(12)發(fā)明專利GO6VGO6VGO6VGO6N地址430074湖北省武漢市東湖新技術開公司11228專利代理師秦曼妮HumanIdentificationataDistance2021.GO6V40基于多算法融合應用的人員軌跡檢索方法本發(fā)明提供了一種基于多算法融合應用的人員軌跡檢索方法及裝置，該方法包括以下步個行人的特征信息與對應的攝像頭點位以及抓員的特征信息采用對應的識別算法與路人庫中檢索目標人員相一致的特征信息的各條行人記據(jù)檢索目標人員的軌跡信息，在GIS地圖上將各條行人記錄對應的攝像頭點位按抓拍時間進行21.一種基于多算法融合應用的人員軌跡檢索方法，其特征在于，包括以下步驟：S1、對多個不同點位攝像頭采集的視頻流或者圖片流中各行人的特征信息進行提取，提取的每個行人的特征信息包括人臉特征信息、人體特征信息、步態(tài)特征信息中的至少一種，將提取的每個行人的特征信息與對應的攝像頭點位以及抓拍時間一起作為一條行人記錄存儲在路人庫中；S2、根據(jù)檢索目標人員的視頻片段或圖片提取檢索目標人員的特征信息，根據(jù)檢索目標人員的人臉特征信息、人體特征信息、步態(tài)特征信息采用對應的人臉識別算法、行人重識別算法、步態(tài)識別算法與路人庫中對應種類的行人特征信息進行比對，找到具有與檢索目標人員相一致的特征信息的各條行人記錄，將檢索到的各條行人記錄取并集，得到檢索目標人員的軌跡信息；S3、根據(jù)檢索目標人員的軌跡信息，在GIS地圖上將各條行人記錄對應的攝像頭點位按抓拍時間進行連接，得到檢索目標人員的軌跡，計算檢索目標人員的軌跡中每相鄰兩個點位之間路程的平均速度，選擇平均速度超出30km/h的路段作為異常路段，分別計算該異常路段兩側點位的算法識別概率，選擇概率較低的點位作為最終異常點位，并將其從軌跡中剔除，其中點位Xt的算法識別概率P(xt)的計算方法如下：其中M?,M?,M?分別表示人臉識別算法、行人重識別算法、步態(tài)識別算法，P(M)表示算法M的識別準確率，P(x|M)表示在算法M下點位Xt處識別的人員為檢索目標人員的概率。2.如權利要求1所述的基于多算法融合應用的人員軌跡檢索方法，其特征在于，所述步驟S1中，對視頻流或者圖片流中的人臉特征信息進行提取具體包括：使用MTCNN網(wǎng)絡對每一幀視頻數(shù)據(jù)或者每個圖片進行使用訓練好的人臉特征提取模型對檢測到的人臉目標進行人臉特征提取，獲取人臉特征信息；其中，所述人臉特征提取模型的訓練方法如下：構建改進的faceNet模型，其中faceNet主干網(wǎng)絡采用Inception-v4網(wǎng)絡和殘差連接residualconnection,在損失函數(shù)的選擇上，分別計算softmaxloss和triplet_loss,再對softmaxloss和triplet_loss進行加權，在線調整權使用訓練集對改進的faceNet模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的人臉特征提取模型。3.如權利要求2所述的基于多算法融合應用的人員軌跡檢索方法，其特征在于，所述步驟S1中，對視頻流中的人臉特征信息進行提取還包括：進行人臉目標檢測之后，使用DeepSort對檢測到的人臉目標進行跟蹤，并進行運動目標檢測；使用訓練好的人臉正臉判定模型對跟蹤輸出的人臉目標進行人臉正臉判定并輸出判3定的人臉正臉數(shù)據(jù)；使用訓練好的人臉特征提取模型對輸出的人臉正臉數(shù)據(jù)進行人臉特征提取，獲取人臉特征信息。4.