biāo)(誤檢，負(fù)樣本)，而用戶之前指定的目標(biāo)在進(jìn)入到某個攝像頭后也不一定會被檢測出來(漏檢)加入這個可疑目標(biāo)列表Ilist，具體地，本實(shí)施例在實(shí)際進(jìn)行跨攝像頭指定目標(biāo)跟蹤時的場景一般可以形容為：1.用戶選取某個目標(biāo)I*，任務(wù)開始；2.執(zhí)行單攝像頭跟蹤直到目標(biāo)離開當(dāng)前攝像頭；3.t1時刻在攝像頭c1發(fā)現(xiàn)一個相似度為s1＝0.7的可疑目標(biāo)；4.t2時刻在攝像頭c2發(fā)現(xiàn)一個相似度為s2＝0.5的可疑目標(biāo)；5.……6.若用戶手動停止、目標(biāo)丟失或目標(biāo)離開監(jiān)控區(qū)域，任務(wù)結(jié)束。在本發(fā)明的一個可選實(shí)施例中，所述步驟S1之前，所述方法還包括：S0：構(gòu)建圖模型G＝{V,E}以表示攝像頭網(wǎng)絡(luò)的拓?fù)潢P(guān)系。具體地，步驟S0中的所述構(gòu)建圖模型G＝{V,E}以表示攝像頭網(wǎng)絡(luò)的拓?fù)潢P(guān)系，具體包括：通過一個無向圖模型G＝{V,E}表示整個監(jiān)控?cái)z像頭網(wǎng)絡(luò)；所述無向圖模型中每個頂點(diǎn)V對應(yīng)一個攝像頭，每條邊E對應(yīng)兩個攝像頭之間的路徑，當(dāng)前僅當(dāng)攝像頭v1,v2之間存在一條直接連通的路徑時邊ev1,v2>0；所述攝像頭網(wǎng)絡(luò)對應(yīng)的圖模型的不帶權(quán)距離矩陣和帶權(quán)距離矩陣分別為：Ai,j=1,ifi∈N(j)∞,otherwise---(1)]]>Di,j=distancebetweeniandj,ifi∈N(j)∞,otherwise---(2)]]>其中，N(j)表示與攝像頭j相鄰的其他攝像頭集合，不帶權(quán)距離矩陣Ai,j表示攝像頭i,j之間是否存在直接相連的路徑，帶權(quán)距離矩陣Di,j表示攝像頭i,j之間的直接相連的路徑的距離；定義fA(i,j)表示攝像頭的不帶權(quán)最短距離，fD(i,j)表示攝像頭的帶權(quán)最短距離。進(jìn)一步地，所述步驟S2，具體包括如下子步驟：S21：每次所述指定目標(biāo)離開一個攝像頭ci的視角范圍時，獲得所述攝像頭的附近區(qū)域內(nèi)的攝像頭cj；Rs表示搜索半徑。S22：經(jīng)預(yù)設(shè)時段Dci,cj/vmax后，對所述攝像頭cj對應(yīng)的視頻數(shù)據(jù)進(jìn)行可疑目標(biāo)搜索；vmax表示所述指定目標(biāo)運(yùn)動的最大速度。具體來說，由于目標(biāo)在任意兩個攝像頭間ci,cj運(yùn)動時均需要消耗一定的時間，因此每當(dāng)目標(biāo)離開某攝像頭ci時，我們可以對區(qū)域NRs(ci)中的每個攝像頭cj設(shè)置一個計(jì)時器，使其在目標(biāo)離開ci后至少經(jīng)過Dci,cj/vmax才開始進(jìn)行可疑目標(biāo)搜索。需要說明的是，步驟S21中設(shè)置需要搜索的攝像頭集合為與目標(biāo)剛離開攝像頭在無權(quán)圖上距離不超過Rs的NRs(ci)，這是因?yàn)樵趯?shí)際場景中有時會出現(xiàn)對象漏檢的特殊情況，也就是說即使跟蹤目標(biāo)出現(xiàn)在某個攝像頭也不一定能被發(fā)現(xiàn)，因此在搜索”相鄰區(qū)域”時其實(shí)并不能真的僅搜索那些與原攝像頭直接相鄰的攝像頭區(qū)域。步驟S22中的計(jì)時器對應(yīng)的時間實(shí)際上就是一個隨著時間持續(xù)遞減的整數(shù)，初始被設(shè)置成對象以最大速度從攝像頭ci到達(dá)攝像頭cj的時間fD(ci,cj)/vmax，然后在遞減的過程中：1、τ>0，視覺搜索模塊尚未啟動；2、τ＝0，開始視覺搜索模塊，且計(jì)時器仍然繼續(xù)遞減。3、τ<0，視覺搜索模塊依舊在運(yùn)行，計(jì)時器的絕對值表示視覺搜索模塊運(yùn)行的時間。