CN111061825A - 一种蒙面和换装伪装身份的时空关系匹配关联识别方法 - Google Patents

一种蒙面和换装伪装身份的时空关系匹配关联识别方法 Download PDF

Info

Publication number
CN111061825A
CN111061825A CN201911257487.0A CN201911257487A CN111061825A CN 111061825 A CN111061825 A CN 111061825A CN 201911257487 A CN201911257487 A CN 201911257487A CN 111061825 A CN111061825 A CN 111061825A
Authority
CN
China
Prior art keywords
time
case
target
space
disappearance
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911257487.0A
Other languages
English (en)
Other versions
CN111061825B (zh
Inventor
王中元
洪琪
何政
梁金碧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201911257487.0A priority Critical patent/CN111061825B/zh
Publication of CN111061825A publication Critical patent/CN111061825A/zh
Application granted granted Critical
Publication of CN111061825B publication Critical patent/CN111061825B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Remote Sensing (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种蒙面和换装伪装身份的时空关系匹配关联识别方法，首先利用案发时间与目标消失时间以及目标由消失位置到案发点的通行时长，计算案前时空关系匹配概率，衡量目标消失时间与案件发生时间的时空关系匹配程度；然后利用目标重现时间和案件终止时间以及目标由案发点到重现位置的通行时长，计算案后时空关系匹配概率，衡量目标重现时间与案件终止时间的时空关系匹配程度；接着根据上述两种时空关系匹配概率，计算联合匹配概率，衡量行人消失轨迹与案件的时空关系匹配程度；最后基于联合匹配概率的伪装目标发现和身份识别。本发明引入时空行为关联的思想，解决了单独依靠视觉属性无法关联形貌伪装行人的难题。