如權利要求1所述的基于多算法融合應用的人員軌跡檢索方法，其特征在于，所述步驟S1中，對視頻流或者圖片流中的人體特征信息進行提取具體包括：使用訓練好的yolov5目標檢測模型對每一幀視頻數(shù)據(jù)或者每個圖片進行行人目標檢使用訓練好的人體特征提取模型對檢測到的行人目標進行人體特征提取，獲取人體特征信息；其中，所述人體特征提取模型的訓練方法如下：采集并構建視頻監(jiān)控場景下多個行人序列數(shù)據(jù)集，采集不同的行人目標在多個不同的攝像頭視角下的序列，并劃分為訓練集、驗證構建改進的行人FastReID模型，主干采用基于自適應間隔排序損失的多尺度多部件融合深度網(wǎng)絡，將行人圖像特征表達與相似性度量聯(lián)合學習；在數(shù)據(jù)預處理階段，對數(shù)據(jù)進行下采樣；使用訓練集對改進的行人FastReID模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的人體特征提取模型。5.如權利要求4所述的基于多算法融合應用的人員軌跡檢索方法，其特征在于，所述步驟S1中，對視頻流中的人體特征信息進行提取還包括：進行行人目標檢測之后，使用DeepSort對檢測到的行人目標進行跟蹤，并進行運動目標檢測；使用訓練好的行人質量評估模型對跟蹤輸出的行人目標進行行人質量評估，將質量最佳的行人目標作為特寫圖進行輸出；使用訓練好的人體特征提取模型對輸出的質量最佳的行人目標進行人體特征提取，獲取人體特征信息。6.如權利要求1所述的基于多算法融合應用的人員軌跡檢索方法，其特征在于，所述步驟S1中，對視頻流中的步態(tài)特征信息進行提取的步驟如下：使用訓練好的yolov5目標檢測模型對每一幀視頻數(shù)據(jù)進行行人目標檢測；使用DeepSort對檢測到的行人目標進行跟蹤，并進行運動目標檢測；使用訓練好的deeplabv3+分割模型對跟蹤輸出的行人序列進行步態(tài)分割，輸出黑白輪廓序列圖；使用訓練好的步態(tài)特征提取模型對步態(tài)分割輸出的黑白輪廓序列圖進行步態(tài)特征提其中，所述步態(tài)特征提取模型的訓練方法如下：采集并構建視頻監(jiān)控場景下多個行人序列數(shù)據(jù)集，采集不同的行人目標在多個不同的攝像頭視角下的序列，并劃分為訓練集、驗證構建改進的GaitSet模型；主干網(wǎng)絡在開始增加一個CNN模塊，在網(wǎng)絡的最后兩層新增在數(shù)據(jù)預處理階段，訓練數(shù)據(jù)通過隨機水平翻轉和隨機拼圖的方法進行數(shù)據(jù)增強；4使用訓練集對改進的GaitSet模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的步態(tài)特征提取模型。7.如權利要求1所述的基于多算法融合應用的人員軌跡檢索方法，其特征在于，所述步驟S2中，當一條行人記錄中既進行了人臉特征信息的比對，又進行了人體特征信息或者步態(tài)特征信息的比對時，以人臉特征信息的比對結果為準。8.一種基于多算法融合應用的人員軌跡檢索裝置，其特征在于，包括：行人特征信息提取及存儲模塊，用于對多個不同點位攝像頭采集的視頻流或者圖片流中各行人的特征信息進行提取，提取的每個行人的特征信息包括人臉特征信息、人體特征信息、步態(tài)特征信息中的至少一種，將提取的每個行人的特征信息與對應的攝像頭點位以及抓拍時間一起作為一條行人記錄存儲在路人庫中；軌跡檢索模塊，用于根據(jù)檢索目標人員的視頻片段或圖片提取檢索目標人員的特征信息，根據(jù)檢索目標人員的人臉特征信息、人體特征信息、步態(tài)特征信息采用對應的人臉識別算