基于时空概率的机场航站楼人员轨迹还原方法

呼延智，李万明

应用研究

基于时空概率的机场航站楼人员轨迹还原方法

呼延智，李万明

（首都机场集团科技管理有限公司，北京 100621）

在新冠肺炎疫情席卷全球的背景下，病例等重点人员轨迹还原对于机场航站楼这类人群密集的公共场所的疫情防控工作至关重要。针对基于人工筛查的轨迹还原方法存在耗时长、效率低、出错率高等问题，本文采用深度学习和马尔可夫链技术，提出了一种基于时空概率的机场航站楼人员数字化轨迹还原方法。本方法在北京大兴国际机场进行实验测试，结果表明，本方法生成的人员轨迹平均准确率达85%以上，同时单次轨迹还原时长可控制在2小时内。

轨迹还原 行人重识别 人脸识别 马尔可夫链

0 引言

2020年以来的新冠肺炎疫情（以下简称“疫情”）对于政府的精准防控策略提出了巨大挑战[1～2]。机场航站楼作为公共出行的“门户”，人群较为聚集且行人停留时间较长，是安全防范和疫情防控的重点区域。在机场航站楼的疫情防控工作中，如果能及时准确地筛查、追踪病例的密切接触人群，并即时预警，那么就能有效避免疫情的大范围扩散，而此项工作的核心是对病例这类重点人员的历史轨迹进行还原。当前机场的人员轨迹还原还是采用人工筛查的方式，该传统人工方法需要工作人员对视频录像中的人员进行人工识别和筛选，再将筛选出来的影像文件交给公安、疾控等机构进一步确认身份并进行溯源。这种工作方式在筛查与研判上需要投入较多人力，导致耗费时间长、效率低下、出错率高等问题。随着近年深度学习算法的兴起，基于人脸识别和行人重识别技术的人员轨迹还原技术得到了迅速发展，这两类方法的流程主要是通过对摄像头采集到的行人的人脸图像和人体图像进行识别，从而还原人员的轨迹。由于机场实际环境中的监控数据质量难以保障，上述技术往往不足以实现重点人员的完整轨迹生成。基于上述背景，本文立足于机场航站楼监控数据，结合人脸识别、行人重识别技术以及马尔可夫理论，提出了一种基于时空概率的机场航站楼重点人员数字化轨迹还原方法。本方法相较于传统人工方法和仅基于人脸识别或行人重识别技术的人员轨迹还原方法具有如下优势：

1）高效的视频信息提取。相较于传统人工方法，本文提出的人员轨迹还原技术能够有效降低人工成本，同时通过结合人脸识别和行人重识别等人工智能技术，更高效地提取监控视频中信息。

2）特征融合的人员识别。相较于基于人脸识别/行人重识别的轨迹还原技术，本文结合了这两类技术，构建了结合了人脸特征和人体特征的重点人员特征库，进而提升监控数据质量较差情况下的人员识别的准确率。

3）历史数据赋能的轨迹还原。由于人脸识别和行人重识别技术都受制于数据源质量且机场中的摄像头部署位置大多较高，难以在所有区域都生成高质量的监控数据，即使结合了两类技术仍难以实现较完整的轨迹还原。因此本方法进一步利用真实旅客历史轨迹数据构建了一个基于马尔可夫链的时空轨迹模型，利用时空概率对重点人员完整轨迹的还原与验证进行辅助，不但减少了轨迹分析所需的工程量，同时还降低了对于监控摄像头的数量需求，避免了对旅客的过度监视，从而有效减少经济成本，提升用户体验。

本方法在北京大兴国际机场进行了实际部署及测试。测试结果表明本文提出的轨迹还原方法能够高效还原重点人员的轨迹且准确率达到了85%以上，满足机场对轨迹还原在准确率和时间效率的要求，其可以在接到防疫办阳性旅客协查通知后，快速还原该旅客在航站楼内的行动轨迹，从而筛查出同封闭空间的密接旅客，实现对疫情快速有效的阻断，具有极高的现实意义。

本文第1节介绍人员轨迹还原的相关方法和研究现状。第2节介绍了本文提出的基于时空验证的数字化轨迹还原方法。第3节验证了本方法部署到真实场景下的有效性。第4节进行了本文的总结与展望。

1 相关工作

重点人员轨迹还原的核心在于对监控数据中的行人进行识别，目前主流的行人识别方法主要有人脸识别、行人检测以及行人重识别等，其中人脸识别主要根据人脸特征进行识别，而行人检测和行人重识别则主要根据人体特征进行识别。

1.1 人脸识别

常见的传统人脸识别方法主要包括基于面部几何特征的方法[3]、基于模板匹配的方法[4]和基于主成分分析（principalcomponentanalysis, PCA）的方法[5]等。然而上述人脸识别方法均存在一定局限性，很难适应机场这类实际环境复杂的场景。随着深度学习的快速发展，基于深度学习的人脸识别方法[6～7]逐渐开始取代传统的人脸识别方法。不同于传统方法，基于深度学习的人脸识别方法使用端到端学习的方式，避免了对特征的手动设计与提取，同时借助神经网络的泛化能力，其对于不同的光照、表情、姿态和遮挡等具有更好的适应性。

