李御瑾，張雅麗，葛馨陽，趙佳鑫，施新凱

（中國人民公安大學(xué)信息網(wǎng)絡(luò)安全學(xué)院，北京 100038）

0 引言

利用視頻監(jiān)控拍攝的畫面判斷出現(xiàn)在不同監(jiān)控中的行人是否是同一個(gè)行人并生成其軌跡的技術(shù)已經(jīng)廣泛應(yīng)用于智能視頻監(jiān)控、安保、刑偵等領(lǐng)域。這種運(yùn)用計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)等方法判斷監(jiān)控視頻中的特定行人是否出現(xiàn)在其他監(jiān)控視頻中的技術(shù)稱為行人重識別（person Re-identification，Re-ID）。有學(xué)者將行人重識別系統(tǒng)劃分為行人檢測和行人重識別兩部分，行人檢測主要應(yīng)用深度學(xué)習(xí)的方法對原始圖像數(shù)據(jù)進(jìn)行訓(xùn)練學(xué)習(xí)并提取出更有效的特征，基于深度學(xué)習(xí)的行人檢測系統(tǒng)具備極高的魯棒性和準(zhǔn)確率。隨著較大規(guī)模數(shù)據(jù)集的出現(xiàn)，深度學(xué)習(xí)在行人重識別領(lǐng)域的應(yīng)用研究逐年遞增?；诖笠?guī)模數(shù)據(jù)集與深度學(xué)習(xí)的行人重識別方法根據(jù)任務(wù)不同分為兩類，一類是基于圖像，一類是基于視頻序列。不管是基于圖像還是基于視頻序列，行人重識別的主要任務(wù)都是特征提取和相似度度量兩個(gè)步驟。

在行人重識別系統(tǒng)的應(yīng)用中，原始視頻幀經(jīng)過行人檢測并提取特征之后與對應(yīng)幀重新存入特征庫。傳統(tǒng)的行人重識別系統(tǒng)，其前端攝像頭僅能夠采集數(shù)據(jù)并不具備前置的計(jì)算處理功能，需要將數(shù)據(jù)回傳至數(shù)據(jù)中心進(jìn)行處理。隨著邊緣計(jì)算在行人重識別系統(tǒng)中的應(yīng)用，系統(tǒng)逐漸從前端采集、后端分析的模式轉(zhuǎn)變?yōu)榍岸酥悄芑?、前后端協(xié)同計(jì)算和軟硬件一體化的新模式。

按照功能來說，行人重識別系統(tǒng)在特征提取與相似度度量之間應(yīng)該還有一個(gè)階段，即確定度量對象。如圖1所示，文獻(xiàn)［3］提供的行人重識別系統(tǒng)框架中，在特征提取與相似度度量之間加入“確定度量對象”階段。該階段的主要任務(wù)是從特征庫的指定度量范圍中檢索出進(jìn)行相似度度量的對象，進(jìn)行相似度度量的次數(shù)與總耗時(shí)和所占用算力都成正比關(guān)系，因此，縮小檢索范圍可有效減少度量次數(shù)和度量耗時(shí)，節(jié)約算力。目前主流的行人重識別系統(tǒng)，在提取到待度量目標(biāo)的特征后，通過遍歷度量的方式或按照時(shí)間劃分檢索范圍來在特征庫中進(jìn)行相似度度量。城市部署的攝像機(jī)數(shù)量將會越來越多，盡管單個(gè)視頻所提取的目標(biāo)特征信息所占空間不大，但是一個(gè)城市每天產(chǎn)生的視頻監(jiān)控?cái)?shù)據(jù)量將只增不減，根據(jù)視頻數(shù)據(jù)所提取的特征庫也將隨之增大，因此，不論是遍歷檢索還是按照時(shí)間劃分度量范圍對于行人重識別系統(tǒng)而言都將是一項(xiàng)高耗時(shí)、高占用的任務(wù)。為了提高度量效率，本文在已有的研究基礎(chǔ)上提出一種基于泛洪算法并結(jié)合空間信息的檢索度量方式，在前端采集數(shù)據(jù)時(shí)通過內(nèi)嵌全球定位系統(tǒng)（global positioning system，GPS）芯片提供空間信息并回傳，在后端將前端所提取的特征與其回傳的空間信息進(jìn)行關(guān)聯(lián)并建立空間信息數(shù)據(jù)庫。應(yīng)用泛洪算法在進(jìn)行度量時(shí)縮小度量范圍，在不損失度量的準(zhǔn)確度和完整度的前提下達(dá)到提高度量效率的目的，且能有效利用特征所關(guān)聯(lián)的空間信息進(jìn)行軌跡分析，整體提高行人重識別系統(tǒng)的應(yīng)用效果。