法、行人重識別算法、步態(tài)識別算法與路人庫中對應種類的行人特征信息進行比對，找到具有與檢索目標人員相一致的特征信息的各條行人記錄，將檢索到的各條行人記錄取并軌跡展現(xiàn)模塊，用于根據(jù)檢索目標人員的軌跡信息，在GIS地圖上將各條行人記錄對應的攝像頭點位按抓拍時間進行連接，得到檢索目標人員的軌跡；還用于計算檢索目標人員的軌跡中每相鄰兩個點位之間路程的平均速度，選擇平均速度超出30km/h的路段作為異常路段，分別計算該異常路段兩側點位的算法識別概率，選擇概率較低的點位作為最終異常點位，并將其從軌跡中剔除，其中點位Xt的算法識別概率P(x.)的計算方法如下：其中M?,M?,M?分別表示人臉識別算法、行人重識別算法、步態(tài)識別算算法M的識別準確率，P(xt|M)表示在算法M下點位Xt處識別的人員為檢索目標人員的概率。5技術領域[0001]本發(fā)明涉及行人軌跡檢索技術領域，尤其涉及一種基于多算法融合應用的人員軌跡檢索方法及裝置。背景技術[0002]隨著人臉識別、視頻結構化等目標識別算法在系統(tǒng)中的普遍建設與使用，其應用距離較遠、偽裝等環(huán)境及人為因素均會影響識別效能，對應的彌補人臉識別技術不足的一[0003]對行人進行軌跡檢索，傳統(tǒng)的方式均是通過單一技術進行人員的軌跡檢索，但單一的技術手段均存在各自的局限性，已無法滿足復雜場景的應用需求，無法獲得行人完整的軌跡，比如人臉遮擋或戴口罩的情況下，無法應用人臉檢索；跨天或人員變換服裝的情況下，無法應用行人重識別進行軌跡檢索等。單一的圖片，無法獲取完整的步態(tài)信息，無法應用步態(tài)識別進行軌跡檢索。故而多算法的融合應用，能夠充分利用各自算法的優(yōu)勢，彌補單一算法的不足，成為未來的發(fā)展趨勢。而傳統(tǒng)的多算法融合應用，更多的是通過用戶手動將多算法進行結合使用，系統(tǒng)無法自動化的進行目標行人的軌跡融合。故而，如何進行多算法的融合，并形成融合后的完整軌跡，成為多算法融合應用的難點。發(fā)明內容[0004]為解決現(xiàn)有技術存在的上述至少部分問題，本發(fā)明提供一種基于多算法融合應用的人員軌跡檢索方法及裝置。[0005]本發(fā)明是這樣實現(xiàn)的：[0006]一方面，本發(fā)明提供一種基于多算法融合應用的人員軌跡檢索方法，包括以下步[0007]S1、對多個不同點位攝像頭采集的視頻流或者圖片流中各行人的特征信息進行提取，提取的每個行人的特征信息包括人臉特征信息、人體特征信息、步態(tài)特征信息中的至少一種，將提取的每個行人的特征信息與對應的攝像頭點位以及抓拍時間一起作為一條行人記錄存儲在路人庫中；[0008]S2、根據(jù)檢索目標人員的視頻片段或圖片提取檢索目標人員的特征信息，根據(jù)檢索目標人員的人臉特征信息、人體特征信息、步態(tài)特征信息采用對應的人臉識別算法、行人重識別算法、步態(tài)識別算法與路人庫中對應種類的行人特征信息進行比對，找到具有與檢索目標人員相一致的特征信息的各條行人記錄，將檢索到的各條行人記錄取并集，得到檢索目標人員的軌跡信息；[0009]S3、根據(jù)檢索目標人員的軌跡信息，在GIS地圖上將各條行人記錄對應的攝像頭點位按抓拍時間進行連接，得到檢索目標人員的軌跡。