基于排隊(duì)論的跨攝像頭乘客軌跡識(shí)別方法

摘要：目前攝像頭監(jiān)控視頻群組中采用遍歷查找搜索全部攝像頭視頻，或者拓?fù)渚W(wǎng)查找重復(fù)搜索，導(dǎo)致人員追蹤查找效率低、準(zhǔn)確性差，為解決這一問(wèn)題，提出了一種基于排隊(duì)論和頂點(diǎn)加權(quán)有向圖的高效選擇監(jiān)控?cái)z像機(jī)視頻的方法。該方法借鑒排隊(duì)論理論的原理，將攝像頭視為頂點(diǎn)，并構(gòu)建了一個(gè)加權(quán)有向圖。通過(guò)計(jì)算權(quán)值，能夠確定最優(yōu)的監(jiān)控路徑，同時(shí)考慮了攝像頭之間的連接和權(quán)值。這一方法的關(guān)鍵優(yōu)勢(shì)在于高效地選擇監(jiān)控?cái)z像機(jī)視頻。此外，將城市軌道交通節(jié)點(diǎn)目標(biāo)乘客的最優(yōu)運(yùn)動(dòng)路徑與人員追蹤相結(jié)合，采用了頂點(diǎn)加權(quán)有向圖的思想，提高了識(shí)別的準(zhǔn)確性和效率。研究結(jié)果表明，通過(guò)將排隊(duì)論和頂點(diǎn)加權(quán)有向圖理論應(yīng)用于人員追蹤領(lǐng)域，為解決實(shí)際問(wèn)題和提升系統(tǒng)性能提供了一種創(chuàng)新的方法。這一方法對(duì)于提升監(jiān)控系統(tǒng)性能和人員追蹤能力具有重要意義。

關(guān)鍵詞：排隊(duì)論；頂點(diǎn)加權(quán)；軌跡識(shí)別；跨攝像頭追蹤

中圖分類號(hào)：U291.69文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1002-4026（2024）05-0062-07

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)志碼（OSID）：

Queuing theory-based cross-camera passenger trajectory recognition method

WEN Zening1， ZENG Hongbo2， NIU Ling3*， LU Kai4， ZHAO Zhonghao5

（1.China Railway Design Group Co.， Ltd.， South China Branch， Shenzhen 518000， China；2.Shenzhen Metro Operator Group Co.， Ltd.，

Shenzhen 518026， China; 3.BeijiaoWisdom（Shandong） Intelligent Technology Co.， Ltd.， Jinan 250100， China; 4. Traffic Control

Technology Co.， Ltd.， Beijing 100070， China; 5.School of Transportation， Beijing Jiaotong University， Beijing 100044， China）

Abstract∶Currently， in surveillance video groups， traditional methods for searching camera videos involve traversing and searching through all cameras or performing repetitive searches in a network topology. These approaches result in low efficiency and poor accuracy in tracking individuals. To address this issue， we propose an efficient method for selecting surveillance camera videos based on the principles of the queuing and vertex-weighted directed graph theories. In this method， we treat cameras as vertices and construct a weighted directed graph. By calculating weights， we can determine the optimal monitoring paths considering the connections and weights between cameras. The key advantage of this method is its efficient selection of surveillance camera videos. Additionally， by combining the optimal movement paths of target passengers in urban rail transit nodes with individual tracking， we use the concept of vertex-weighted directed graphs to enhance the accuracy and efficiency of person recognition. The research results show the great significance of this method in improving the performance of surveillance systems and individual tracking capabilities. By applying the queuing and vertex-weighted directed graph theories for individual tracking， we offer an innovative approach to address practical problems and enhance system performance. This method holds great importance in enhancing surveillance system performance and individual tracking capabilities.

