智能视频监控中行人轨迹发现关键技术研究

In intelligent video surveillance system, pedestrian is the important subject for surveillance. From pedestrian movement trajectory, it can discover his/her behavior habits, movement path, and is meaningful for discover the high-level semantic including criminal tracking, behavioral identification, mass disturbances prediction and etc. With the purpose of discovering the pedestrian movement trajectory in non-overlapping multi-cameras network effectively, this subject proposes several new theories and methods..The innovations of this subject include following three aspects:.1..Research the method to online learn the topology structure of multi-cameras network..2..Research the open set pedestrian re-identification method with the gallery set updated dynamically. Based on multi-cameras network topology learning, construct the pedestrian movement trajectory in non-overlapping multi-cameras network. .3..Research the pedestrian tracking algorithm in single camera, which is collaboration with the generative and discriminative, not need to update the object template and robust. By fusing the methods mentioned above, it can track the pedestrian in multi-cameras network..This subject will publish more than 9 papers, including more than 3 journal papers published in or above CCF B, more than 3 conference papers published in or above CCF C, more than 3 papers published in domestic journal; apply for or authorized 3 invention patents and 3 software copyrights；cultivate 8 master degree candidates, assist cultivating 2 doctor degree candidates.

在智能视频监控系统中，行人是重要的监控对象。通过行人的运动轨迹，可以挖掘其行为习惯、行进路线，对于发掘更高层语义（如犯罪分子追踪、行人的行为识别、群体性事件预测等方面）有着极为重要的意义。本项目围绕在相互无重叠视场的智能视频相机网络中有效提取行人运动轨迹的关键技术问题，提出若干新理论与新方法。.本项目创新研究内容主要包括以下三个方面:１、研究多相机网络拓扑结构在线学习方法。2、研究侯选集能动态更新的增量式行人重识别方法，基于多相机拓扑结构，在多个非重叠的相机中建立行人运动轨迹。3、研究产生式和判别式协同、无需更新目标模板、鲁棒性好的单相机视场下的行人跟踪算法,并协同上述方法,实现多相机之间行人跟踪。.本项目将发表9篇以上论文,包括:CCF B类以上期刊和C类以上国际会议各3篇以上、国内一级学报3篇以上；申请或授权3项发明专利和3项软件著作权;培养硕士研究生8名，协助培养博士研究生2名。

在智能视频监控系统中，行人是重要的监控对象。通过行人的运动轨迹，可以挖掘其行为习惯、行进路线，对于发掘更高层语义（如犯罪分子追踪、行人的行为识别、群体性事件预测等方面）有着极为重要的意义。目前的智能视频监控系统都部署大量非重叠摄像机。在这些非重叠摄像机的视频图像中找出行人轨迹的关键技术是行人重识别（ReID），它目前是计算机视觉的研究热点之一，但现有的方法距离实际应用仍然有巨大的差距，主要原因如下：（1）在实际应用中，不同摄像机视角下，同一行人的外观经常变化，而其他行人的外观又常常与其相似;（2）由于行人聚集所导致的行人遮挡以及摄像机角度、光线、背景变化;（3）具有标记信息的行人图像少，存在大量无标记的行人图像等。本项目基于模式识别、计算机视觉、机器学习等领域的最新理论，相继提出了如何有效解决上述问题的ReID方法，主要包括：基于非深度学习与基于深度学习的数据增强、度量学习、迁移学习、半监督学习等方法。通过在公开数据集上和实际场景下的数据集进行大量比对验证，我们所提出的方法与各个时期最好算法相比都有一定竞争力，相关成果以论文形式发表在CCF A类等中外文期刊上，方法的有效性也在一定领域的应用中得到了验证。同时，本项目也进行了单摄像机视频目标深度检测算法研究以及多相机网络拓扑关系估计与更新方式等方面的研究。本项目的研究不仅对提高复杂环境ReID等性能有重要意义，而且项目课题研究中提出的一些新思想和新方法也将丰富模式识别与计算机视觉的研究内容。