[0010]進一步地，所述步驟S1中，對視頻流或者圖片流中的人臉特征信息進行提取具體6包括：[0011]使用MTCNN網(wǎng)絡對每一幀視頻數(shù)據(jù)或者每個圖片進行人臉目標檢測；[0012]使用訓練好的人臉特征提取模型對檢測到的人臉目標進行人臉特征提取，獲取人臉特征信息；[0013]其中，所述人臉特征提取模型的訓練方法如下：[0014]采集海量視頻監(jiān)控場景下的人臉照片，進行標注，并劃分為訓練集、驗證集和測試residualconnection,在損失函數(shù)的選擇上，分別計算softmaxloss和triplet_loss,再對softmaxloss和triplet_loss進行加權，在線調整權值；[0016]使用訓練集對改進的faceNet模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的人臉特征提取模型。[0017]進一步地，所述步驟S1中，對視頻流中的人臉特征信息進行提取還包括：[0018]進行人臉目標檢測之后，使用DeepSort對檢測到的人臉目標進行跟蹤，并進行運動目標檢測；[0019]使用訓練好的人臉正臉判定模型對跟蹤輸出的人臉目標進行人臉正臉判定并輸出判定的人臉正臉數(shù)據(jù)；[0020]使用訓練好的人臉特征提取模型對輸出的人臉正臉數(shù)據(jù)進行人臉特征提取，獲取人臉特征信息。[0021]進一步地，所述步驟S1中，對視頻流或者圖片流中的人體特征信息進行提取具體包括：[0022]使用訓練好的yolov5目標檢測模型對每一幀視頻數(shù)據(jù)或者每個圖片進行行人目標檢測；[0023]使用訓練好的人體特征提取模型對檢測到的行人目標進行人體特征提取，獲取人體特征信息；[0024]其中，所述人體特征提取模型的訓練方法如下：[0025]采集并構建視頻監(jiān)控場景下多個行人序列數(shù)據(jù)集，采集不同的行人目標在多個不同的攝像頭視角下的序列，并劃分為訓練集、驗證集和測試集；[0026]構建改進的行人FastReID模型，主干采用基于自適應間隔排序損失的多尺度多部件融合深度網(wǎng)絡，將行人圖像特征表達與相似性度量聯(lián)合學習；[0027]在數(shù)據(jù)預處理階段，對數(shù)據(jù)進行下采樣；[0028]使用訓練集對改進的行人FastReID模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的人體特征提取模型。[0029]進一步地，所述步驟S1中，對視頻流中的人體特征信息進行提取還包括：[0030]進行行人目標檢測之后，使用DeepSort對檢測到的行人目標進行跟蹤，并進行運動目標檢測；[0031]使用訓練好的行人質量評估模型對跟蹤輸出的行人目標進行行人質量評估，將質量最佳的行人目標作為特寫圖進行輸出；[0032]使用訓練好的人體特征提取模型對輸出的質量最佳的行人目標進行人體特征提7[0033]進一步地，所述步驟S1中，對視頻流中的步態(tài)特征信息進行提取的步驟如下：[0034]使用訓練好的yolov5目標檢測模型對每一幀視頻數(shù)據(jù)進行行人目標檢測；[0035]使用DeepSort對檢測到的行人目標進行跟蹤，并進行運動目標檢測；[0036]使用訓練好的deeplabv3+分割模型對跟蹤輸出的行人序列進行步態(tài)分割，輸出黑白輪廓序列圖；[0037]使用訓練好的步態(tài)特征提取模型對步態(tài)分割輸出的黑白輪廓序列圖進行步態(tài)特征提取；[0038]其中，所述步態(tài)特征提取模型的訓練方法如下：[0039]采集并構建視頻監(jiān)控場景下多個行人序列數(shù)據(jù)集，采集不同的行人目標在多個不[0040]構建改進的GaitSet模型；主干網(wǎng)絡在開始增加一個CNN模塊，在網(wǎng)絡的最后兩層[0041]在數(shù)據(jù)預處理階段，訓練數(shù)據(jù)通過隨機水平翻轉和隨機拼圖的方法進行數(shù)據(jù)增[0042]使用訓練集對改進的GaitSet模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的步態(tài)特征提取模型。