Key words∶queuing theory; vertex weighting; trajectory recognition method; cross-camera tracking

隨著社會(huì)和科技的飛速發(fā)展，城市軌道交通成為人們出行的重要方式，視頻監(jiān)控系統(tǒng)作為保障安全的重要手段，其監(jiān)控范圍在城市軌道交通中逐漸實(shí)現(xiàn)全面覆蓋。城市的發(fā)展對(duì)視頻監(jiān)控系統(tǒng)提出了智能化要求，視頻分析技術(shù)的不斷發(fā)展是視頻監(jiān)控系統(tǒng)智能化的表現(xiàn)之一。在特殊以及重大事件中，利用視頻分析技術(shù)尋找目標(biāo)乘客以及還原乘客行動(dòng)軌跡是重要的人員篩查方式之一［1］。

近年來(lái)，我國(guó)開(kāi)始重視智能視頻監(jiān)控系統(tǒng)的研究。李守杰等［2］探討了如何利用云計(jì)算資源來(lái)處理和存儲(chǔ)大規(guī)模的視頻數(shù)據(jù)，以及如何通過(guò)云端的分布式計(jì)算和數(shù)據(jù)分析技術(shù)實(shí)現(xiàn)實(shí)時(shí)的視頻監(jiān)控和智能分析功能，并提及了具體的應(yīng)用場(chǎng)景，如城市軌道交通系統(tǒng)中的視頻監(jiān)控系統(tǒng)。趙軍鋒等［3］研究了大規(guī)模數(shù)據(jù)并發(fā)環(huán)境下視頻監(jiān)控系統(tǒng)的開(kāi)發(fā)與實(shí)現(xiàn)，介紹了系統(tǒng)的架構(gòu)設(shè)計(jì)和優(yōu)化策略，并驗(yàn)證了其在處理大規(guī)模數(shù)據(jù)并發(fā)訪問(wèn)方面的有效性。該研究對(duì)于城市快軌交通領(lǐng)域的視頻監(jiān)控系統(tǒng)設(shè)計(jì)和性能優(yōu)化具有重要的參考價(jià)值。甘超瑩等［4］設(shè)計(jì)了一套采用智能視頻算法、基于圖像識(shí)別技術(shù)的智能視頻監(jiān)控系統(tǒng)。該系統(tǒng)已在南寧軌道交通5號(hào)線廣西大學(xué)站和小雞村站完成了試點(diǎn)應(yīng)用，有效提升了車站運(yùn)營(yíng)管理能力和對(duì)突發(fā)事件的處置應(yīng)對(duì)能力。李小斌等［5］提出了一種創(chuàng)新的智能視頻監(jiān)控系統(tǒng)云設(shè)計(jì)方案。該方案利用直流扭力電機(jī)控制云臺(tái)，利用聲源實(shí)現(xiàn)定位，通過(guò)差幀法實(shí)現(xiàn)目標(biāo)精準(zhǔn)跟蹤。這項(xiàng)研究也證明了通過(guò)視頻分析實(shí)現(xiàn)目標(biāo)定位的可行性。馮凌等［6］開(kāi)發(fā)了一款集現(xiàn)場(chǎng)視頻、監(jiān)控和防竊電等功能于一體的智能視頻監(jiān)控終端。該終端依托4G網(wǎng)絡(luò)，通過(guò)使用反竊電設(shè)備可以有效記錄各類竊電現(xiàn)象，從而使現(xiàn)場(chǎng)取證變得不再困難。朱向軍等［7］利用達(dá)芬奇技術(shù)開(kāi)發(fā)了一種智能視頻監(jiān)控終端。他們的算法針對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)和跟蹤進(jìn)行優(yōu)化，結(jié)合了邊緣檢測(cè)和背景減除技術(shù)的優(yōu)點(diǎn)，成功實(shí)現(xiàn)了對(duì)運(yùn)動(dòng)目標(biāo)的分割，并利用目標(biāo)特征匹配方法建立了連續(xù)幀間的對(duì)應(yīng)關(guān)系。方浩等［8］提出了一種基于DM6437的智能視頻監(jiān)控系統(tǒng)，顯著提高了監(jiān)控系統(tǒng)的智能化程度。他們?cè)O(shè)計(jì)的多用途智能視頻監(jiān)控解決方案，利用DM6437芯片和改進(jìn)的動(dòng)態(tài)碼本檢測(cè)方法，提高了檢測(cè)水平。

