COVID-19接触者追踪的地理空间大数据方法的研究

沙特国王大学学报基于人员重新识别和地理空间数据的拳击张a，b，桓磊a，蔡英杰c，钟振宇a，焦泽宇a，a广东省现代控制技术重点实验室，广东省科学院智能制造研究所，广州，中国b昆明理工大学信息工程与自动化学院，中国昆明c香港中文大学电子工程系，中国香港阿提奇莱因福奥文章历史记录：2022年10月9日收到2023年3月8日修订2023年4月9日接受2023年4月17日在线提供保留字：COVID-19地理空间数据公共卫生A B S T R A C T有效的接触者追踪是预防COVID-19传播的关键一步。然而，目前的方法在很大程度上依赖于人工调查和高风险个人的真实报告。还采用了移动应用程序和基于蓝牙的联系人追踪方法，但隐私问题和对个人数据的依赖限制了其有效性。针对这些问题，提出了一种结合人员身份识别和地理空间信息进行接触追踪的地理空间大数据方法。提出的实时人员重新识别模型可以识别跨多个监控摄像头的个人，并将监控数据与地理信息融合并映射到3D地理空间模型上以跟踪移动轨迹。经过实际验证，该方法的一次准确率为91.56%，前五次准确率为97.70%，平均精度为78.03%，推理速度为13 ms/幅图像。重要的是，所提出的方法不依赖于个人信息、移动电话或可穿戴设备，避免了现有接触者追踪方案的局限性，并为后COVID-19时代的公共卫生提供了重大意义。版权所有2023作者。由爱思唯尔公司出版代表沙特国王大学这是一个开放的访问CC BY-NC-ND许可证下的文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍COVID-19是一种全球性传染病大流行，对全球经济产生深远影响（Jardou and Lawson，2021）。大多数国家和地区已经实施了预防和控制病毒传播的措施（Zhou et al.，2020年）。然而，由于其高传染性、长潜伏期、大量无症状携带者和新突变株的出现，该流行病尚未得到充分控制，全球预防和控制该流行病的努力仍面临巨大压力（Abeler et al.， 2020年）。封锁、接触者追踪、核酸检测、卫生和隔离是遏制艾滋病传播的必要措施。*通讯作者。电子邮件地址：giim.ac.cn（Z. Jiao）。沙特国王大学负责同行审查制作和主办：Elsevier爆发（Bradshaw等人， 2021年）。一旦确诊病例，至关重要的是要回顾性地确定接触人群，以了解传播途径和时间轴。 这是因为隔离密切接触的个人和封闭关键区域可以显著遏制疫情的传播（Patelet al.， 2020年）。因此，接触者追踪是流行病预防和控制的第一步（Ferretti et al.，2020年）。Hellewell等人的模拟模型。（2020年）表明，有效的接触者追踪和病例隔离可以在大多数情况下在三个月内控制新的COVID-19爆发。有鉴于此，接触者追踪是许多国家为遏制COVID-19传播而采取的基本策略（Nuzzo et al.， 2020年）。然而，接触者追踪是一个劳动密集型过程，携带疾病的个体（指示病例）可能会访问多个公共场所并接触数百人（Jali，2021）。在传统的接触者追踪中，公共卫生工作者需要采访索引病例，然后逐个追 踪 每 个 接 触 者 （ Pollmann 等 人 ， 2021 年 ） 。 最 近 的 研 究（Sharma等人，2020; Martin等人，2020;Idrees等人，2021年）的研究表明，数字接触跟踪（DCT）可以成为控制COVID-19爆发的快速有效工具。大多数现有的接触跟踪系统利用通信基站、全球定位系统（GPS）和蓝牙技术来开发相关的移动应用或https://doi.org/10.1016/j.jksuci.2023.1015581319-1578/©2023作者。由爱思唯尔公司出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comB. Zhang，H.雷，Y。Cai等人沙特国王大学学报2可穿戴跟踪设备（Ali等人，2020; Ali等人，2021; Brar等人，2022年）。然而，基于通信的跟踪受限于其低准确度，并且只能用于基于基站位置的地理空间信息的粗略跟踪（Tizzoni等人， 2014年）。基于GPS的跟踪可以实现更高的准确性，但由于个人位置数据是敏感和私密的，因此引起了对侵犯隐私的担忧（Sharma等人，2020年）。基于蓝牙的技术通过在短距离内通过移动设备之间的通信识别联系人来在准确性和隐私问题之间取得平衡（McLachlan等人，2020年）。