1.2 行人重识别

由于对行人的行动轨迹还原任务往往需要多摄像头配合来实现，这种跨摄像头行人关联的方法也被称为行人重识别技术。在行人重识别方法研究中，传统方法同样存在依赖手工特征，在现实应用场景下的识别性能较弱的缺陷，因此随着深度学习的兴起，目前行人重识别相关研究广泛使用的是基于深度学习的方法[9-11]。尽管有关行人重识别的研究已经取得了许多成果，但在实际应用时仍存在图像质量导致的识别率差的问题。

2 基于时空概率的数字化轨迹还原方法

本文提出的基于时空概率的机场航站楼重点人员数字化轨迹还原方法在原有的视频监控系统和资源下，首先对重点人员人脸数据进行识别以生成重点人员行动轨迹骨架，然后基于多摄像头数据将重点人员的人脸数据与人体数据进行关联并构造重点人员的特征库，最后，根据基于真实历史轨迹样本构建的马尔可夫链时空轨迹模型，结合重点人员行动轨迹骨架中节点的时空上下文信息，实现重点人员完整轨迹的还原后，结合特征库对历史视频信息进行检索，实现对完整轨迹的验证。由于基于深度学习的人脸识别和行人重识别算法已经有相当高的识别精度并且被大量应用到实际场景中，因此本方法选用了人脸识别算法ArcFace[7]和行人重识别算法TransReID[12]进行机场人员识别。

本文提出的人员轨迹还原技术的主要步骤流程图如图1所示。

图1 基于时空验证的数字化还原预警技术流程图

2.1 前期准备

图2 北京大兴国际机场部分路径拓扑网络

2.2 获取重点人员初始数据

在完成拓扑网络的构建后，可以接下来将进行重点人员数字化轨迹还原流程的描述。轨迹还原的第一步是获取重点人员初始数据，生成重点人员轨迹骨架。重点人员的初始数据以人脸数据为主，主要来源于第三方系统数据、重点人员已知数据和重点区域可抓取人脸的数据。通过这些初始数据能获得重点人员的若干零散位置，通过连接这些零散位置能够初步绘制出重点人员的轨迹骨架，如图3所示。

图3 重点人员的轨迹骨架

2.3 迭代更新重点人员特征库

依据初始数据中的人脸信息数据构建初始的重点人员特征库，然后通过调取重点人员轨迹骨架中各节点所在区域的全部摄像头的图像数据进行识别分析和关联分析，不断丰富和完善重点人员特征库。重点人员特征库的更新过程如下所述：

1）首先，对图像进行识别分析，如果通过人脸识别技术能识别出图像中的人脸，则捕获此图像中重点人员的人体信息并加入特征库。

2）当图像无法用特征库中的信息识别时，如大面积遮挡、大面积模糊等，需要调用与当前图像摄像机相关联的摄像机（如附近的机位）同时刻的图像，对新图像进行识别分析。

2.4 区域路径延拓

在完成轨迹骨架生成以及特征库构建后，需要在重点人员轨迹骨架的基础上进行区域路径延拓以补全缺失的轨迹节点和边。区域路径延拓的主要流程可以分为路径延拓和视频验证两个步骤，其中，路径延拓的主要方式是单节点延拓和双节点延拓，两种方式都基于时空轨迹模型实现。

（i）单节点延拓，即根据路径拓扑网络中的已知轨迹节点预测下一个缺失节点和缺失边，缺失节点与缺失边属于当前轨迹节点相连的边和相邻的节点的集合。单节点延拓通常用于对已知轨迹的端点进行延拓。

通过上述路径延拓，可以对重点人员轨迹骨架进行丰富，得到新的重点人员轨迹。

2.5 轨迹完整度分析

在区域路径延拓后，需要根据重点人员的轨迹信息判定轨迹是否完整，完整的轨迹应具备以下2个特征：

1）起始/终止节点：即重点人员的轨迹信息的起始/终止节点应为航站楼的出入口类节点，如1号门、地铁出入口、登机口等；

2）符合经验设定的时间间隔的中间节点：即重点人员轨迹中的任意两个非端点节点之间需要满足通行时间间隔小于3分钟或节点间距离小于100米。

通过上述轨迹完整度判定，如果重点人员轨迹完整，则终止分析并输出重点人员完整轨迹，如图4所示。如果重点人员轨迹不完整，则需要进一步延拓和分析重点人员轨迹。

图4 还原后的重点人员完整轨迹

3 实验分析

3.1 方法部署

基于第二章提出的轨迹还原方法，本文开发了一个机场重点人员数字化追踪预警平台并以北京大兴国际机场为实际测试环境进行了平台的部署。在测试过程中，本平台被部署在大兴国际机场ITC机房GPU服务器，并统一接入大兴国际机场安防网络，历史数据流的获取是通过GB28181-2016对接的形式与大兴国际机场提供的海康平台进行对接，航站楼各楼层地图信息是通过GIS地图提供的API接口进行获取。