就當(dāng)前研究成果［9］而言，人物的攝像頭跟蹤多是采用對(duì)每個(gè)攝像機(jī)視頻進(jìn)行背景建模、前景檢測(cè)以及運(yùn)動(dòng)目標(biāo)的特征提取，當(dāng)目標(biāo)離開(kāi)攝像機(jī)視域的時(shí)候，根據(jù)已知的拓?fù)潢P(guān)系向相關(guān)攝像機(jī)發(fā)布監(jiān)控任務(wù)，當(dāng)有目標(biāo)進(jìn)入處于有效監(jiān)控狀態(tài)的攝像機(jī)視域時(shí)，進(jìn)行目標(biāo)匹配，從而實(shí)現(xiàn)在多攝像機(jī)系統(tǒng)中對(duì)行人目標(biāo)的持續(xù)跟蹤。該方法是在非重疊攝像機(jī)場(chǎng)景中實(shí)現(xiàn)的目標(biāo)跟蹤，拓?fù)渚W(wǎng)絡(luò)的查找保證了其較高的準(zhǔn)確率，但隨著區(qū)域內(nèi)監(jiān)控?cái)z像機(jī)逐漸增多，這種方式將需要耗費(fèi)系統(tǒng)大量時(shí)間。

本文針對(duì)城市軌道交通節(jié)點(diǎn)乘客軌跡識(shí)別提出了一種新的監(jiān)控?cái)z像機(jī)視頻獲取方法，這種方法借鑒了排隊(duì)論理論的原理，將攝像頭作為頂點(diǎn)，并構(gòu)建加權(quán)有向圖。通過(guò)計(jì)算權(quán)值，確定最優(yōu)監(jiān)控路徑，同時(shí)考慮了不同攝像頭之間的連接和權(quán)值。這樣就能夠高效選擇監(jiān)控?cái)z像機(jī)視頻，避免了遍歷查找和重復(fù)搜索的低效問(wèn)題。此外，該方法將城市軌道交通節(jié)點(diǎn)目標(biāo)乘客的最優(yōu)運(yùn)動(dòng)路徑與人員追蹤相結(jié)合，通過(guò)頂點(diǎn)加權(quán)有向圖的思想，提高了準(zhǔn)確性和效率。該方法的先進(jìn)性在于不僅考慮了攝像頭之間的連接和權(quán)值，還將排隊(duì)論理論和頂點(diǎn)加權(quán)有向圖理論應(yīng)用于人員追蹤領(lǐng)域，對(duì)提升監(jiān)控系統(tǒng)性能和人員追蹤能力具有重要的意義。

1相關(guān)理論基礎(chǔ)

1.1排隊(duì)論基礎(chǔ)理論

排隊(duì)論通過(guò)對(duì)服務(wù)對(duì)象到來(lái)及服務(wù)時(shí)間的統(tǒng)計(jì)研究，得出等待時(shí)間、排隊(duì)長(zhǎng)度、忙期長(zhǎng)短等數(shù)量指標(biāo)的統(tǒng)計(jì)規(guī)律，然后根據(jù)這些規(guī)律來(lái)改進(jìn)服務(wù)系統(tǒng)的結(jié)構(gòu)或重新組織被服務(wù)對(duì)象，使得服務(wù)系統(tǒng)既能滿足服務(wù)對(duì)象的需要，又能使機(jī)構(gòu)的費(fèi)用最經(jīng)濟(jì)或某些指標(biāo)最優(yōu)［10］。本文主要利用排隊(duì)論研究利用數(shù)學(xué)模型控制視頻分析最佳工作順序，實(shí)現(xiàn)系統(tǒng)效果提升的目標(biāo)。排隊(duì)過(guò)程見(jiàn)圖1：