圖1 行人重識別系統(tǒng)

1 基于空間信息的泛洪度量算法

泛洪算法（flooding）在計(jì)算機(jī)網(wǎng)絡(luò)領(lǐng)域中是一種路由算法，簡單來說是設(shè)備群中交換信息的一種協(xié)議。分為不受控泛洪與受控泛洪兩種。在不受控制的泛洪中，每個(gè)節(jié)點(diǎn)無條件地將數(shù)據(jù)包分發(fā)給它的每個(gè)鄰居。如果沒有條件邏輯來控制就會產(chǎn)生廣播風(fēng)暴（當(dāng)廣播數(shù)據(jù)充斥網(wǎng)絡(luò)無法處理，并占用大量網(wǎng)絡(luò)帶寬，導(dǎo)致正常業(yè)務(wù)不能運(yùn)行，甚至徹底癱瘓即為“廣播風(fēng)暴”）。在受控泛洪中有兩種算法來避免廣播風(fēng)暴，分別是序列號受控泛洪（sequence number controlled flooding，SNCF）和反向路徑轉(zhuǎn)發(fā)（reverse path forwarding，RPF）。在SNCF中，節(jié)點(diǎn)將自己的地址和序列號附加到數(shù)據(jù)包中，每個(gè)節(jié)點(diǎn)都有地址和序列號的存儲器。如果它在內(nèi)存中收到一個(gè)數(shù)據(jù)包，它會立即丟棄它，而在RPF中，節(jié)點(diǎn)只會轉(zhuǎn)發(fā)數(shù)據(jù)包。如果它是從下一個(gè)節(jié)點(diǎn)收到的，它將發(fā)送回發(fā)送者。

本文應(yīng)用泛洪算法的受控泛洪原理，在特征庫檢索中改進(jìn)該算法，算法主要目的是改進(jìn)并縮小度量范圍。目前主流的行人重識別系統(tǒng)在提取到待度量目標(biāo)的特征后通過遍歷度量的方式或按照時(shí)間劃分度量范圍來在特征庫中選取對象進(jìn)行相似度度量，目標(biāo)的軌跡在時(shí)空上具有一定的相關(guān)性，即當(dāng)目標(biāo)被一臺攝像機(jī)拍攝到以后，該目標(biāo)被另一臺攝像機(jī)再次拍攝到的可能性與兩臺攝像機(jī)的間距以及兩次拍攝時(shí)間間隔均成反比，簡單來說就是當(dāng)一臺攝像機(jī)拍攝到一個(gè)目標(biāo)之后，與該臺攝像機(jī)相距最近的幾臺攝像機(jī)在較小的時(shí)間間隔內(nèi)再次拍攝到目標(biāo)的可能性最大。然而，遍歷度量或根據(jù)時(shí)間劃分度量范圍并沒有較好地利用目標(biāo)軌跡的時(shí)空相關(guān)性，沒有優(yōu)先選擇可能性較大的攝像機(jī)提取的特征進(jìn)行度量，而是對所有攝像機(jī)或者指定時(shí)間段內(nèi)攝像機(jī)提取的特征進(jìn)行度量。算法實(shí)現(xiàn)方法是充分利用目標(biāo)軌跡的時(shí)空相關(guān)性，將度量范圍以空間距離和時(shí)間間隔進(jìn)行優(yōu)先級劃分，逐級進(jìn)行相似度度量。將高優(yōu)先級的度量范圍定義為源點(diǎn)度量，低優(yōu)先級的度量范圍定義為節(jié)點(diǎn)度量。算法流程如圖2所示，圖中左邊部分為源點(diǎn)度量，右邊部分為節(jié)點(diǎn)度量。是源點(diǎn)列表信號量，當(dāng)為0時(shí)源點(diǎn)列表為空，當(dāng)為1時(shí)源點(diǎn)列表不為空。是節(jié)點(diǎn)列表信號量，當(dāng)為0時(shí)，節(jié)點(diǎn)列表為空，反之亦然。首先將和置為零，分別依次執(zhí)行源點(diǎn)度量和節(jié)點(diǎn)度量，然后檢測源點(diǎn)列表和節(jié)點(diǎn)列表，如果為空，則返回0。如此循環(huán)，直到源點(diǎn)列表和節(jié)點(diǎn)列表都為空，和都為0的時(shí)候代表度量完成。

