本發(fā)明涉及智能視頻監(jiān)控系統(tǒng)，更具體地，本發(fā)明涉及一種監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法。

背景技術：

1、現(xiàn)有的監(jiān)控視頻系統(tǒng)在行人識別和運動軌跡分析方面面臨著一些挑戰(zhàn)。隨著城市化進程的加快，公共安全需求的提升，以及人工智能技術的發(fā)展，對監(jiān)控視頻系統(tǒng)的要求越來越高。傳統(tǒng)的監(jiān)控系統(tǒng)主要依賴于簡單的圖像處理技術來識別和追蹤行人，但這些方法在復雜環(huán)境下，如低光照、高動態(tài)或多行人場景中，往往難以提供準確的識別和分析結果。此外，現(xiàn)有系統(tǒng)在處理大規(guī)模數(shù)據(jù)時，計算效率較低，且難以適應多變的環(huán)境因素和行人行為模式。技術原理方面，許多現(xiàn)有系統(tǒng)采用了基于特征的識別方法，這些方法依賴于手工提取的特征，如形狀、顏色和紋理等，這些特征在復雜環(huán)境中容易受到干擾，導致識別精度下降。同時，一些系統(tǒng)嘗試使用機器學習方法來提高識別率，但這些方法往往需要大量的標注數(shù)據(jù)，且在模型泛化能力上存在局限。

2、在實現(xiàn)本發(fā)明實施例過程中，發(fā)明人發(fā)現(xiàn)現(xiàn)有技術中至少存在如下問題或缺陷：現(xiàn)有系統(tǒng)在復雜環(huán)境下的適應性不足，難以準確捕捉和分析行人的運動軌跡；缺乏有效的模型來綜合考慮行人行為與環(huán)境因素的耦合關系；以及在大規(guī)模數(shù)據(jù)處理和實時性要求上存在瓶頸，限制了監(jiān)控系統(tǒng)的實用性和效率。

技術實現(xiàn)思路

1、本發(fā)明提供了一種監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，包括：

2、步驟s1.對視頻采集子系統(tǒng)開展實驗測試，獲取實驗數(shù)據(jù)；其中，實驗測試的工況覆蓋第一測試工況集和第二測試工況集；實驗數(shù)據(jù)包括與第一測試工況集對應的第一實驗數(shù)據(jù)和與第二測試工況集對應的第二實驗數(shù)據(jù)；

3、步驟s2.基于行人行為分析模型的行人-環(huán)境耦合關系，對行人分析子系統(tǒng)建立初始分析模型，經(jīng)第一實驗數(shù)據(jù)驗證獲得驗證后的分析模型；利用驗證后的分析模型對行人分析子系統(tǒng)的行為特性進行仿真，輸出獲得第一仿真結果；

4、步驟s3.基于深度學習算法，對行人分析子系統(tǒng)建立初始行為降維模型；利用第一仿真結果對該初始行為降維模型進行訓練，得到訓練后的行為降維模型；

5、步驟s4.利用第二實驗數(shù)據(jù)驗證訓練后的行為降維模型得到驗證后的行為降維模型；

6、步驟s5.設置優(yōu)化參數(shù)和控制策略優(yōu)化目標；其中，控制策略優(yōu)化目標包括行人分析子系統(tǒng)內(nèi)的預期行為分布、預期最高速度、預期最低速度和預期速度不一致性；

7、步驟s6.采用機器學習-模擬優(yōu)化算法，生成控制策略對應的優(yōu)化參數(shù)，輸入驗證后的行為降維模型得到預測結果；持續(xù)更新優(yōu)化參數(shù)并輸入驗證后的行為降維模型獲得對應的預測結果，直至該對應的預測結果達到步驟s5設置的控制策略優(yōu)化目標。

8、進一步地，第一測試工況集和第二測試工況集的交集為空集。

9、進一步地，實驗數(shù)據(jù)包括行人分析子系統(tǒng)內(nèi)各行人的實際位置值、速度傳感器布局采集的實際速度值、實際行為分布、實際最高速度、實際最低速度和實際速度不一致性。

10、進一步地，步驟s2中初始分析模型包括行人行為子模型和行人運動子模型；其中，行人行為子模型表示為：

11、

12、其中，hi表示第i個行人的行為描述；n為環(huán)境中影響行人行為的因素數(shù)量；wij為第i個行人與第j個因素相關性的權重；pij為第i個行人的位置參數(shù)；ej為第j個環(huán)境因素；g為綜合考慮位置和環(huán)境因素的行為分析函數(shù)；