在排隊(duì)論輸入過(guò)程中包括了視頻位置、相鄰攝像頭關(guān)聯(lián)位置、連續(xù)到達(dá)時(shí)間以及在不同時(shí)間段內(nèi)連續(xù)到達(dá)的概率分布。服務(wù)機(jī)構(gòu)采取多臺(tái)服務(wù)臺(tái)并行方式，服務(wù)時(shí)間取最小值模式。

1.2圖論理論基礎(chǔ)

圖論是本文進(jìn)行有向加權(quán)計(jì)算的理論基礎(chǔ)。圖G由頂點(diǎn)集合V和邊集合E構(gòu)成，表示為有序?qū)Γ╒，E）。其中E是一個(gè)點(diǎn)對(duì)邊集合，它是由V中的節(jié)點(diǎn)隨機(jī)組合而成。圖G的頂點(diǎn)集也記為V（G），邊集記為E（G）。圖G的頂點(diǎn)數(shù)（或階數(shù)）用符號(hào)n（G）表示，邊數(shù)用m（G）表示。本文以有向圖為基礎(chǔ)進(jìn)行研究，并基于有向圖的頂點(diǎn)進(jìn)行加權(quán)計(jì)算，如圖2示例。

對(duì)有向圖集G的每條邊，可賦以一個(gè)實(shí)數(shù)，稱為權(quán)，頂點(diǎn)連同它邊上的權(quán)稱為賦權(quán)圖。若H是賦權(quán)圖的一個(gè)子圖，則H的權(quán)W（H）=∑e∈E（H）w（e）賦權(quán)圖中路P的長(zhǎng)定義為W（P），距離d（u，v）定義為最短（u，v）路的長(zhǎng)。在一個(gè)賦權(quán)圖中找出某類具有最?。ɑ蜃畲螅?quán)的子圖，其中之一就是最短路徑問(wèn)題。常用的求解最短路徑的算法有Dijkstra算法、Bellman-Ford算法、Floyd算法等。

2跨攝像頭乘客最優(yōu)路徑獲取方法

在本文的研究中，將跨攝像頭乘客視頻分析過(guò)程看作一個(gè)排隊(duì)系統(tǒng)，那么可供分析的監(jiān)控?cái)z像機(jī)視頻是顧客來(lái)源，需要分析的監(jiān)控?cái)z像機(jī)視頻是排隊(duì)等候服務(wù)的顧客，視頻分析系統(tǒng)是服務(wù)機(jī)構(gòu)，系統(tǒng)遵從先到先服務(wù)、等待機(jī)制的服務(wù)規(guī)則，如圖3表示。

在此排隊(duì)系統(tǒng)中對(duì)輸入過(guò)程進(jìn)行優(yōu)化，可有效提高排隊(duì)系統(tǒng)效率，即對(duì)可供分析的多個(gè)監(jiān)控?cái)z像機(jī)視頻進(jìn)行最優(yōu)選擇，獲取代表乘客最優(yōu)行動(dòng)路徑的攝像機(jī)監(jiān)控視頻集合，作為排隊(duì)等候的顧客。此方法可減少不必要的監(jiān)控?cái)z像機(jī)視頻排隊(duì)等待服務(wù)，有效減少系統(tǒng)分析時(shí)間，提高視頻分析系統(tǒng)效能。

在現(xiàn)實(shí)世界中，許多復(fù)雜問(wèn)題都可以被描述為有向圖及在其上的遍歷問(wèn)題，將軌道交通節(jié)點(diǎn)各設(shè)施之間的位置關(guān)系和乘客運(yùn)動(dòng)軌跡用有向圖表示，假設(shè)某個(gè)節(jié)點(diǎn)設(shè)施關(guān)系和某乘客行動(dòng)軌跡情況如圖4表示。