圖2 算法流程圖

由于需要搭建空間信息數(shù)據(jù)庫，因此本文采用mysql進(jìn)行數(shù)據(jù)存儲。在mysql中建立名為camerafile的數(shù)據(jù)庫，在庫中分別建立兩張表，一張表是設(shè)備檔案表（命名為cameraid），另一張是設(shè)備距離表（命名為distance_table）。設(shè)備檔案表中的字段為“Lon”，“Lat”，分別為該設(shè)備的經(jīng)緯度。然后分別對每臺設(shè)備兩兩之間計(jì)算直線距離，根據(jù)結(jié)果建立設(shè)備距離表。設(shè)備距離表中字段為“Orig”、“Dest”和“distance”，“Orig”為源點(diǎn)的設(shè)備編號，“Dest”為目標(biāo)設(shè)備的編號，“distance”為兩點(diǎn)之間的直線距離。搭建空間信息數(shù)據(jù)庫的前提是獲取攝像機(jī)的經(jīng)緯信息以及物理地址信息，兩兩分別計(jì)算直線距離據(jù)此建立距離表。定義為與源點(diǎn)攝像機(jī)相聚最近的攝像機(jī)臺數(shù)，定義為總度量范圍。

在創(chuàng)建空間信息數(shù)據(jù)庫時(shí)需提前建立設(shè)備檔案表以及設(shè)備距離表，在輸入待度量目標(biāo)并獲取采集該圖片的設(shè)備編號后，通過泛洪算法（如圖3所示）從數(shù)據(jù)庫中的設(shè)備距離表中提取出指定范圍內(nèi)的最近個(gè)其他設(shè)備編號，并設(shè)置總度量半徑以在這些設(shè)備采集的視頻數(shù)據(jù)中進(jìn)行相似度度量，與兩個(gè)參數(shù)可根據(jù)實(shí)際情況進(jìn)行設(shè)定。泛洪度量分為源點(diǎn)度量與節(jié)點(diǎn)度量。如果在該范圍內(nèi)出現(xiàn)高于閾值的結(jié)果則將該節(jié)點(diǎn)加入到源點(diǎn)列表，如果沒有則加入節(jié)點(diǎn)列表，待源點(diǎn)度量結(jié)束后再進(jìn)行節(jié)點(diǎn)度量。

圖3 泛洪算法示意圖

1.1 源點(diǎn)度量

從源點(diǎn)列表中順序選出一個(gè)源點(diǎn)，根據(jù)設(shè)備距離表計(jì)算出與源點(diǎn)相距最近的個(gè)節(jié)點(diǎn)，然后進(jìn)行特征相似度計(jì)算。如果有節(jié)點(diǎn)高于閾值，則將該節(jié)點(diǎn)加入到源點(diǎn)列表中，如果個(gè)節(jié)點(diǎn)都沒有高于閾值的節(jié)點(diǎn)，則將源點(diǎn)加入到節(jié)點(diǎn)列表中，然后從源點(diǎn)列表中順序選出下一個(gè)源點(diǎn)，直到源點(diǎn)列表遍歷完，源點(diǎn)度量結(jié)束，源點(diǎn)度量示意圖如圖4所示。