13、行人運動子模型表示為：

14、

15、其中，vij為第i個行人在第j個環(huán)境因素下的速度；vbase為基礎速度；m為影響速度的行為特征數(shù)量；hijk為行人i在環(huán)境因素j下特征k的活躍度；sijk為特征k對速度的調(diào)整值，根據(jù)行人行為hi和環(huán)境因素ej確定。

16、進一步地，步驟s2中初始分析模型的輸入為第一測試工況集下行人分析子系統(tǒng)的實際輸入?yún)?shù)和實際環(huán)境參數(shù)，輸出為行人分析子系統(tǒng)內(nèi)的第一初始仿真行為分布、第一初始仿真最高速度、第一初始仿真最低速度和第一初始仿真速度不一致性，其中仿真行為分布bi由以下公式確定：

17、

18、其中，t0和t1分別為仿真的起始和結束時間。

19、進一步地，步驟s2中所述經(jīng)第一實驗數(shù)據(jù)驗證獲得驗證后的分析模型具體包括：將行人分析子系統(tǒng)內(nèi)的第一初始仿真行為分布、第一初始仿真最高速度、第一初始仿真最低速度和第一初始仿真速度不一致性與第一實驗數(shù)據(jù)進行第一階段對比，若第一階段對比的誤差小于預設第一閾值，則保留初始分析模型作為驗證后的分析模型；否則，調(diào)節(jié)初始分析模型的參數(shù)并進行第一階段對比，直至第一階段對比的誤差小于預設第一閾值。

20、進一步地，步驟s4中所述利用第二實驗數(shù)據(jù)驗證訓練后的行為降維模型得到驗證后的行為降維模型具體包括：將第二測試工況集下行人分析子系統(tǒng)的實際輸入?yún)?shù)和實際環(huán)境參數(shù)輸入訓練后的行為降維模型，輸出第二仿真結果，用于與第二實驗數(shù)據(jù)進行第二階段對比，若第二階段對比的誤差小于預設第二閾值，則執(zhí)行步驟s5；否則，重復執(zhí)行步驟s3和s4直至第二階段對比的誤差小于預設第二閾值。

21、進一步地，步驟s5中所述優(yōu)化參數(shù)為視頻采集子系統(tǒng)的采集頻率和分辨率。

22、進一步地，第一測試工況集包括低光照環(huán)境測試和高動態(tài)環(huán)境測試；第二測試工況集包括多行人環(huán)境測試和復雜背景環(huán)境測試。

23、進一步地，步驟s3中所述初始行為降維模型為深度學習卷積神經(jīng)網(wǎng)絡與循環(huán)神經(jīng)網(wǎng)絡的融合模型；其中，卷積神經(jīng)網(wǎng)絡層數(shù)設置為3，每個卷積層后接一個最大池化層，循環(huán)神經(jīng)網(wǎng)絡使用長短期記憶網(wǎng)絡lstm結構，lstm層數(shù)設置為2，學習率設置為0.0001，迭代次數(shù)設置為5000次，由第一仿真結果劃分得到的驗證集與訓練集的分割比例為8:2，單次抽取的數(shù)據(jù)片段長度為15，訓練目標殘差設置為0.00005。

24、根據(jù)本發(fā)明的上述實施例至少具有以下有益效果：本監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法可以提高行人識別的準確性和運動軌跡分析的精確度。通過實驗測試獲取的實驗數(shù)據(jù)，結合行人行為分析模型，系統(tǒng)能夠建立更為準確的初始分析模型，并通過深度學習算法進一步優(yōu)化行為降維模型。這種方法不僅可以增強系統(tǒng)對復雜環(huán)境的適應性，還可以提升對行人行為的預測和分析能力。此外，該方法通過機器學習-模擬優(yōu)化算法，可以動態(tài)調(diào)整優(yōu)化參數(shù)和控制策略，以實現(xiàn)對行人分析子系統(tǒng)內(nèi)預期行為分布、速度等參數(shù)的精確控制。這種持續(xù)的優(yōu)化過程可以確保系統(tǒng)在不同的測試工況下都能達到預期的性能目標，從而在實際應用中提供更加穩(wěn)定和可靠的監(jiān)控效果。通過這種方法，系統(tǒng)能夠更好地服務于公共安全、交通管理等領域，為決策者提供更加科學和有效的數(shù)據(jù)支持。

技術特征：

1.一種監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，該系統(tǒng)包括視頻采集子系統(tǒng)和行人分析子系統(tǒng)，其特征在于，該方法包括如下步驟：

2.根據(jù)權利要求1所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，第一測試工況集和第二測試工況集的交集為空集。