將站點(diǎn)中每處設(shè)施結(jié)點(diǎn)（如進(jìn)站口、安檢口、樓梯、地鐵門(mén)等）的監(jiān)控?cái)z像機(jī)作為圖中有向圖的頂點(diǎn)，依次對(duì)頂點(diǎn)的監(jiān)控視頻進(jìn)行目標(biāo)分析，可以追蹤到目標(biāo)乘客從進(jìn)站到乘坐列車的行動(dòng)軌跡。從圖4可以看出，目標(biāo)乘客可能從進(jìn)站口1或者進(jìn)站口2進(jìn)站，此結(jié)點(diǎn)經(jīng)過(guò)的頂點(diǎn)為v1或v2，進(jìn)站后可能從3個(gè)安檢口中的任意一個(gè)安檢，此結(jié)點(diǎn)經(jīng)過(guò)的頂點(diǎn)為v3、v4、v5，依次類推，下樓梯經(jīng)過(guò)的頂點(diǎn)為v6、v7、v8、v9，上地鐵經(jīng)過(guò)的頂點(diǎn)為v10、v11、v12…，找到目標(biāo)乘客經(jīng)過(guò)每個(gè)結(jié)點(diǎn)處的頂點(diǎn)則可追蹤到該乘客的行動(dòng)軌跡。實(shí)際生活中的設(shè)施結(jié)點(diǎn)很多也更復(fù)雜，采用隨機(jī)遍歷或拓?fù)渚W(wǎng)絡(luò)的方式確定目標(biāo)乘客在每個(gè)結(jié)點(diǎn)處的頂點(diǎn)，以此來(lái)追蹤乘客行動(dòng)軌跡將讓系統(tǒng)變得低效。如何提高這個(gè)過(guò)程的效率，是本文研究的內(nèi)容。

基于加權(quán)有向圖理論基礎(chǔ)［11］，將圖4進(jìn)一步優(yōu)化。定義一個(gè)有向加權(quán)圖G=（V，E，W），定義設(shè)施結(jié)點(diǎn)集合為P=p1，p2，…，pn，頂點(diǎn)集合表示為V=V（p1），V（p2），…，V（pn），則V（pi）=vi1，vi2，…，vij，其中0≤i≤n，j為結(jié)點(diǎn)i下的1～j個(gè)頂點(diǎn)，如圖5示例。

在這里不采用常規(guī)的邊加權(quán)方式進(jìn)行討論，而采用頂點(diǎn)加權(quán)。在基于頂點(diǎn)加權(quán)的模型中，使用圖算法來(lái)搜索乘客在不同攝像頭之間的最優(yōu)路徑。與傳統(tǒng)的邊加權(quán)方法不同，路徑搜索時(shí)考慮的是節(jié)點(diǎn)（攝像頭）之間的權(quán)重，而非傳統(tǒng)只采用邊的權(quán)重。頂點(diǎn)權(quán)重集合表示為W=w11，w12，…，wij，（其中wij是頂點(diǎn)vij的權(quán)重），定義頂點(diǎn)權(quán)重為wij=Aij·Tij·Bij。其中Aij為頂點(diǎn)vij的監(jiān)控視頻找到目標(biāo)乘客的概率，可以基于歷史數(shù)據(jù)、人流密度、人臉識(shí)別算法等信息來(lái)估計(jì)；Tij為乘客經(jīng)過(guò)頂點(diǎn)vij代表的監(jiān)控?cái)z像機(jī)的時(shí)長(zhǎng)；Bij為頂點(diǎn)vij的監(jiān)控視頻的清晰度，較好的攝像頭將具有較高的權(quán)值。