Description

一种蒙面和换装伪装身份的时空关系匹配关联识别方法
技术领域
本发明属于身份识别技术领域，涉及一种伪装身份关联识别方法，具体涉及一种蒙面和换装伪装身份的时空关系匹配关联识别方法。
技术背景
犯罪分子在进行银行抢劫之类严重犯罪活动时，为逃避监控摄像头的识别，往往进行蒙面伪装，使得基于人脸识别的嫌疑身份辨识技术失效，但刑侦人员依然可以借助不依赖于人脸的人像识别技术追踪罪犯。人像识别基于跨摄像头的行人重识别技术实现，综合利用人体外表、上下身着装、服饰、佩戴物、发型、体形、身高、性别、年龄、行走姿态、人脸等特征共同辨识行人外貌。然而目前越来越出现一种趋势，有经验的犯罪分子在案发现场不仅遮挡了面部(如头套蒙面、戴面具、戴墨镜和口罩)，而且更换了着装，使得基于人体外观视觉特征的行人重识别技术也无能为力。
假设犯罪分子进入和离开犯罪点的活动轨迹会被案发点及周边摄像头拍摄到，从而形成一条视频对象运动轨迹。犯罪分子中途更换衣服会引起基于行人衣着外貌的重识别轨迹出现时空异常现象，包括突然消失(作案前换装)、突然出现(作案后重新换装)和不连续(两次换装间)等情形。根据这一规律，本发明引入时空行为关联的思想，通过对时空运动数据作匹配分析，发现目标的不合理时空行为，解决单独依靠视觉属性无法关联形貌伪装行人的难题。
发明内容
本发明引入时空行为关联的思想，提供了一种蒙面和换装伪装身份的时空关系匹配关联识别方法，通过对时空运动数据作匹配分析，发现目标的不合理时空行为，解决单独依靠视觉属性无法关联形貌伪装行人的难题。
本发明所采用的技术方案是：一种蒙面和换装伪装身份的时空关系匹配关联识别方法，其特征在于，包括以下步骤：
步骤1：利用案发时间与目标消失时间以及目标由消失位置到案发点的通行时长，计算案前时空关系匹配概率，衡量目标消失时间与案件发生时间的时空关系匹配程度；
步骤2：利用目标重现时间和案件终止时间以及目标由案发点到重现位置的通行时长，计算案后时空关系匹配概率，衡量目标重现时间与案件终止时间的时空关系匹配程度；
步骤3：根据上述两种时空关系匹配概率，计算联合匹配概率，衡量行人消失轨迹与案件的时空关系匹配程度；
步骤4：基于联合匹配概率的伪装目标发现和身份识别。
犯罪分子在案发现场往往通过蒙面和换装隐藏真实身份，蒙面使得人脸识别失效，换装导致基于人体外观视觉特征的行人重识别无效。为此，本发明提出了基于时空关系匹配的伪装身份关联方法，与现有的基于视觉特征的行人重识别方法相比，本发明具有以下优点和积极效果：
(1)本发明利用了伪装身份与非伪装身份在空间运动轨迹的上的时空连续性规律，因而不受视觉外貌特征改变的影响，可用于发现伪装身份以及建立蒙面和换装同时伪装身份的关联。
(2)本发明提出的时空关系匹配概率是对视觉外貌特征(人像特征)的有益补充，丰富了行人身份识别的内涵，进而可以拓展到一般意义上的外观变化的跨摄像头行人重识别。
附图说明
图1为本发明实施例的基于时空关系匹配的伪装身份关联的原理示意图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。
本发明通过行人重识别跟踪，发现某行人在案发点附件的轨迹突然消失，通过匹配消失轨迹与案发地点、案发时间的时空关联关系，判断消失轨迹是否系作案人因伪装导致跟丢的轨迹段。如图1所示意的技术原理，时空关系匹配分为目标消失时间与案件发生时间的时空关系匹配概率(即案前时空关系匹配概率)、目标重现时间与案件终止时间的时空关系匹配概率(即案后时空关系匹配概率)两种情况考虑。图中轨迹消失时长可以从监控录像中查询得到，通行时长通过道路距离和平均行进速度估算，作案时长通过案发点监控录像记录的进入和离开时间测算。
本发明提供的一种蒙面和换装伪装身份的时空关系匹配关联识别方法，具体包括以下步骤：
步骤1：利用案发时间与目标消失时间以及目标由消失位置到案发点的通行时长，计算案前时空关系匹配概率，衡量目标消失时间与案件发生时间的时空关系匹配程度；
本实施例中，目标消失时间与案件发生时间的时空关系匹配概率，通过案发时间与目标消失时间以及目标通行时长来估算。计算公式为
Figure BDA0002310690660000031
其中Pd表示匹配概率，Eo表示案发时间，Td表示目标消失时间，Ld表示目标由消失位置到案发点的通行时长估算值。案发时间由案发现场监控探头记录下的目标开始出现的时间确定，消失时间由行人重识别算法跟丢的时间确定；通行时长根据目标消失位置到案发点的地理空间连通路径长度及交通方式估算。地理空间连通路径包括人行道、马路或可穿过的地面，交通方式包括步行、驾车、骑自行车等。
正常的概率范围在[0,1]数值间，但该公式的计算结果会出现两种特殊值：若案发时间小于消失时间，计算出的概率为负值，表明该目标与案件无关，这是合理的，因为案件发生时既然该目标还未在周边监控探头视野中消失，说明这个目标确实不可能有时间参与作案；若案发时间与消失时间的差值大于估计的通行时长，则计算出的概率大于1，这也是可能的，因为目标在去作案的路途中可能因某种原因停留了。因此，所有计算结果都存在明确物理意义，但为了符合概率量的量纲，将其标定到[0,1]间。
步骤2：利用目标重现时间和案件终止时间以及目标由案发点到重现位置的通行时长，计算案后时空关系匹配概率，衡量目标重现时间与案件终止时间的时空关系匹配程度；
本实施例中，估算嫌疑目标作完案后逃离案发现场，继而被行人重识别算法重新发现的时空关系匹配概率，计算公式为：
Figure BDA0002310690660000032
其中Pa表示目标重现时间与案件终止时间的时空关系匹配概率，Ta、Et分别表示目标重现时间和案件终止时间，Ld表示目标由案发点到重新出现位置的通行时长估算值。这里重现时间根据行人重识别算法重新召回目标的时间点确定，案终时间根据案发现场监控探头记录下的目标离开的时间确定；通行时长根据目标重现位置到案发点的通行距离和交通方式估算。同理，Pa应标定到[0,1]范围。
步骤3：根据上述两种时空关系匹配概率，计算联合匹配概率，衡量行人消失轨迹与案件的时空关系匹配程度；
本实施例中，根据上述两种匹配概率计算行人消失轨迹与案件的时空关联关系联合概率，考虑到只有行人消失与案件发生存在联系时，行人重现匹配概率才有意义，为此，联合概率P计算为：
Figure BDA0002310690660000041
步骤4：基于联合匹配概率的伪装目标发现和身份识别；
本实施例中，由于可能存在多组行人消失轨迹，通过上述步骤，计算所有消失轨迹与案件的时空关联关系联合概率，并按概率大小排序，选择概率最大的行人目标作为发现的伪装目标，实现伪装前后行人目标的重关联；然后借助该目标卸除面部伪装后的可辨识人脸图像，识别案发现场嫌疑目标的物理身份。
应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (5)