3.2 测试结果

本文对测试人员的选取均衡覆盖了各个年龄段及性别，对测试轨迹数据也尽可能均衡选取覆盖了机场航站楼的各层入口、各个登机口以及各出口，同时覆盖了一天中的各个时间段。结果表明本文提出的基于时空概率的数字化轨迹还原方法生成的重点人员轨迹的准确率可达85%以上，单次追踪时长可以控制在两个小时内。本文选取一次测试结果进行展示，测试时间是2022年12月15日下午，测试人员是一名大兴机场航站楼管理部工作人员。

真实轨迹展示：该工作人员的真实行动轨迹如图5所示。

测试人员初始数据提取：在机场人脸采集系统中提取一张测试人员的人脸照片，并在机场离港信息系统中获取楼内旅客航班信息、值机岛信息、过检信息及登机口信息，进而形成该人员轨迹骨架。

图5 测试人员真实路径

图6 系统分析路径

表1 真实路径与系统分析路径对照

路径延拓及验证：基于上述轨迹骨架，进行区域路径延拓对该人员的完整轨迹进行还原与验证。最终系统生成的该人员轨迹如图6所示。表1给出了测试人员真实轨迹与平台分析生成的轨迹的对比并给出了平台生成的轨迹的准确率。

4 总结

针对新冠肺炎疫情的冲击带来的疫情防控需求，本文提出了一种基于时空概率的机场重点人员数字化轨迹还原方法，该方法首先基于人脸数据生成重点人员的行动轨迹骨架并基于人脸数据，结合多摄像头视频图像数据，进行重点人员特征库的构建与更新。之后根据真实历史轨迹样本构建基于马尔可夫链的时空轨迹模型，结合轨迹骨架中节点的时空上下文信息，实现重点人员轨迹缺失点的补全。最后，利用人脸识别和行人重识别技术，结合时空轨迹模型对完整轨迹进行验证。基于本文提出的数字化轨迹还原方法，本文以北京大兴机场为实际部署环境进行了大量实际测试以验证本文方法的有效性。测试结果表明，本方法能够基于机场现有视频系统和资源实现高效且高准确度的重点人员轨迹还原，显著提升了机场疫情防控能力，同时数字化技术的引入能够有效减轻人工的参与，提升工作效率，具有较大的社会效益

[1] 欧阳康. 超大城市新冠肺炎疫情精准防控体系构建探讨[J]. 国家治理, 2022(20): 47-51.

[2] Kong X F, Chang Y F, Fan M, et al. Analysis on the thermal performance of low-temperature radiant floor coupled with intermittent stratum ventilation (LTR-ISV) for space heating[J]. Energy Build, 2023, 278: 112623.

[3] Ouarda W, Trichili H, Alimi A M, et al. Face recognition based on geometric features using support vector machines[C]//2014 6th International Conference of Soft Computing and Pattern Recognition (SoCPaR). Tunis, Tunisia: IEEE, 2014: 89-95.

[4] Karungaru S, Fukumi M, Akamatsu N. Face recognition using genetic algorithm based template matching[C]//IEEE International Symposium on Communications and Information Technology, 2004, ISCIT 2004. Sapporo, Japan: IEEE, 2004: 1252-1257.

[5] Kim K I, Jung K, Kim H J. Face recognition using kernel principal component analysis[J]. IEEE Signal Process Lett, 2002, 9(2): 40-42.

[6] Taigman Y, Yang M, Ranzato M A, et al. DeepFace: closing the gap to human-level performance in face verification[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus, OH, USA: IEEE, 2014: 1701-1708.

[7] Deng J K, Guo J, Xue N N, et al. ArcFace: additive angular margin loss for deep face recognition[C]//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Long Beach, CA, USA: IEEE, 2019: 4685-4694.

[8] Wu S J, Gong X. BoundaryFace: a mining framework with noise label self-correction for face recognition[EB/OL]. (2022-10-10) https://arxiv.org/abs/2210.04567.

[9] Li W, Zhao R, Xiao T, et al. DeepReID: deep filter pairing neural network for person re-identification[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. Columbus, OH, USA: IEEE, 2014: 152-159.

[10] 张帅宇, 彭力, 戴菲菲. 基于渐进式注意力金字塔的行人重识别方法[J]. 计算机科学, 2023, 50(S1): 452-459.

[11] Cao C Z, Fu X Y, Liu H J, et al. Event-guided person re-identification via sparse-dense complementary learning[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Vancouver, BC, Canada: IEEE, 2023: 17990-17999.

[12] He S T, Luo H, Wang P C, et al. TransReID: transformer-based object re-identification[EB/OL]. (2021-3-26). https://arxiv.org/abs/2102.04378.

Trajectory restoration method for key individuals in airport terminal buildings based on spatial-temporal probability

Hu Yanzhi, Li Wanming

(Capital Airports Technology Management Company Limited,Beijing 100621, China)

TP311

A

1003-4862（2023）09-0021-06

2023-07-08

呼延智（1977-），男，硕士研究生。E-mail: huyanzhi@sina.com.cn