圖4 源點(diǎn)、節(jié)點(diǎn)度量示意圖

1.2 節(jié)點(diǎn)度量

從節(jié)點(diǎn)列表中順序選出一個(gè)節(jié)點(diǎn)，然后計(jì)算出與該節(jié)點(diǎn)相距最近的個(gè)節(jié)點(diǎn)并依次進(jìn)行度量，如果有節(jié)點(diǎn)度量成功則將該節(jié)點(diǎn)加入源點(diǎn)列表，否則將節(jié)點(diǎn)加入次節(jié)點(diǎn)列表，然后從節(jié)點(diǎn)列表中選出下一個(gè)節(jié)點(diǎn)，如圖5所示。進(jìn)行完節(jié)點(diǎn)度量之后，所有節(jié)點(diǎn)被分別加入源點(diǎn)列表和次節(jié)點(diǎn)列表。如果次節(jié)點(diǎn)列表不為空，則將次節(jié)點(diǎn)列表賦值給節(jié)點(diǎn)列表重新進(jìn)行節(jié)點(diǎn)度量。直到節(jié)點(diǎn)列表遍歷完，節(jié)點(diǎn)度量結(jié)束。此時(shí)，分別檢測源點(diǎn)列表與節(jié)點(diǎn)列表，直到源點(diǎn)列表與節(jié)點(diǎn)列表均為空，即在指定區(qū)域內(nèi)無法再計(jì)算得出新的節(jié)點(diǎn)。

圖5 節(jié)點(diǎn)度量示意圖

泛洪算法是根據(jù)源點(diǎn)最近的點(diǎn)位進(jìn)行度量，單次最大攝像頭數(shù)量越多，則單次搜索半徑越大，總搜索時(shí)間增加?？偹阉靼霃绞穷A(yù)先設(shè)置的總搜索區(qū)域，算法中體現(xiàn)為以初始源點(diǎn)為圓心的總搜索半徑，凡是超過該搜索范圍的其他節(jié)點(diǎn)均不會被度量。

2 實(shí)驗(yàn)及結(jié)果分析

本文在行人檢測部分使用的是YOLOv3目標(biāo)檢測算法，并且使用YOLO416 COCO權(quán)重。在行人重識別部分是在Bag of Tricks and A Strong ReID Baseline的開源代碼基礎(chǔ)上進(jìn)行改進(jìn)。訓(xùn)練部分將MSMT17數(shù)據(jù)集、Market1501數(shù)據(jù)集和CUHK03數(shù)據(jù)集進(jìn)行了聯(lián)合訓(xùn)練，然后在沒有進(jìn)行訓(xùn)練的DukeMTMC27數(shù)據(jù)集進(jìn)行測試，測試效果滿足使用需求。本文實(shí)驗(yàn)共設(shè)置兩組實(shí)驗(yàn)?zāi)Ｐ停唤M使用空間信息并結(jié)合泛洪算法進(jìn)行度量，另一組使用遍歷算度量方式。

2.1 實(shí)驗(yàn)數(shù)據(jù)

2.1.1 空間信息數(shù)據(jù)

本文所提出的方法主要應(yīng)用于縮小度量范圍，對于監(jiān)控設(shè)備數(shù)據(jù)要求的經(jīng)緯度。由于目前還未大規(guī)模部署內(nèi)嵌GPS芯片的網(wǎng)絡(luò)攝像機(jī)，因此從無錫市城市管理局發(fā)布的《無錫市城市管理視頻監(jiān)控系統(tǒng)點(diǎn)位調(diào)整信息公示》中獲取到無錫市部分監(jiān)控點(diǎn)位的物理位置和經(jīng)緯度原始數(shù)據(jù)，處理后得到圖6。

圖6 部分監(jiān)控點(diǎn)位原始數(shù)據(jù)

空間信息數(shù)據(jù)庫創(chuàng)建兩張表，一張表是采集設(shè)備檔案表，另一張是設(shè)備距離表。由于從無錫市城市管理局所收集到的監(jiān)控點(diǎn)位信息并沒有對攝像機(jī)進(jìn)行編號，因此將每一臺設(shè)備進(jìn)行編號，并輸入其物理位置與經(jīng)緯度信息。然后對每一臺采集設(shè)備建立設(shè)備檔案表并存入mysql數(shù)據(jù)庫中，如圖7（a）所示；對每臺設(shè)備兩兩之間根據(jù)經(jīng)緯度計(jì)算直線距離，根據(jù)結(jié)果依次建立設(shè)備距離表，如圖7（b）所示。

圖7 設(shè)備檔案表與設(shè)備距離表

2.1.2 視頻圖像數(shù)據(jù)