將某設(shè)施結(jié)點(diǎn)處的頂點(diǎn)集合中，權(quán)重A、T、B值均最大的頂點(diǎn)作為此結(jié)點(diǎn)處的最優(yōu)選擇頂點(diǎn)。為了找到乘客到達(dá)設(shè)施結(jié)點(diǎn)的最短路徑，可以定義最優(yōu)選擇頂點(diǎn)為具有最小的權(quán)重值和路徑長(zhǎng)度的頂點(diǎn)，定義為乘客到此結(jié)點(diǎn)的最短路徑minpi，記為

min pi=minW（v）+d（v），（1）

其中，v表示設(shè)施結(jié)點(diǎn)上的頂點(diǎn)，W（v）表示該頂點(diǎn)的權(quán)重值，d（v）表示從起始節(jié)點(diǎn)到達(dá)該頂點(diǎn)的路徑長(zhǎng)度［12］。由此可得出

min P=minp1，min p2，…，minpn，（2）

定義求得的min P為目標(biāo)乘客從某一階段到下一階段的最優(yōu)選擇路徑，即為追蹤乘客行動(dòng)軌跡的最優(yōu)路徑。

在實(shí)際追蹤乘客行動(dòng)軌跡的過(guò)程中，如果在當(dāng)前設(shè)施結(jié)點(diǎn)選擇的 最優(yōu)頂點(diǎn)未找到目標(biāo)乘客，則在當(dāng)前結(jié)點(diǎn)剩下的頂點(diǎn)集合中再次運(yùn)用公式（1）選擇最優(yōu)頂點(diǎn)，直到在當(dāng)前結(jié)點(diǎn)追蹤到乘客信息。

3實(shí)例驗(yàn)證與討論

3.1實(shí)例驗(yàn)證

為了確保頂點(diǎn)加權(quán)方法的準(zhǔn)確性與可行性，選取某地鐵站2023年5月1日—5日共5天，篩選早高峰 7：00—9：00 的人流量數(shù)據(jù)，以早高峰日出行均值數(shù)據(jù)為分析對(duì)象。此外，還收集了與乘客進(jìn)站軌跡相關(guān)的數(shù)據(jù)，包括進(jìn)站口、安檢口、樓梯和地鐵門(mén)的位置信息，以及收集攝像頭監(jiān)控視頻數(shù)據(jù)，如視頻的清晰度和持續(xù)時(shí)間等信息。該地鐵站布置圖如圖6所示。

首先將使用普通遍歷方法以及頂點(diǎn)加權(quán)的方法來(lái)搜索地鐵站中某一位乘客的進(jìn)站軌跡。在給定的路徑選擇中，有多個(gè)路徑可供乘客選擇，每條路徑都由進(jìn)站口點(diǎn)位、安檢口點(diǎn)位、樓梯點(diǎn)位和地鐵門(mén)點(diǎn)位組成。通過(guò)不同的組合，乘客可以選擇從不同的進(jìn)站口進(jìn)入，通過(guò)相應(yīng)的安檢口進(jìn)入地鐵站，然后使用樓梯前往不同的地鐵門(mén)點(diǎn)位。如圖6所示，乘客可選擇從進(jìn)站口v11—安檢口點(diǎn)位v21—樓梯點(diǎn)位v31—地鐵門(mén)點(diǎn)位v41，或可選擇v11—v22—v31—v41或v11—v21—v32—v41…以此類推，遍歷所有的選擇方案，共需查找144條攝像頭路徑，時(shí)間共計(jì)960 min，以實(shí)現(xiàn)追蹤人員軌跡。如表1所示。

以圖6為基礎(chǔ)，賦予各點(diǎn)位相應(yīng)的權(quán)值，如圖7所示。當(dāng)使用監(jiān)控視頻找到目標(biāo)乘客的概率、乘客經(jīng)過(guò)頂點(diǎn)vij代表的監(jiān)控?cái)z像機(jī)的時(shí)長(zhǎng)及頂點(diǎn)vij的監(jiān)控視頻的清晰度作為頂點(diǎn)權(quán)值，并根據(jù)邊權(quán)值來(lái)計(jì)算規(guī)劃最短、最優(yōu)路徑后，按照路徑優(yōu)先順序追蹤人員軌跡，最短一條路徑即可查找完畢，查找到此乘客軌跡為進(jìn)站口v11—安檢口v22—樓梯v33—地鐵門(mén)v41，總用時(shí)20 min，效率提升最高可達(dá)97.9%以上。