另外，每個攝像頭可以同時有多個計(jì)時器，且只要其中一個τ≤0，該攝像頭的視頻流數(shù)據(jù)就開始執(zhí)行視覺搜索模塊，不過為了防止各個攝像頭計(jì)時器數(shù)量不斷無限制的增長，攝像頭ck的計(jì)時器在以下三種情況下會被刪除：(i)Ik被確定為一個負(fù)樣本(即不是原跟蹤目標(biāo))；(ii)在Ik之后發(fā)現(xiàn)目標(biāo)非常大概率的已經(jīng)轉(zhuǎn)移到了另一個攝像頭，即檢測到sk+1接近1的Ik+1；(iii)情況(i)與(ii)均為發(fā)生，而且很長一段時間都沒有再檢測到可疑目標(biāo)，目標(biāo)已經(jīng)丟失或離開監(jiān)控區(qū)域。由此可見，本實(shí)施例根據(jù)基于計(jì)時器的目標(biāo)搜索區(qū)域切換算法計(jì)算當(dāng)前需要搜索的攝像頭列表，避免監(jiān)控系統(tǒng)每時每刻都要對所有攝像頭視角進(jìn)行搜索，最大程度上降低了計(jì)算資源的開銷。進(jìn)一步地，上述實(shí)施例中步驟S4中的所述根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，具體可包括如下子步驟：S41：初始化只有根節(jié)點(diǎn)X1＝I1的動態(tài)路徑樹T；S42：將檢測到的可疑目標(biāo)In加入可以對象列表Ilist中；S43：對于所述動態(tài)路徑樹中的任一節(jié)點(diǎn)Xn，若ξ(i,n)>δ且fA(i,n)<RS，則在節(jié)點(diǎn)Xn下添加一個子節(jié)點(diǎn)x＝In；ξ(i,n)表示可疑目標(biāo)Ii、In為所述指定目標(biāo)的可信度；δ為可信度閾值；S44：計(jì)算所述動態(tài)路徑樹中所有葉子節(jié)點(diǎn)的能量函數(shù)E(x)；S45：進(jìn)行樹剪枝操作，轉(zhuǎn)至步驟S42，直至任務(wù)停止。其中，所述步驟S43具體，包括：通過如下步驟計(jì)算ξ(i,n)：構(gòu)建經(jīng)驗(yàn)速度概率函數(shù)φ(v；uv,σ)：φ(v;uv,σ)=1-(1-vuv)2if0≤v≤uvexp(-(v-uv)22σ2)ifuv<v---(3)]]>其中，v為可疑目標(biāo)的運(yùn)動速度，uv，σ分別是可疑目標(biāo)的平均運(yùn)動速度與速度變化標(biāo)準(zhǔn)差；通過計(jì)算得到其中，表示可疑目標(biāo)從攝像頭ci到攝像頭cn的速度概率，an表示可疑目標(biāo)In在攝像頭cn出現(xiàn)的時間，di表示可疑目標(biāo)Ii在攝像頭ci離開的時間，Sn表示該可疑目標(biāo)與所述指定目標(biāo)的視覺相似度。其中，φ(v；uv,σ)是一個經(jīng)驗(yàn)速度概率函數(shù)，例如以行人為例的先驗(yàn)?zāi)繕?biāo)運(yùn)動速度概率分布如圖3所示。進(jìn)一步地，所述步驟S44，具體包括：統(tǒng)計(jì)所述動態(tài)路徑樹中所有可能的N條路徑{I1,I2,…,IN}；針對其中任意一條路徑該路徑的路徑可信度E(In)為：E(In)=J(In)+λW(In)=1ln-1Σi=1ln-1ξ(cin,ci+1n)+λlnΣj=1Nlj---(4)]]>其中，ln表示路徑In所包含的可疑目標(biāo)的數(shù)量，J(In)表示整體路徑In平均每一段的可信度，W(In)表示路徑In的長度在N條所有可能路徑中所占的比例，λ表示這兩個可行度之間的權(quán)值。需要說明的是，上述公式(4)包含如下兩部分含義：(1)平均每段路徑的可信度越高，整條路徑的越有可能是目標(biāo)的真實(shí)路徑；(2)錯誤可疑目標(biāo)不太可能在保證較為穩(wěn)定運(yùn)動速度的同時還形成一條長路徑。