1.一种蒙面和换装伪装身份的时空关系匹配关联识别方法，其特征在于，包括以下步骤：
步骤1：利用案发时间与目标消失时间以及目标由消失位置到案发点的通行时长，计算案前时空关系匹配概率，衡量目标消失时间与案件发生时间的时空关系匹配程度；
步骤2：利用目标重现时间和案件终止时间以及目标由案发点到重现位置的通行时长，计算案后时空关系匹配概率，衡量目标重现时间与案件终止时间的时空关系匹配程度；
步骤3：根据上述两种时空关系匹配概率，计算联合匹配概率，衡量行人消失轨迹与案件的时空关系匹配程度；
步骤4：基于联合匹配概率的伪装目标发现和身份识别。
2.根据权利要求1所述的蒙面和换装伪装身份的时空关系匹配关联识别方法，其特征在于：步骤1中，目标消失时间与案件发生时间的时空关系匹配概率，通过案发时间与目标消失时间以及目标通行时长来估算，计算公式为：
Figure FDA0002310690650000011
其中，Pd表示匹配概率，Eo表示案发时间，Td表示目标消失时间，Ld表示目标由消失位置到案发点的通行时长值；案发时间由案发现场监控探头记录下的目标开始出现的时间确定，消失时间由行人重识别算法跟丢的时间确定，通行时长根据目标消失位置到案发点的地理空间连通路径长度及交通方式计算；地理空间连通路径包括人行道、马路或可穿过的地面，交通方式包括步行、驾车、骑自行车。
3.根据权利要求1所述的蒙面和换装伪装身份的时空关系匹配关联识别方法，其特征在于：步骤2中，嫌疑目标作完案后逃离案发现场，继而被行人重识别算法重新发现的时空关系匹配概率，计算公式为：
Figure FDA0002310690650000012
其中，Pa表示目标重现时间与案件终止时间的时空关系匹配概率，Ta、Et分别表示目标重现时间和案件终止时间，Ld表示目标由案发点到重新出现位置的通行时长估算值；重现时间根据行人重识别算法重新召回目标的时间点确定，案终时间根据案发现场监控探头记录下的目标离开的时间确定；通行时长根据目标重现位置到案发点的通行距离和交通方式计算。
4.根据权利要求1所述的蒙面和换装伪装身份的时空关系匹配关联识别方法，其特征在于：步骤3中，联合概率P计算为：
Figure FDA0002310690650000021
其中，Pd表示目标消失时间与案件发生时间的时空关系匹配概率，Pa表示目标重现时间与案件终止时间的时空关系匹配概率。
5.根据权利要求1-4任意一项所述的蒙面和换装伪装身份的时空关系匹配关联识别方法，其特征在于：步骤4中，由于可能存在多组行人消失轨迹，通过上述步骤，计算所有消失轨迹与案件的时空关联关系联合概率，并按概率大小排序，选择概率最大的行人目标作为发现的伪装目标，实现伪装前后行人目标的重关联；然后借助该目标卸除面部伪装后的可辨识人脸图像，识别案发现场嫌疑目标的物理身份。
CN201911257487.0A 2019-12-10 2019-12-10 一种蒙面和换装伪装身份的时空关系匹配关联识别方法 Active CN111061825B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911257487.0A CN111061825B (zh) 2019-12-10 2019-12-10 一种蒙面和换装伪装身份的时空关系匹配关联识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911257487.0A CN111061825B (zh) 2019-12-10 2019-12-10 一种蒙面和换装伪装身份的时空关系匹配关联识别方法

Publications (2)

Publication Number Publication Date
CN111061825A true CN111061825A (zh) 2020-04-24
CN111061825B CN111061825B (zh) 2020-12-18