視頻數(shù)據(jù)使用在校園錄制的模擬街道監(jiān)控視頻，錄制設(shè)備為索尼HDR-CX405，隨機(jī)選取校園道路五個(gè)位置架設(shè)高約3 m的三腳架進(jìn)行錄制，共計(jì)403段，平均每段有5 s，由151幀構(gòu)成，行人監(jiān)控截圖如圖8所示。本文分別將某臺設(shè)備所采集的視頻放置在該設(shè)備編號命名的文件夾中，其中視頻的命名格式為（攝像機(jī)編號_視頻編號），監(jiān)控點(diǎn)位共有311個(gè)，隨機(jī)從403段中抽取10段依次放置于編號文件夾中，相當(dāng)于總視頻庫中共有3110個(gè)監(jiān)控視頻。

圖8 行人監(jiān)控示意圖

2.2 評價(jià)指標(biāo)

為了驗(yàn)證算法對特征庫進(jìn)行泛洪度量的有效性，本文設(shè)置了四個(gè)評價(jià)指標(biāo)，分別是度量次數(shù)、度量準(zhǔn)確度、度量完整度以及度量時(shí)間。度量次數(shù)越少對計(jì)算機(jī)的算力占用越低，在度量準(zhǔn)確度相同的情況下度量時(shí)間越短則度量效率越高。度量準(zhǔn)確度與度量完整度的定義如下：

度量準(zhǔn)確度=度量到的相關(guān)視頻數(shù)/總度量視頻數(shù)

度量完整度=度量到的相關(guān)視頻數(shù)/庫中實(shí)際相關(guān)視頻數(shù)

2.3 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

2.3.1 實(shí)驗(yàn)環(huán)境

本實(shí)驗(yàn)的操作系統(tǒng)為Microsoft Windows 10（64位）,CPU型號為（英特爾）Intel（R）Core（TM）i7-10750H CPU@2.60GHz（2592 MHz），本實(shí)驗(yàn)使用一塊NVIDIA GeForce RTX 2060（6144 MB）顯卡，使用pytorch 1.7.1以及tensorflow-gpu 2.1.0作為深度學(xué)習(xí)框架，依賴Python 3.7.1環(huán)境完成編程。

2.3.2 參數(shù)設(shè)置

實(shí)驗(yàn)中先將一組節(jié)點(diǎn)設(shè)置為目標(biāo)軌跡路線，然后分別調(diào)用泛洪度量與遍歷度量從起始節(jié)點(diǎn)的視頻監(jiān)控開始度量，并將度量結(jié)果與設(shè)置的目標(biāo)軌跡路線進(jìn)行比較。本次實(shí)驗(yàn)將待度量目標(biāo)設(shè)置為身穿深藍(lán)色短袖和黑色長褲的行人，如圖9中（a）所示。

圖9 目標(biāo)與度量成功示意圖

2.4 實(shí)驗(yàn)結(jié)果與實(shí)驗(yàn)分析

為驗(yàn)證泛洪算法的有效性，本文設(shè)置三個(gè)對照試驗(yàn)，共計(jì)十五組。在泛洪算法中需設(shè)置單節(jié)點(diǎn)最大攝像機(jī)數(shù)和最大度量半徑，最大攝像機(jī)數(shù)以及最大度量半徑的取值取決于監(jiān)控點(diǎn)位的密集程度，在監(jiān)控點(diǎn)位密集區(qū)域最大攝像機(jī)數(shù)和單節(jié)點(diǎn)最大搜索半徑應(yīng)設(shè)置較小，單次度量總量小能夠提高度量速度，而在監(jiān)控點(diǎn)位稀疏的地區(qū)二者均可以設(shè)置較大半徑，增加單次度量數(shù)量以提高度量效率。如果度量成功則會標(biāo)記目標(biāo)并輸出該節(jié)點(diǎn)視頻，如圖9中（b）所示。

實(shí)驗(yàn)對象：第一組至第五組

不變量：軌跡節(jié)點(diǎn)（節(jié)點(diǎn)間距均小于1 km）、泛洪算法參數(shù)設(shè)置（最大攝像機(jī)數(shù)設(shè)置為5（=5），單節(jié)點(diǎn)最大搜索半徑設(shè)置為1 km（=1））