3.2討論與分析

為了確保頂點(diǎn)加權(quán)方法的準(zhǔn)確性與可行性，將選取的高峰日出行均值數(shù)據(jù)為分析對(duì)象，使用廣度優(yōu)先搜索、深度優(yōu)先搜索、頂點(diǎn)加權(quán)搜素來(lái)進(jìn)行客流軌跡搜索對(duì)比。

將這5天站點(diǎn)客流軌跡提取出300個(gè)乘客樣本，使用廣度優(yōu)先搜索、深度優(yōu)先搜索、頂點(diǎn)加權(quán)要素來(lái)進(jìn)行搜索。為了確保準(zhǔn)確性，將搜索結(jié)果取均值，結(jié)果如表2所示。

通過(guò)結(jié)果對(duì)比，可以得出基于排隊(duì)論理論和頂點(diǎn)加權(quán)有向圖理論的頂點(diǎn)加權(quán)搜索方法在搜索乘客軌跡方面相比廣度優(yōu)先搜索和深度優(yōu)先搜索算法具有顯著的優(yōu)勢(shì)。這種方法的高效性體現(xiàn)在平均搜索次數(shù)和平均搜索時(shí)間的顯著提升。平均搜索次數(shù)從廣度優(yōu)先搜索的161.32次減少到35.52次，平均搜索時(shí)間從廣度優(yōu)先搜索的322.64 s減少到71.04 s。這意味著頂點(diǎn)加權(quán)搜索方法在搜索效率方面提高了78%。

綜上所述，基于排隊(duì)論理論和頂點(diǎn)加權(quán)有向圖理論的高效選擇監(jiān)控?cái)z像機(jī)視頻的方法在搜索乘客軌跡方面具有明顯的優(yōu)勢(shì)。該方法通過(guò)賦予攝像頭權(quán)值并應(yīng)用加權(quán)計(jì)算，能夠找到城市軌道交通節(jié)點(diǎn)上目標(biāo)乘客的最優(yōu)運(yùn)動(dòng)路徑，從而實(shí)現(xiàn)對(duì)跨攝像頭目標(biāo)乘客行動(dòng)軌跡的高效追蹤。

4結(jié)論與展望

本文基于排隊(duì)論的理論基礎(chǔ)，利用定義的監(jiān)控?cái)z像頭權(quán)重和最短路徑公式，提出跨攝像頭乘客行動(dòng)軌跡識(shí)別方法，搜索效率可提高78%，從而縮短視頻分析系統(tǒng)的分析時(shí)間，提高系統(tǒng)效能。

基于本研究的結(jié)果，可以進(jìn)一步改進(jìn)，不斷改善軌道交通規(guī)劃系統(tǒng)，結(jié)合智能化技術(shù)和用戶導(dǎo)向的設(shè)計(jì)，為乘客提供更優(yōu)質(zhì)、高效和舒適的進(jìn)站體驗(yàn)，提高城市交通運(yùn)輸?shù)男屎统丝偷某鲂袧M意度。如將人流密度、車站設(shè)施等更多因素納入權(quán)重定義中，從而更準(zhǔn)確地評(píng)估路徑選擇和設(shè)施結(jié)點(diǎn)的重要性；通過(guò)實(shí)時(shí)數(shù)據(jù)與交通管理系統(tǒng)或乘客移動(dòng)數(shù)據(jù)的集成，實(shí)現(xiàn)定期更新權(quán)重和路徑，以適應(yīng)交通狀況的變化，并為乘客提供實(shí)時(shí)導(dǎo)航和路徑推薦；將地鐵路徑規(guī)劃與智能交通系統(tǒng)相結(jié)合，為乘客提供更多元化的路徑選擇和綜合交通信息。

同時(shí)本文提出的頂點(diǎn)3個(gè)權(quán)重以及最大加權(quán)頂點(diǎn)的理論具有拓展性，在其他行業(yè)及領(lǐng)域具有適用性。

參考文獻(xiàn)：

［1］王栓杰， 李華， 陳智博. 基于全局圖遍歷的加權(quán)頻繁模式研究［J］. 中國(guó)新通信，2016， 18（19）： 155. DOI： 10.3969/j.issn.1673-4866.2016.19.120.