Family

ID=70300345

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911257487.0A Active CN111061825B (zh) 2019-12-10 2019-12-10 一种蒙面和换装伪装身份的时空关系匹配关联识别方法

Country Status (1)

Country Link
CN (1) CN111061825B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022192836A1 (en) * 2021-03-09 2022-09-15 Motorola Solutions, Inc. Monitoring system and method for identifying an object of interest after the object of interest has undergone a change in appearance

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389562A (zh) * 2015-11-13 2016-03-09 武汉大学 一种时空约束的监控视频行人重识别结果的二次优化方法
CN105930768A (zh) * 2016-04-11 2016-09-07 武汉大学 一种基于时空约束的目标重识别方法
CN107240124A (zh) * 2017-05-19 2017-10-10 清华大学 基于时空约束的跨镜头多目标跟踪方法及装置
CN108764167A (zh) * 2018-05-30 2018-11-06 上海交通大学 一种时空关联的目标重识别方法和系统
US20190147610A1 (en) * 2017-11-15 2019-05-16 Uber Technologies, Inc. End-to-End Tracking of Objects

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389562A (zh) * 2015-11-13 2016-03-09 武汉大学 一种时空约束的监控视频行人重识别结果的二次优化方法
CN105930768A (zh) * 2016-04-11 2016-09-07 武汉大学 一种基于时空约束的目标重识别方法
CN107240124A (zh) * 2017-05-19 2017-10-10 清华大学 基于时空约束的跨镜头多目标跟踪方法及装置
US20190147610A1 (en) * 2017-11-15 2019-05-16 Uber Technologies, Inc. End-to-End Tracking of Objects
CN108764167A (zh) * 2018-05-30 2018-11-06 上海交通大学 一种时空关联的目标重识别方法和系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
肖骏: "面向刑事侦查的监控视频显著性检测仿真", 《计算机仿真》 *
韩敬贤: "无重叠视域多摄像机监控系统中目标关联研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022192836A1 (en) * 2021-03-09 2022-09-15 Motorola Solutions, Inc. Monitoring system and method for identifying an object of interest after the object of interest has undergone a change in appearance
US11640671B2 (en) 2021-03-09 2023-05-02 Motorola Solutions, Inc. Monitoring system and method for identifying an object of interest after the object of interest has undergone a change in appearance

Also Published As

Publication number Publication date
CN111061825B (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
CN103077539B (zh) 一种复杂背景及遮挡条件下的运动目标跟踪方法
CN110619657B (zh) 一种面向智慧社区的多摄像机联动多目标追踪方法及系统
CN112037245B (zh) 一种确定追踪目标相似度的方法和系统
Cucchiara et al. The Sakbot system for moving object detection and tracking
Tiwari et al. A computer vision based framework for visual gun detection using SURF
CN101295405A (zh) 人像与车辆识别报警跟踪方法
Bang et al. Motion object and regional detection method using block-based background difference video frames
Lim et al. Gun detection in surveillance videos using deep neural networks
CN109948474A (zh) Ai热成像全天候智能监控方法
CN110633648B (zh) 一种自然行走状态下的人脸识别方法和系统
CN105046719A (zh) 一种视频监控方法及系统
CN111061825B (zh) 一种蒙面和换装伪装身份的时空关系匹配关联识别方法
Chakraborty et al. A trajectory-based ball detection and tracking system with applications to shooting angle and velocity estimation in basketball videos
Naik et al. Violence detection in surveillancevideo-a survey
Cheng et al. Matching of objects moving across disjoint cameras
Zhai et al. Vm-tracking: Visual-motion sensing integration for real-time human tracking
CN115565204A (zh) 一种利用局部监督的跨模态行人重识别方法
KR102099687B1 (ko) 영상 촬영 장치 및 시스템
KR101311728B1 (ko) 침입자의 얼굴감지 시스템 및 그 방법
Kushwaha et al. 3d target tracking in distributed smart camera networks with in-network aggregation
Tseng et al. Automatic detection and tracking in multi-fisheye cameras surveillance system
Gan et al. An evaluation method of dynamic camouflage effect based on multifeature constraints
Corvee et al. Occlusion tolerent tracking using hybrid prediction schemes
CN114677608A (zh) 身份特征生成方法、设备及存储介质
CN115984318B (zh) 一种基于特征最大关联概率的跨摄像头行人跟踪方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant