基于遗忘神经网络算法的摄像头时距拓扑网构建方法

技术领域

本发明涉及摄像头间时间距离分析算法技术领域，尤其涉及基于遗忘神经网络算法的摄像头时距拓扑网构建方法。

背景技术

现实中网络摄像头部署后只知道彼此之间的IP地址以及使用者传给其的地理位置信息，对于其真实的有效距离信息并不能有效获取，无法自行判断在现实中不同摄像头个体的相对位置。对于如人员通道设计、消防逃生通道设计、安防排查等造成了较大难度。并且因为缺乏有效的时间距离关系，在人脸识别的过程当中，很难去根据人出现的时空关系进行排查从而实现准确的身份识别。

发明内容

本发明的目的在于克服现有技术的不足，提供基于遗忘神经网络算法的摄像头时距拓扑网构建方法。

本发明的目的是通过以下技术方案来实现的：

基于遗忘神经网络算法的摄像头时距拓扑网构建方法，包括以下具体步骤：

S1：将每个摄像头标记为摄像头拓扑网中的点；

S2：根据摄像头记录的行人行动轨迹，绘制摄像头拓扑网中的有向边；

S3：服务器通过分析判断摄像头采集的行人是否第一次出现，完善更新摄像头拓扑网中有向边的权重，完成拓扑网的构建。

所述S2具体为：根据各个行人经过摄像头的时间顺序，将行人经过的摄像头依次连接，形成多条具有向量特征的边。

所述S3中的权重包括时距权重T和记忆权重M，时距权重表示两个点之间的时距，记忆权重表示时距的可靠程度。

所述S3具体为：

S301：通过行人识别技术和人脸识别技术提取人体特征，确定经过摄像头的行人身份；

S302：根据特征值记录行人身份到数据库，并记载每个行人最后一次出现摄像头的位置last position，记作LP；

S303：服务器在数据库中查找行人P最后一次出现摄像头的位置LP

S304：若行人P为第一次出现，将LP

所述S304具体为：

当摄像头B注意到了行人P并提取了行人的特征值后，访问服务器在数据库中查找LP

如果存在

如果不存在

所述更新摄像头拓扑网有向边的权重具体为：

当边

当边

其中f(x)和h(x)是定义域为(0，+∞)的单调递减的函数，其值域为[1，0)；μ为常数，表示步长；

当没有可能时距传入时，记忆权重M每隔dt秒将会下降dm大小的值，其中

dm＝g(x)dt；

当可能时距传入时，记忆权重M会上升一个常数φ。

基于遗忘神经网络算法的摄像头时距拓扑网构建方法，还包括以下步骤：对摄像头时距拓扑网的数据进行存储，包括集中存储和分布式存储；

当数据进行集中存储时：所有摄像头时距拓扑网信息均存储在中央数据服务器当中，并运用备份数据服务器进行备份；

当数据进行分布式存储时：数据存储在具有算力的摄像头、边缘服务器或AI NVR中。

本发明的有益效果：

本方明可以在时间层面上提供各个摄像头之间的相对距离，用于辅助人员唯一化标识，极大程度提升人脸识别的准确率，并且为人员通道设计、逃生通道设计提供了重要的技术基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1是本发明的流程图；

图2是本发明的集中式储存时域拓扑网工作流程图；

图3是本发明的分布式储存时域拓扑网工作流程图。

具体实施方式

应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当人认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

关于时距概念的解释：当一个人P于时刻t

关于摄像头拓扑网的解释：在摄像头拓扑网的构建过程当中，将摄像头抽象成一个个点，点之间以有向边相连。边的时距权重代表着两点间的时距。如果两点之间没有边那么有两种情况：1.它们之间曾经有过边，但是由于被人经过的频率太低而被删除；2.它们间目前还没有采集到过上述的Δt。

关于摄像头拓扑网有向边的解释：在拓扑网中，将摄像头视为一个点，两点之间的连线即为边，而该边具有向量特征，即具有方向、长度。并且在本项目中，该向量包括两个层面的属性，包括时距权重和记忆权重，时距权重代表着两个点(摄像头)之间的时距，而记忆权重代表着时距的可靠程度，当近期一段时间内顺序通过两点的行人越多，说明时序信息越可靠，则记忆权重越大。由A指向B的有向边记为

摄像头拓扑网(camera time-distance topological graph：CTTG)的建模方式。

一.CTTG中点的构建

首先搜索所有的摄像头并视它们为CTTG中各自对应的点。之后以摄像头通信内容为依据进行点之间边的绘制。

二.CTTG中边的构建

摄像头之间通过行人识别技术和人脸识别等可以提取人体特征值的相关技术来进行判断两张图片中的行人是否为同一个人。根据特征值记录行人身份的数据库，还需要额外记载一条信息：每个行人最晚出现在CTTG的哪个摄像头中。这个最后位置的记录称为last position：LP，行人n的LP记作LP

当摄像头B注意到了行人P并提取了行人的特征值后，其访问服务器并通过某些手段在数据库中查找LP

1.边权重的更新方式及初始值

1)时距权重T

当边

如果

其中其中f(x)和h(x)是定义域为(0，+∞)的单调递减的函数，其值域为(0,1]

μ是更新步长，是一个由使用者规定的常数。

通俗地解释上述公式便是：算法更信任原来的

2)记忆权重M

记忆权重会被两种因素所影响：1.时间的流逝；2.新的可能时距的传入。

时间流逝：

当没有可能时距传入时，记忆权重M每隔dt秒将会下降dm大小的值，其中

dm＝g(m)dt

函数g(x)必须满足以下条件：

1.其定义域为[0,e]，e是视情况而定的常数，而记忆权重的值M不会在[0,e]之外。

2.g(0)＝0，g(e)＝0，g(x)<0。

3.有视情况而定的、位于[0,e]中的常数b，c。其中b大于c且g(b)为函数g(x)的最小值。

4.函数在定义域上连续，在[0,b]上单调递减，在[b,e]上单调递增。

可能时距传入：

当可能时距传入时，记忆权重M会上升一个常数φ。这个φ是视情况而定的大于0的常数，且φ

如果M+φ后大于e，强制令M＝e-α，其中α也是视情况而定的常数，且α<

通俗地解释就是M是一个上限为e、随时间不断变小的值，其变小的速度与M自身的大小有关。当新的可能时距传入，M会变大一个常数，如果M变大到比e还大，那么就强制让M等于一个只比e小一点的值，随后M继续随时间递减。

当M的值小于g(x)中的c时，算法会认为这边已经太久没人通过了，就会删除这条边及其记录，称为算法将此边遗忘。

当存储模型的服务器存储空间不够时，其会选择遗忘记忆权重最小的若干条边，以腾出存储空间。

三.CTTG的存储方式

1、当数据进行集中存储时：拥有中央数据服务器和备份数据服务器，所有摄像头时距拓扑网信息均存储在中央数据服务器当中，并运用备份数据服务器进行备份；

2、当数据进行分布式存储时：即数据存储在具有算力的摄像头、边缘服务器或AINVR中时，那么可以让每个摄像头作为一个点(如果是AI NVR或边缘服务器即记住他们所托管的那些摄像头的)，记住以它为起始点的边，以及所连接的其他点(其他摄像头)，比方说边

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。