具體地，所述步驟S45，具體包括：若攝像頭ck與攝像頭ci之間存在直接相連的路徑且di<ak時，將ξ(i,k)小于預(yù)設(shè)的可信度閾值的跳轉(zhuǎn)方式對應(yīng)的路徑全部刪除；ak表示可疑目標(biāo)Ik在攝像頭ck出現(xiàn)的時間，di表示可疑目標(biāo)Ii在攝像頭ci離開的時間；根據(jù)公式計(jì)算各葉子節(jié)點(diǎn)xk的能量比例，將所述能量比例低于預(yù)設(shè)閾值的路徑刪除。具體來說，若攝像頭ck與攝像頭ci之間存在直接相連的路徑且di<ak時，那么每次新發(fā)現(xiàn)的可疑目標(biāo)Ik理論上可以是從之前任意一個節(jié)點(diǎn)Ii直接跳轉(zhuǎn)過來的，而該跳轉(zhuǎn)方式的可信度可以用之前的公式計(jì)算ξ(i,k)，在實(shí)際跟蹤任務(wù)中，我們對每個跳轉(zhuǎn)方式設(shè)置一個可信度閾值，將ξ(i,k)小于預(yù)設(shè)的可信度閾值的跳轉(zhuǎn)方式全部丟棄。另外，隨著動態(tài)路徑樹的生長，樹的結(jié)構(gòu)需要不斷的進(jìn)行剪枝操作(treepruning)，即設(shè)置一個閾值，將能量比例低于預(yù)設(shè)閾值的路徑刪除，僅保留能量比例最高的幾條，刪除某些路徑后產(chǎn)生的新葉子結(jié)點(diǎn)需要遞歸的根據(jù)這個公式重新剪枝，直到?jīng)]有可以剪枝的情況。這一步驟主要基于上文所提到的“錯誤可疑目標(biāo)不太可能在保證較為穩(wěn)定運(yùn)動速度的同時還形成一條長路徑”原則。舉例來說，圖4詳細(xì)展示了一棵動態(tài)路徑樹的構(gòu)建過程。在實(shí)際進(jìn)行目標(biāo)跟蹤任務(wù)時盡管每次發(fā)現(xiàn)新的可疑目標(biāo)都需要反復(fù)計(jì)算動態(tài)路徑樹各個葉子節(jié)點(diǎn)的能量函數(shù)，但因?yàn)橥瑫r存在剪枝操作，使得動態(tài)路徑樹的計(jì)算復(fù)雜度實(shí)際上還是非常之低，事實(shí)上，控制這棵樹結(jié)構(gòu)復(fù)雜度的關(guān)鍵所在就是參數(shù)θ的設(shè)置，例如當(dāng)θ＝0.1時，動態(tài)路徑樹最多包含1/0.1＝10個葉子節(jié)點(diǎn)，當(dāng)θ＝0.2時則最多只包含1/0.2＝5個葉子節(jié)點(diǎn)，因此如果對象檢測和目標(biāo)精準(zhǔn)搜索算法的準(zhǔn)確性不是太差，最終這棵動態(tài)路徑樹將會變成一棵非常長但是沒有太多分支的形狀，并且僅有的一些分支一般也都分布在葉子結(jié)點(diǎn)附近而不是靠近根節(jié)點(diǎn)。圖5展示了一個詳細(xì)的路徑估計(jì)過程，I＝{I1,I2,…,I9}是一個可疑對象列表，其中I9是最近發(fā)現(xiàn)的一個，圖5中第一幅圖展示了I9之前可能的三個跳轉(zhuǎn)點(diǎn)I6、I7、I8，第二幅圖給出了一個在靠近葉子節(jié)點(diǎn)產(chǎn)生兩個分支的情形，第三幅圖則展示了較為罕見的在靠近根節(jié)點(diǎn)I1就產(chǎn)生兩個分支的情形。圖6是本發(fā)明一實(shí)施例中的一種基于動態(tài)路徑樹的跨境頭目標(biāo)跟蹤裝置的結(jié)構(gòu)示意圖，如圖6所示，所述裝置包括：目標(biāo)跟蹤模塊601、攝像頭搜索模塊602、可疑目標(biāo)篩選模塊603及運(yùn)動軌跡推斷模塊604。其中：目標(biāo)跟蹤模塊601用于對預(yù)先構(gòu)建的攝像頭網(wǎng)絡(luò)中任一攝像頭視角范圍內(nèi)的指定目標(biāo)進(jìn)行單攝像頭目標(biāo)跟蹤，直至所述指定目標(biāo)離開當(dāng)前攝像頭的視角范圍；攝像頭搜索模塊602用于根據(jù)目標(biāo)搜索區(qū)域切換算法獲得當(dāng)前需要搜索的攝像頭列表；所述攝像頭列表包括：一個或多個所述攝像頭網(wǎng)絡(luò)中的攝像頭；可疑目標(biāo)篩選模塊603用于對所述攝像頭列表中的所有攝像頭的視頻數(shù)據(jù)進(jìn)行對象檢測，并采用視覺相似度匹配算法，篩選出視覺外觀與所述指定目標(biāo)的相似度大于預(yù)設(shè)閾值的可疑目標(biāo)；運(yùn)動軌跡推斷模塊604用于根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，推斷出所述指定目標(biāo)的運(yùn)動軌跡。