[0043]進一步地，所述步驟2中，當一條行人記錄中既進行了人臉特征信息的比對，又進行了人體特征信息或者步態(tài)特征信息的比對時，以人臉特征信息的比對結果為準。[0044]進一步地，所述步驟S2中，當根據(jù)檢索目標人員的視頻片段或圖片提取的檢索目標人員的特征信息中不包含人臉特征信息、人體特征信息、步態(tài)特征信息中的某一種特征信息時，利用檢索得到的行人記錄中的該種特征信息，在路人庫中進行檢索，找到該種特征信息對應的各條行人記錄。[0045]進一步地，所述步驟S3之后還包括：[0046]計算檢索目標人員的軌跡中每相鄰兩個點位之間路程的平均速度，選擇平均速度超出30km/s的路段作為異常路段，分別計算該異常路段兩側點位的算法識別概率，選擇概率較低的點位作為最終異常點位，并將其從軌跡中剔除，其中點位x的算法識別概率P(xt)的計算方法如下：示算法M的識別準確率，P(x|M)表示在算法M下點位x處識別的人員為檢索目標人員的概[0049]另一方面，本發(fā)明還提供一種基于多算法融合應用的人員軌跡檢索裝置，包括：[0050]行人特征信息提取及存儲模塊，用于對多個不同點位攝像頭采集的視頻流或者圖片流中各行人的特征信息進行提取，提取的每個行人的特征信息包括人臉特征信息、人體特征信息、步態(tài)特征信息中的至少一種，將提取的每個行人的特征信息與對應的攝像頭點位以及抓拍時間一起作為一條行人記錄存儲在路人庫中；[0051]軌跡檢索模塊，用于根據(jù)檢索目標人員的視頻片段或圖片提取檢索目標人員的特8征信息，根據(jù)檢索目標人員的人臉特征信息、人體特征信息、步態(tài)特征信息采用對應的人臉識別算法、行人重識別算法、步態(tài)識別算法與路人庫中對應種類的行人特征信息進行比對，找到具有與檢索目標人員相一致的特征信息的各條行人記錄，將檢索到的各條行人記錄取并集，得到檢索目標人員的軌跡信息；[0052]軌跡展現(xiàn)模塊，用于根據(jù)檢索目標人員的軌跡信息，在GIS地圖上將各條行人記錄對應的攝像頭點位按抓拍時間進行連接，得到檢索目標人員的軌跡。[0053]與現(xiàn)有技術相比，本發(fā)明具有以下[0054]本發(fā)明提供的這種基于多算法融合應用的人員軌跡檢索方法及裝置，能解決遠距下的人員檢索問題；本發(fā)明能夠將人臉識別、行人重識別、步態(tài)識別三種算法進行融合應用，自動對同一目標人員的軌跡進行連接與融合，彌補單一算法的不足，充分利用各算法的優(yōu)勢進行融合應用，實現(xiàn)人員的軌跡檢索，能夠獲取到人員更為完整的軌跡信息，擴大應用附圖說明[0055]圖1為本發(fā)明實施例提供的一種基于多算法融合應用的人員軌跡檢索方法的流程[0056]圖2為本發(fā)明實施例提供的步態(tài)特征提取模型的網(wǎng)絡結構示意圖；[0057]圖3為本發(fā)明實施例提供的一種基于多算法融合應用的人員軌跡檢索裝置的方框具體實施方式[0058]下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其它實施例，都屬于本發(fā)明保護的范圍。