變量：分別使用泛洪算法與遍歷算法

實(shí)驗(yàn)?zāi)康模候?yàn)證泛洪算法的有效性

實(shí)驗(yàn)結(jié)果見表1

表1 實(shí)驗(yàn)一結(jié)果

實(shí)驗(yàn)分析：在該五組實(shí)驗(yàn)中，軌跡節(jié)點(diǎn)平均間距在1 km以內(nèi)。對于視頻圖像庫而言度量時(shí)間主要取決于度量次數(shù)。遍歷度量的范圍始終為全庫共計(jì)3110段視頻，因此其度量次數(shù)、度量時(shí)間、度量準(zhǔn)確度與度量完整度都不變，采用泛洪算法之后視頻的平均度量次數(shù)會減少，如圖10所示，度量出相似視頻圖像的時(shí)間大幅縮短，如圖11所示。在度量完整度相同的情況下，泛洪算法結(jié)果，平均準(zhǔn)確度為27.63%，平均度量次數(shù)為19.2次，平均度量時(shí)間為239.68 s，而遍歷算法結(jié)果的平均準(zhǔn)確度為1.61%，平均度量次數(shù)為3110次，平均度量時(shí)間為2139.26 s。

圖10 實(shí)驗(yàn)一度量次數(shù)

圖11 實(shí)驗(yàn)一度量時(shí)間

實(shí)驗(yàn)結(jié)論：當(dāng)軌跡節(jié)點(diǎn)平均間距在1 km以內(nèi)時(shí)，在完整度相同的前提下，泛洪算法的準(zhǔn)確度、度量次數(shù)和時(shí)間均優(yōu)于遍歷算法。

實(shí)驗(yàn)對象：第一組至第十組

不變量：前五組沿用第一組實(shí)驗(yàn)結(jié)果，泛洪算法參數(shù)設(shè)置（最大攝像機(jī)數(shù)設(shè)置為5（=5），單節(jié)點(diǎn)最大搜索半徑設(shè)置為1 km（=1））

變量：第一組至第五組的平均間距較?。ㄔ? km左右）、第六組至第十組平均間距較大（在1 km以上）

實(shí)驗(yàn)?zāi)康模悍治龉?jié)點(diǎn)平均間距對泛洪算法的影響

實(shí)驗(yàn)結(jié)果見表2。

表2 實(shí)驗(yàn)二結(jié)果

實(shí)驗(yàn)分析：在前五組實(shí)驗(yàn)中，軌跡節(jié)點(diǎn)平均間距在1 km以內(nèi)；后五組中平均間距大于1 km。十組實(shí)驗(yàn)中泛洪算法的參數(shù)設(shè)置都相同（即最大攝像機(jī)數(shù)和單節(jié)點(diǎn)最大度量半徑都相同），當(dāng)節(jié)點(diǎn)平均間距增大之后，對于未改變參數(shù)設(shè)置的泛洪算法，其度量準(zhǔn)確度與完整度均有所下降，如圖12所示。前五組泛洪算法結(jié)果：平均準(zhǔn)確度為27.63%，平均度量次數(shù)為19.2次，平均度量時(shí)間為239.68 s，后五組結(jié)果平均為度量完整度為60%，度量準(zhǔn)確度為14.68%，度量次數(shù)為23次，度量時(shí)間為286.26 s；前五組遍歷算法結(jié)果為平均準(zhǔn)確度為1.61%，平均度量次數(shù)為3110次，平均度量時(shí)間為2139.26 s，后五組遍歷算法結(jié)果為平均準(zhǔn)確度為1.61%，平均度量次數(shù)為3110次，平均度量時(shí)間為2146.50 s。

圖12 實(shí)驗(yàn)二度量完整度

實(shí)驗(yàn)結(jié)論：在泛洪算法的參數(shù)設(shè)置為（最大攝像機(jī)數(shù)設(shè)置為5（=5），單節(jié)點(diǎn)最大搜索半徑設(shè)置為1 km（=1）），當(dāng)軌跡節(jié)點(diǎn)平均間距大于1 km之后，泛洪算法的準(zhǔn)確度、完整度明顯降低，度量時(shí)間與度量次數(shù)均明顯增加，可見平均節(jié)點(diǎn)間距對泛洪算法有直接影響，對遍歷算法無較大影響。