［2］李守杰， 朱益龍， 柏澤鈿. 基于云平臺(tái)架構(gòu)的視頻監(jiān)視系統(tǒng)技術(shù)應(yīng)用［J］. 城市軌道交通研究， 2021， 24（12）： 190-193. DOI： 10.16037/j.1007-869x.2021.12.039.

［3］趙軍鋒， 莊懷東， 趙亮， 等. 大規(guī)模數(shù)據(jù)并發(fā)環(huán)境下視頻監(jiān)控系統(tǒng)的研究與實(shí)現(xiàn)［J］. 都市快軌交通， 2016， 29（6）： 11-15. DOI： 10.3969/j.issn.1672-6073.2016.06.003.

［4］甘超瑩， 甘建文， 顧野. 基于圖像識(shí)別技術(shù)的城市軌道交通車站智能視頻監(jiān)控系統(tǒng)的設(shè)計(jì)與應(yīng)用［J］. 城市軌道交通研究， 2023， 26（2）： 76-80. DOI： 10.16037/j.1007-869x.2023.02.017.

［5］李小斌， 吳宏岐， 袁戰(zhàn)軍， 等. 智能視頻監(jiān)控系統(tǒng)關(guān)鍵技術(shù)及算法研究［J］. 控制工程， 2016， 23（S1）： 18-22. DOI： 10.14107/j.cnki.kzgc.150047.

［6］馮凌， 熊德智， 楊華夏， 等. 基于4G網(wǎng)絡(luò)的防竊電智能視頻監(jiān)控終端設(shè)計(jì)［J］. 自動(dòng)化與儀表， 2017， 32（8）： 48-52. DOI： 10.19557/j.cnki.1001-9944.2017.08.012.

［7］朱向軍， 毛劍飛， 鮑衛(wèi)兵. 基于達(dá)芬奇技術(shù)的智能視頻監(jiān)控終端的開(kāi)發(fā)［J］. 電信科學(xué)，2011， 27（2）： 100-104. DOI： 10.3969/j.issn.1000-0801.2011.02.019.

［8］方浩， 李艾華， 王濤. 基于 DM6437的智能視頻監(jiān)控系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)［J］. 計(jì)算機(jī)應(yīng)用與軟件， 2016， 33（2）： 192-196. DOI： 10.3969/j.issn.1000-386x.2016.02.046.

［9］梁貴， 滕廣華， 羅傳，等. 基于圖算法的跨攝像頭多目標(biāo)追蹤技術(shù)模型［J］. 電腦知識(shí)與技術(shù)， 2023， 19（14）： 29-32. DOI： 10.14004/j.cnki.ckt.2023.0742.

［10］孫平安， 譚秋月， 郭進(jìn)輝. 基于頂點(diǎn)加權(quán)有向圖與邊加權(quán)圖的景區(qū)動(dòng)態(tài)客流統(tǒng)計(jì)與預(yù)測(cè)［J］. 蘇州科技學(xué)院學(xué)報(bào)（自然科學(xué)版）， 2012， 29（3）： 61-65. DOI： 10.3969/j.issn.1672-0687.2012.03.012.

［11］蹇冬宇， 程永利. 基于廣度優(yōu)先遍歷加權(quán)圖生成的啟發(fā)式圖分區(qū)［J］. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2023， 32（12）： 218-223. DOI： 10.15888/j.cnki.csa.009314.

［12］高駿濤. 基于行人重識(shí)別和姿態(tài)估計(jì)的跨攝像頭多目標(biāo)跟蹤算法研究［D］. 杭州： 杭州電子科技大學(xué)， 2022.