[0059]如圖1所示，本發(fā)明實施例提供一種基于多算法融合應用的人員軌跡檢索方法，包括以下步驟：[0060]S1、對多個不同點位攝像頭采集的視頻流或者圖片流中各行人的特征信息進行提取，提取的每個行人的特征信息包括人臉特征信息、人體特征信息、步態(tài)特征信息中的至少一種，當不滿足提取對應特征信息的條件時，則不提取該特征信息，例如對圖片流無法提取步態(tài)特征信息，則對圖片流中的行人不提取步態(tài)特征信息。將提取的每個行人的特征信息與對應的攝像頭點位以及抓拍時間一起作為一條行人記錄存儲在路人庫中，每條行人記錄生成唯一人員ID信息。[0061]具體地，所述步驟S1中，對視頻流或者圖片流中行人的各種特征信息分別進行提取，其中，對圖片流中的人臉特征信息進行提取[0063]使用訓練好的人臉特征提取模型對檢測到的人臉目標進行人臉特征提取，獲取128維度的人臉特征信息。9[0064]進一步地，所述步驟S1中，對視頻流中的人臉特征信息進行提取的步驟如下：[0066]使用DeepSort對檢測到的人臉目標進行跟蹤，并進行運動目標檢測；[0067]使用訓練好的人臉正臉判定模型對跟蹤輸出的人臉目標進行人臉正臉判定并輸出判定的人臉正臉數(shù)據(jù)；[0068]使用訓練好的人臉特征提取模型對輸出的人臉正臉數(shù)據(jù)進行人臉特征提取，獲取128維度的人臉特征信息。[0069]通過對人臉進行檢測與跟蹤，確保同一個目標行人只獲取其中一張最優(yōu)的人臉圖[0070]優(yōu)選地，上述兩個人臉特征信息提取的過程中采用的人臉特征提取模型的訓練方[0071]采集海量視頻監(jiān)控場景下的人臉照片，進行標注，并劃分為訓練集、驗證集和測試[0072]構建改進的faceNet模型，其中faceNet主干網(wǎng)絡采用Inception-v4網(wǎng)絡和residualconnection,在損失函數(shù)的選擇上，分別計算softmaxloss和triplet_loss,再對softmaxloss和triplet_loss進行加權，在線調整權[0073]使用訓練集對改進的faceNet模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的人臉特征提取模型。[0074]上述人臉特征提取模型的訓練方法中，通過構建了改進的faceNet模型，對主干網(wǎng)絡和損失函數(shù)進行了優(yōu)化，拉開了目標類別之間的差距，加快了訓練速度，增強了人臉特征的魯棒性。[0075]進一步地，所述步驟S1中，對圖片流中的人體特征信息進行提取的步驟如下：[0076]使用訓練好的yolov5目標檢測模型對各圖片進行行人目標檢測；[0077]使用訓練好的人體特征提取模型對檢測到的行人目標進行人體特征提取，獲取2048維度的人體特征信息。[0078]進一步地，所述步驟S1中，對視頻流中的人體特征信息進行提取的步驟如下：[0079]使用訓練好的yolov5目標檢測模型對每一幀視頻數(shù)據(jù)進行行人目標檢測；[0080]使用DeepSort對檢測到的行人目標進行跟蹤，并進行運動目標檢測；[0081]使用訓練好的行人質量評估模型對跟蹤輸出的行人目標進行行人質量評估，將質量最佳的行人目標作為特寫圖進行輸出；[0082]使用訓練好的人體特征提取模型對輸出的質量最佳的行人目標進行人體特征提取，獲取2048維度的人體特征信息。[0083]通過對行人目標進行檢測與跟蹤，確保同一個目標行人只獲取其中一張最優(yōu)的行人人體圖片。