由此可見，本實(shí)施例通過對用戶指定的攝像頭網(wǎng)絡(luò)中任一攝像頭視角范圍內(nèi)的指定目標(biāo)進(jìn)行單攝像頭目標(biāo)跟蹤，并根據(jù)目標(biāo)搜索區(qū)域切換算法獲得當(dāng)前需要搜索的攝像頭列表，以對所述攝像頭列表中的所有攝像頭的視頻數(shù)據(jù)進(jìn)行對象檢測，并采用視覺相似度匹配算法，篩選出視覺外觀與所述指定目標(biāo)的相似度大于預(yù)設(shè)閾值的可疑目標(biāo)，從而根據(jù)動態(tài)路徑樹模型對所述可疑目標(biāo)進(jìn)行處理，推斷出所述指定目標(biāo)的運(yùn)動軌跡。如此，本實(shí)施例利用目標(biāo)的視覺信息和時空運(yùn)動信息進(jìn)行分析，然后在盡可能小的計(jì)算資源開銷下能夠較為準(zhǔn)確的進(jìn)行跨攝像頭目標(biāo)跟蹤，能夠更加準(zhǔn)確的預(yù)測路徑，同時還能動態(tài)確定目標(biāo)當(dāng)前可能出現(xiàn)的位置區(qū)域，避免監(jiān)控系統(tǒng)每時每刻都要對所有攝像頭視角進(jìn)行搜索，最大程度上降低了計(jì)算資源的開銷。本實(shí)施例中，所述裝置還包括：展示模塊，用于：將所述指定目標(biāo)的運(yùn)動軌跡發(fā)送至客戶端，以展示所述運(yùn)動軌跡，并轉(zhuǎn)至攝像頭搜索模塊，直至接收到用戶輸入的終止命令或者所述指定目標(biāo)離開所述攝像頭網(wǎng)絡(luò)對應(yīng)的監(jiān)控區(qū)域。本實(shí)施例中，所述裝置還包括：網(wǎng)絡(luò)構(gòu)建模塊，用于：構(gòu)建圖模型G＝{V,E}以表示攝像頭網(wǎng)絡(luò)的拓?fù)潢P(guān)系。本實(shí)施例中，所述網(wǎng)絡(luò)構(gòu)建模塊，具體用于：通過一個無向圖模型G＝{V,E}表示整個監(jiān)控?cái)z像頭網(wǎng)絡(luò)；所述無向圖模型中每個頂點(diǎn)V對應(yīng)一個攝像頭，每條邊E對應(yīng)兩個攝像頭之間的路徑，當(dāng)前僅當(dāng)攝像頭v1,v2之間存在一條直接連通的路徑時邊ev1,v2>0；所述攝像頭網(wǎng)絡(luò)對應(yīng)的圖模型的不帶權(quán)距離矩陣和帶權(quán)距離矩陣分別為：Ai,j=1,ifi∈N(j)∞,otherwise;]]>Di,j=distancebetweeniandj,ifi∈N(j)∞,otherwise;]]>其中，N(j)表示與攝像頭j相鄰的其他攝像頭集合，不帶權(quán)距離矩陣Ai,j表示攝像頭i,j之間是否存在直接相連的路徑，帶權(quán)距離矩陣Di,j表示攝像頭i,j之間的直接相連的路徑的距離；定義fA(i,j)表示攝像頭的不帶權(quán)最短距離，fD(i,j)表示攝像頭的帶權(quán)最短距離。本實(shí)施例中，攝像頭搜索模塊602，具體用于：每次所述指定目標(biāo)離開一個攝像頭ci的視角范圍時，獲得所述攝像頭的附近區(qū)域內(nèi)的攝像頭cj；Rs表示搜索半徑；經(jīng)預(yù)設(shè)時段Dci,cj/vmax后，對所述攝像頭cj對應(yīng)的視頻數(shù)據(jù)進(jìn)行可疑目標(biāo)搜索；vmax表示所述指定目標(biāo)運(yùn)動的最大速度。