3.根據(jù)權利要求2所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，實驗數(shù)據(jù)包括行人分析子系統(tǒng)內(nèi)各行人的實際位置值、速度傳感器布局采集的實際速度值、實際行為分布、實際最高速度、實際最低速度和實際速度不一致性。

4.根據(jù)權利要求3所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，步驟s2中初始分析模型包括行人行為子模型和行人運動子模型；其中，行人行為子模型表示為：

5.根據(jù)權利要求4所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，步驟s2中初始分析模型的輸入為第一測試工況集下行人分析子系統(tǒng)的實際輸入?yún)?shù)和實際環(huán)境參數(shù)，輸出為行人分析子系統(tǒng)內(nèi)的第一初始仿真行為分布、第一初始仿真最高速度、第一初始仿真最低速度和第一初始仿真速度不一致性，其中仿真行為分布bi由以下公式確定：

6.根據(jù)權利要求5所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，步驟s2中所述經(jīng)第一實驗數(shù)據(jù)驗證獲得驗證后的分析模型具體包括：將行人分析子系統(tǒng)內(nèi)的第一初始仿真行為分布、第一初始仿真最高速度、第一初始仿真最低速度和第一初始仿真速度不一致性與第一實驗數(shù)據(jù)進行第一階段對比，若第一階段對比的誤差小于預設第一閾值，則保留初始分析模型作為驗證后的分析模型；否則，調(diào)節(jié)初始分析模型的參數(shù)并進行第一階段對比，直至第一階段對比的誤差小于預設第一閾值。

7.根據(jù)權利要求6所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，步驟s4中所述利用第二實驗數(shù)據(jù)驗證訓練后的行為降維模型得到驗證后的行為降維模型具體包括：將第二測試工況集下行人分析子系統(tǒng)的實際輸入?yún)?shù)和實際環(huán)境參數(shù)輸入訓練后的行為降維模型，輸出第二仿真結果，用于與第二實驗數(shù)據(jù)進行第二階段對比，若第二階段對比的誤差小于預設第二閾值，則執(zhí)行步驟s5；否則，重復執(zhí)行步驟s3和s4直至第二階段對比的誤差小于預設第二閾值。

8.根據(jù)權利要求7所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，步驟s5中所述優(yōu)化參數(shù)為視頻采集子系統(tǒng)的采集頻率和分辨率。

9.根據(jù)權利要求8所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，第一測試工況集包括低光照環(huán)境測試和高動態(tài)環(huán)境測試；第二測試工況集包括多行人環(huán)境測試和復雜背景環(huán)境測試。

10.根據(jù)權利要求9所述的監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，其特征在于，步驟s3中所述初始行為降維模型為深度學習卷積神經(jīng)網(wǎng)絡與循環(huán)神經(jīng)網(wǎng)絡的融合模型；其中，卷積神經(jīng)網(wǎng)絡層數(shù)設置為3，每個卷積層后接一個最大池化層，循環(huán)神經(jīng)網(wǎng)絡使用長短期記憶網(wǎng)絡lstm結構，lstm層數(shù)設置為2，學習率設置為0.0001，迭代次數(shù)設置為5000次，由第一仿真結果劃分得到的驗證集與訓練集的分割比例為8:2，單次抽取的數(shù)據(jù)片段長度為15，訓練目標殘差設置為0.00005。

技術總結
本發(fā)明提供了一種監(jiān)控視頻的行人識別及運動軌跡分析系統(tǒng)控制策略優(yōu)化方法，包括獲取實驗數(shù)據(jù)；對行人分析子系統(tǒng)建立初始分析模型，獲得驗證后的分析模型，對行人分析子系統(tǒng)的行為特性進行仿真，輸出獲得第一仿真結果；基于深度學習算法，對行人分析子系統(tǒng)建立初始行為降維模型；利用第一仿真結果對該初始行為降維模型進行訓練；利用第二實驗數(shù)據(jù)驗證訓練后的行為降維模型得到驗證后的行為降維模型；設置優(yōu)化參數(shù)和控制策略優(yōu)化目標；采用機器學習?模擬優(yōu)化算法，生成控制策略對應的優(yōu)化參數(shù)，輸入驗證后的行為降維模型得到預測結果。本發(fā)明可以提高監(jiān)控系統(tǒng)的識別準確性和預測效率，增強系統(tǒng)的適應性和實用性。

技術研發(fā)人員：鄔歡歡,王建夏
受保護的技術使用者：塔里木大學
技術研發(fā)日：
技術公布日：2024/12/19