[0084]優(yōu)選地，上述兩個人體特征提取的過程中采用的人體特征提取模型的訓練方法如[0085]采集并構建視頻監(jiān)控場景下1000行人序列數(shù)據(jù)集，采集不同的行人目標在5個不同的攝像頭視角下的序列，并劃分為訓練集、驗證[0086]構建改進的行人FastReID模型，主干采用基于自適應間隔排序損失的多尺度多部件融合深度網(wǎng)絡，將行人圖像特征表達與相似性度量聯(lián)合學習；[0087]在數(shù)據(jù)預處理階段，在已有的預處理上，對數(shù)據(jù)進行下采樣，以豐富數(shù)據(jù)的多維[0088]使用訓練集對改進的行人FastReID模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的人體特征提取模型。[0089]上述人體特征提取模型的訓練方法中，對數(shù)據(jù)集進行了多樣化的預處理，豐富了數(shù)據(jù)的多樣性，多維性，減少了模型對數(shù)據(jù)的敏感；構建了改進的行人FastReID模型，主干采用基于自適應間隔排序損失的多尺度多部件融合深度網(wǎng)絡，將行人圖像特征表達與相似性度量聯(lián)合學習，增強了行人特征的魯棒性，極大的提高了行人比對和識別的精度。[0090]進一步地，所述步驟S1中，對視頻流中的步態(tài)特征信息進行提取的步驟如下：[0091]使用訓練好的yolov5目標檢測模型對每一幀視頻數(shù)據(jù)進行行人目標檢測；[0092]使用DeepSort對檢測到的行人目標進行跟蹤，并進行運動目標檢測；[0093]使用訓練好的deeplabv3+分割模型對跟蹤輸出的行人序列進行步態(tài)分割，輸出黑白輪廓序列圖，并將輪廓圖大小裁剪為64*64;[0094]使用訓練好的步態(tài)特征提取模型對步態(tài)分割輸出的黑白輪廓序列圖進行步態(tài)特征提取。[0095]優(yōu)選地，上述步態(tài)特征提取的過程中采用的步態(tài)特征提取模型的訓練方法如下：[0096]采集并構建視頻監(jiān)控場景下1000行人序列數(shù)據(jù)集，采集不同的行人目標在5個不同的攝像頭視角下的序列，并劃分為訓練集、驗證數(shù)增加到256,可以獲得和提取更多的信息；在網(wǎng)絡的最后兩層新增MDFG和GMCM模塊，MDFG模塊用來在不同的區(qū)域產生視覺線索，以進行細粒度的特征學習，GMCM模塊更新了有的聚合策略，將幀級的全局信息特征向量映射到特征向量中。[0098]在數(shù)據(jù)預處理階段，訓練數(shù)據(jù)通過隨機水平翻轉和隨機拼圖的方法進行數(shù)據(jù)增[0099]使用訓練集對改進的GaitSet模型進行訓練，使用驗證集驗證模型的收斂情況，并通過測試集進行測試，最后輸出最佳的步態(tài)特征提取模型。[0100]上述步態(tài)特征提取模型的訓練方法中，構建了改進的GaitSet模型，增加了一個卷積神經網(wǎng)絡模塊(CNN)、一個目標細粒度學習模塊(MDFG)、極大的提高了步態(tài)特征的魯棒性，拉開了不同目標步態(tài)特征之間的差距，提高了步態(tài)識別的精度。[0101]S2、根據(jù)檢索目標人員的視頻片段或圖片提取檢索目標人員的特征信息，提取的檢索目標人員的特征信息同樣包括人臉特征信息、人體特征信息、步態(tài)特征信息中的至少一種，根據(jù)檢索目標人員的人臉特征信息、人體特征信息、步態(tài)特征信息采用對應的人臉識別算法、行人重識別算法、步態(tài)識別算法與路人庫中對應種類的行人特征信息進行比對，找到具有與檢索目標人員相一致的特征信息的各條行人記錄，將檢索到的各條行人記錄取并[0103]采用人臉識別算法，將檢索目標人員的人臉特征信息與路人庫中的人臉特征信息軌跡中存在的合法性，針對人員軌跡在網(wǎng)絡G中任意兩個相鄰節(jié)點x,x:+1之間的距離長度[0118]其中M,M?,M?