進(jìn)一步地，所述運(yùn)動軌跡推斷模塊604，具體用于：初始化只有根節(jié)點(diǎn)X1＝I1的動態(tài)路徑樹T；將檢測到的可疑目標(biāo)In加入可以對象列表Ilist中；對于所述動態(tài)路徑樹中的任一節(jié)點(diǎn)Xn，若ξ(i,n)>δ且fA(i,n)<RS，則在節(jié)點(diǎn)Xn下添加一個子節(jié)點(diǎn)x＝In；ξ(i,n)表示可疑目標(biāo)Ii、In為所述指定目標(biāo)的可信度；δ為可信度閾值；計(jì)算所述動態(tài)路徑樹中所有葉子節(jié)點(diǎn)的能量函數(shù)E(x)；進(jìn)行樹剪枝操作，并轉(zhuǎn)至所述將檢測到的可疑目標(biāo)In加入可以對象列表Ilist中的步驟，直至任務(wù)停止。進(jìn)一步地，通過如下步驟計(jì)算ξ(i,n)：構(gòu)建經(jīng)驗(yàn)速度概率函數(shù)φ(v；uv,σ)：φ(v;uv,σ)=1-(1-vuv)2if0≤v≤uvexp(-(v-uv)22σ2)ifuv<v]]>其中，v為可疑目標(biāo)的運(yùn)動速度，uv，σ分別是可疑目標(biāo)的平均運(yùn)動速度與速度變化標(biāo)準(zhǔn)差；通過計(jì)算得到其中，表示可疑目標(biāo)從攝像頭ci到攝像頭cn的速度概率，an表示可疑目標(biāo)In在攝像頭cn出現(xiàn)的時間，di表示可疑目標(biāo)Ii在攝像頭ci離開的時間，Sn表示該可疑目標(biāo)與所述指定目標(biāo)的視覺相似度。進(jìn)一步地，所述計(jì)算所述動態(tài)路徑樹中所有葉子節(jié)點(diǎn)的能量函數(shù)的步驟，包括：統(tǒng)計(jì)所述動態(tài)路徑樹中所有可能的N條路徑{I1,I2,…,IN}；針對其中任意一條路徑該路徑的路徑可信度E(In)為：E(In)=J(In)+λW(In)=1ln-1Σi=1ln-1ξ(cin,ci+1n)+λlnΣj=1Nlj]]>其中，ln表示路徑In所包含的可疑目標(biāo)的數(shù)量，J(In)表示整體路徑In平均每一段的可信度，W(In)表示路徑In的長度在N條所有可能路徑中所占的比例。進(jìn)一步地，所述進(jìn)行樹剪枝操作的步驟，包括：若攝像頭ck與攝像頭ci之間存在直接相連的路徑且di<ak時，將ξ(i,k)小于預(yù)設(shè)的可信度閾值的跳轉(zhuǎn)方式對應(yīng)的路徑全部刪除；ak表示可疑目標(biāo)Ik在攝像頭ck出現(xiàn)的時間，di表示可疑目標(biāo)Ii在攝像頭ci離開的時間；根據(jù)公式計(jì)算各葉子節(jié)點(diǎn)xk的能量比例，將所述能量比例低于預(yù)設(shè)閾值的路徑刪除。對于裝置實(shí)施例而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實(shí)施例的部分說明即可。在本領(lǐng)域普通技術(shù)人員可以理解：實(shí)現(xiàn)上述各方法實(shí)施例的全部或部分步驟可以通過程序指令相關(guān)的硬件來完成。前述的程序可以存儲于一計(jì)算機(jī)可讀取存儲介質(zhì)中。該程序在執(zhí)行時，執(zhí)行包括上述各方法實(shí)施例的步驟；而前述的存儲介質(zhì)包括：ROM、RAM、磁碟或者光盤等各種可以存儲程序代碼的介質(zhì)。還需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實(shí)體或者操作與另一個實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。以上實(shí)施例僅用以說明本發(fā)明的技術(shù)方案，而非對其限制；盡管參照前述實(shí)施例對本發(fā)明進(jìn)行了詳細(xì)的說明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：其依然可以對前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對其中部分技術(shù)特征進(jìn)行等同替換；而這些修改或者替換，并不使相應(yīng)技術(shù)方案的本質(zhì)脫離本發(fā)明各實(shí)施例技術(shù)方案的精神和范圍。當(dāng)前第1頁1 2 3