實(shí)驗(yàn)對象：第六組至第十五組

不變量：第六組至第十組沿用實(shí)驗(yàn)二結(jié)果，軌跡節(jié)點(diǎn)均相同

變量：第六組至第十組泛洪算法設(shè)置參數(shù)為最大攝像機(jī)數(shù)設(shè)置為5（=5），單節(jié)點(diǎn)最大搜索半徑設(shè)置為1 km（=1）；第十一組至第十五組設(shè)置參數(shù)為最大攝像機(jī)數(shù)設(shè)置為5（=5），單節(jié)點(diǎn)最大搜索半徑設(shè)置為2 km（=2）

實(shí)驗(yàn)?zāi)康模悍治龇汉樗惴ㄖ袉喂?jié)點(diǎn)最大搜索半徑對算法影響

實(shí)驗(yàn)結(jié)果見表3。

表3 實(shí)驗(yàn)三結(jié)果

實(shí)驗(yàn)分析：十組實(shí)驗(yàn)的軌跡節(jié)點(diǎn)都相同，平均間距在1 km以上，前五組的單節(jié)點(diǎn)最大搜索半徑為1 km（=1），后五組單節(jié)點(diǎn)最大搜索半徑為2 km（=2）。通過增大泛洪算法單節(jié)點(diǎn)最大搜索半徑，能夠有效地提高泛洪算法的度量完整度，如圖13所示。

圖13 實(shí)驗(yàn)三泛洪算法度量完整度

前五組泛洪算法的結(jié)果平均為度量完整度為60%，度量準(zhǔn)確度為14.68%，度量次數(shù)為23次，度量時(shí)間為286.26 s，后五組結(jié)果平均為度量完整度為100%，度量準(zhǔn)確度為8.11%，度量次數(shù)為64次，度量時(shí)間為868.31 s。

表4 遍歷算法度量時(shí)間

實(shí)驗(yàn)結(jié)論：軌跡節(jié)點(diǎn)平均間距大于1 km之后，通過調(diào)節(jié)泛洪算法的單節(jié)點(diǎn)最大搜索范圍能夠提高完整度，但準(zhǔn)確度會降低，度量次數(shù)和度量時(shí)間增加。在相同度量完整度的情況下，通過對比調(diào)節(jié)參數(shù)前后的度量時(shí)間，可以得出雖然增大了單節(jié)點(diǎn)最大搜索半徑會增加度量時(shí)間，但為了獲得較高的度量完整度，度量盡量多的目標(biāo)，增加的度量時(shí)間仍遠(yuǎn)遠(yuǎn)少于遍歷度量的時(shí)間，如圖14所示。

圖14 實(shí)驗(yàn)三度量時(shí)間比較

3 結(jié)語

本文提出一種結(jié)合空間信息并以泛洪算法為基礎(chǔ)的改進(jìn)度量方法。該方法將空間信息與特征建立關(guān)聯(lián)，在行人重識別系統(tǒng)進(jìn)行相似度度量時(shí)，有效利用目標(biāo)軌跡的時(shí)空相關(guān)性并根據(jù)特征關(guān)聯(lián)的空間信息來縮小度量范圍，快速度量目標(biāo)特征。實(shí)驗(yàn)結(jié)果表明，在度量出所有目標(biāo)特征的情況下泛洪算法的度量時(shí)間與度量次數(shù)均優(yōu)于遍歷算法；而在犧牲度量完整度的情況下，泛洪算法能夠更快速地度量出目標(biāo)特征。如果增加單點(diǎn)最大度量范圍，則會增加度量次數(shù)與時(shí)間，但能夠提高泛洪算法的度量完整度。結(jié)合空間信息的泛洪算法在行人重識別系統(tǒng)中的應(yīng)用能夠協(xié)助民警在公安工作中迅速檢索度量出目標(biāo)并得出其軌跡路線。此外，對于任何在原始數(shù)據(jù)中能夠提供空間信息的數(shù)據(jù)均能夠使用本方法進(jìn)行快速度量，例如在全球新冠病毒肆虐的背景下，使用本方法能夠迅速度量目標(biāo)，對于快速進(jìn)行精準(zhǔn)高效的流調(diào)工作、及時(shí)排查風(fēng)險(xiǎn)、消除隱患具有重要意義。