分別表示人臉識別算法、行人重識別算法、步態(tài)識別算法，P(M)表示算法M的識別準確率，P(x|M)表示在算法M下點位x,處識別的人員為檢索目標人員的概率(即相似度值)。[0119]本發(fā)明在多算法的軌跡融合的基礎上，通過綜合分析各算法的時空信息，能夠有效的過濾掉因部分算法識別精度不高而誤檢的行人，確保行人軌跡的相對準確性，減少用戶手動篩查的時間投入。[0120]下面通過一個具體的實施例對本發(fā)明實施例的基于多算法融合應用的人員軌跡檢索方法進行說明。頻流或者圖片流進行人員檢測與跟蹤，并提取行人特征信息，包括：人臉特征信息、人體特征信息、步態(tài)特征信息。每一個行人的特征信息至少包含這三種特征信息中的一種。形成路人庫，并生成唯一人員ID信息。其中，N可以根據(jù)實際情況進行調大或者調小，待分析的攝像頭點位根據(jù)當?shù)貙嶋H情況進行配置。[0122]假設有人員在2021-6-2811:01:01經過攝像頭X1,該攝像頭下可獲取清晰的人臉、人體及步態(tài)信息。[0123]假設有人員在2021-6-2811:11:01經過攝像頭X2,該攝像頭下可獲取人體及步態(tài)信息，但無法獲得清晰的人臉信息。[0124]假設有人員在2021-6-2811:21:01經過攝像頭X3,該攝像頭下可獲取人臉及人體信息，因經過時間太短而無法獲取完整步態(tài)信息。[0125]假設有人員在2021-6-299:21:01經過攝像頭X4,該攝像頭下可獲取清晰的人臉、人體及步態(tài)信息。[0126]將以上獲取的所有行人對應的特征信息，進行存儲。主鍵記錄人員編號，人員具體信息列表如下：抓拍時間攝像頭人臉特征人體特征步態(tài)特征對檢索目標人員在時間范圍為【2021-6-2800:00:00】至【2021-6-2912:59:59】期間的軌跡進行檢索。假設檢索目標人員圖片信息，對應記錄為ID1,檢索其軌跡信息。[0129]通過人臉識別算法，將人員ID1的人臉特征RL1與人員列表的其它人員的人臉特征進行相似度比對，得到滿足設定閾值的人員編號，假設ID3滿足閾值要求，即L1={ID1、[0130]通過行人重識別算法，將人員ID1的人體特征與人員列表中的其它人員的人體特征進行相似度比對，得到滿足設定閾值的人員編號，假設ID2、ID3滿足要求，即L2={ID1、ID2、ID3}。通過步態(tài)識別算法，將人員ID1的步態(tài)特征與人員列表中的其它人員的步態(tài)特征進行相似度比對，得到滿足設定閾值的人員編號，假設ID4滿足閾值要求，即L3={ID1、[0131]對以上三組集合取并集，得出人員ID1的軌跡L=L1U12UL3={ID1、ID2、ID3、[0132]進一步的，對軌跡L中的異常點位進行篩除，計算軌跡L中每段路程的平均速度，即V1,2、V2,3、V?,4,假設選擇平均速度超出30km/h的路段作為異常路段，例如v?,3所在的路段[0133]利用概率計算公式分別計算ID2、ID3的識別概率P(ID2)、P(ID3),將概率較低的點位剔除例如ID2,如此獲取L中最終軌跡為L={ID1、ID3、ID4}。[0134]對人員ID1的軌跡信息L進行GIS地圖展現(xiàn)：獲取軌跡L={ID1、ID3、ID4}中人員的息等。并按照時間先后順序進行排序，將各個軌跡點依次連接起來，此連接線即為該人員的具體軌跡信息。[0135]基于同一發(fā)明構思，本發(fā)明實施例還提供了一種基于多算法融合應用的人員軌跡檢索裝置，由于該裝置所解