技術(shù)特征：

1.一種基于動態(tài)路徑樹的跨攝像頭目標(biāo)跟蹤方法，其特征在于，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)的運動軌跡。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

將所述指定目標(biāo)的運動軌跡發(fā)送至客戶端，以展示所述運動軌跡，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。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，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。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，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)控攝像頭網(wǎng)絡(luò)；所述無向圖模型中每個頂點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e_v1,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：

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

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

其中，N(j)表示與攝像頭j相鄰的其他攝像頭集合，不帶權(quán)距離矩陣A_i,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D_i,j表示攝像頭i,j之間的直接相連的路徑的距離；

定義f_A(i,j)表示攝像頭的不帶權(quán)最短距離，f_D(i,j)表示攝像頭的帶權(quán)最短距離。

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述步驟S2，包括：

每次所述指定目標(biāo)離開一個攝像頭c_i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c_j；R_s表示搜索半徑；

經(jīng)預(yù)設(shè)時段D_ci,cj/v_max后，對所述攝像頭c_j對應(yīng)的視頻數(shù)據(jù)進(jìn)行可疑目標(biāo)搜索；v_max表示所述指定目標(biāo)運動的最大速度。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，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X₁＝I₁的動態(tài)路徑樹T；

S42：將檢測到的可疑目標(biāo)I_n加入可以對象列表I_list中；

S43：對于所述動態(tài)路徑樹中的任一節(jié)點X_n，若ξ(i,n)>δ且f_A(i,n)<R_S，則在節(jié)點X_n下添加一個子節(jié)點x＝I_n；ξ(i,n)表示可疑目標(biāo)I_i、I_n為所述指定目標(biāo)的可信度；δ為可信度閾值；

S44：計算所述動態(tài)路徑樹中所有葉子節(jié)點的能量函數(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。

7.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述步驟S43，包括：

通過如下步驟計算ξ(i,n)：

構(gòu)建經(jīng)驗速度概率函數(shù)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為可疑目標(biāo)的運動速度，u_v，σ分別是可疑目標(biāo)的平均運動速度與速度變化標(biāo)準(zhǔn)差；

通過計算得到

其中，表示可疑目標(biāo)從攝像頭c_i到攝像頭c_n的速度概率，a_n表示可疑目標(biāo)I_n在攝像頭c_n出現(xiàn)的時間，d_i表示可疑目標(biāo)I_i在攝像頭c_i離開的時間，S_n表示該可疑目標(biāo)與所述指定目標(biāo)的視覺相似度。

8.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述步驟S44，包括：

統(tǒng)計所述動態(tài)路徑樹中所有可能的N條路徑{I¹,I²,…,I^N}；

針對其中任意一條路徑該路徑的路徑可信度E(Iⁿ)為：

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

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。

9.根據(jù)權(quán)利要求6所述的方法，其特征在于，所述步驟S45，包括：

若攝像頭c_k與攝像頭c_i之間存在直接相連的路徑且d_i<a_k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；a_k表示可疑目標(biāo)I_k在攝像頭c_k出現(xiàn)的時間，d_i表示可疑目標(biāo)I_i在攝像頭c_i離開的時間；

根據(jù)公式計算各葉子節(jié)點x_k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。

10.一種基于動態(tài)路徑樹的跨境頭目標(biāo)跟蹤裝置，其特征在于，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)的運動軌跡。