然而，这种方法的有效性取决于当地人的智能手机可用率以及他们安装应用程序和打开蓝牙的意愿，这在当前情况下具有挑战性（Zhao等人， 2020年）。此外，这种方法严重依赖于智能手机，不包括那些不方便使用智能手机的人，例如老年人和盲人（Hernánal-Orallo等人， 2020年）。相比之下，人员重新识别技术在密切接触者跟踪中具有显著的优势（Narayan等人，2017年）。人的再识别作为人工智能的发展，旨在识别和跟踪目标个人，开放的环境和多个摄像机场景（Wu等人，2019年）。一些强大的模型在识别公共数据集方面甚至超过了人类（Ye等人，2021年）。目前广泛使用的监控摄像机提供了部署和实施人员重新识别的可能性。将监测数据与这些摄像头的地理空间信息相结合，可以为传染病预防和治疗提供地理空间大数据（Wu et al.，2021年）。然而，人重新识别模型的准确性受到自然光照变化以及视频监控中人体的大小和拍摄角度的限制（Cheng等人，2020; Jiao等人，2020年）。另外，现有监视摄像机的地理信息被限制在2D空间（即，相机的纬度和经度），使其具有挑战性在流行病传播的主要区域，如室内发挥作用（Kumar等人， 2021年）。为了克服上述挑战，本研究提出了一种地理空间大数据方法，该方法将人员重新识别和地理空间信息相结合，以自动跟踪COVID-19接触者。首先，基于公共数据集，构建了一个实时的人重新识别模型，以识别不同监控摄像机中的同一个人。然后，将监控数据与摄像机的地理位置融合，并映射到3D地理空间模型，以跟踪接触者的移动轨迹。最后，在一个办公楼的室内场景中验证了该方法的有效性，在该场景中预先收集了工作人员和来访者的个人全身图像和联系信息数据库。当COVID-19接触者出现在办公楼中时，所提出的方法可以通过选择数据库中的接触者图像作为识别样本来自动识别接触者的实时位置。检索过去14天的监控视频，系统自动标记检测到接触的摄像头，并根据摄像头的时间序列和地理空间信息绘制目标人的轨迹。这些信息可用于确定访问的关键地点高风险接触者，并通过活动跟踪找到次要接触者。接触时间和距离也可用于确定风险水平，使人群筛查更有针对性。所提出的方法不需要用户安装特定的移动应用程序或佩戴可穿戴设备，从而避免了对额外设备的需要。因此，该方法为跟踪COVID-19接触者提供了一种自动有效的方法，这对防疫和公共卫生本文的主要贡献如下：提出了一种基于人员再识别和地理空间数据的COVID-19接触者追踪方法，并讨论了其可行性和与现有方法相比的优势，为疫情防控提供了一种新的思路。针对视频监控中自然光照变化和人的多尺度、多角度等特点，提出了一种多模块的人再识别模型。摄像头的地理信息与监控数据相结合，形成地理空间大数据，映射到3D空间，跟踪联系人的移动轨迹。该方法完全依赖于视频监控和地理信息，消除了现有跟踪方案对额外设备和敏感数据的依赖。本研究的结构概述如下。第2节详细解释了所提出的方法如何应对前面提到的挑战，以及实验准备，包括数据集、实验设置、设施和评估指标。在第3节中，给出了实验结果。第4节更详细地检查和讨论了实验结果。最后，第5节提供了从这项研究中得出的结论，并提出了未来研究的潜在途径。2. 材料和方法在本节中，单独解释了所提出的方法，以说明所提出的方法如何工作及其在跟踪COVID-19接触者方面的优势。所提出的方法的总体方案如图1所示，其主要由人员重新识别模型和地理空间信息模型组成。所提出的方法包括四个部分：(1) 数据获取：本研究使用的数据包括公共数据集和验证数据。为了提高身份识别模型的鲁棒性，采用多个公共数据集的融合进行训练。另一部分数据是在真实场景中收集的，包括视频监控数据、摄像机的地理空间信息和建筑物的3D建筑模型。这些数据作为案例研究，以验证所提出的方法的性能。(2) 人员再识别：本研究采用多模块的人员再识别模型，以应对自然光照变化和视频监控中人员的多尺度、多角度的人员再识别模型是一种基于计算机视觉的技术，用于确定特定人员是否出现在图像或视频序列中，在本研究中，该模型是从视频监控中识别该人员是否为(3) 地理空间信息：通过将监控摄像头的地理空间信息与视频监控数据相结合，并映射到三维模型中，可以准确绘制出目标人物的运动轨迹。(4) 直接和间接接触追踪：根据步骤（3）中绘制的目标人员轨迹，可以及时发现目标人员的关键活动地点和密切接触者。通过重复上述步骤，我们可以扩大搜索范围，自动高效地找到直接和间接联系人。●●●●B. Zhang，H.雷，Y。Cai等人沙特国王大学学报31/4fgFG¼ð Þfgfg1/4 -100 g图1.一、所提出的方法的总体方案，它集成了人员重新识别和地理空间信息来跟踪COVID-19接触者。该系统利用多模块的人员重新识别模型和视频监控来定位目标人员，并将监控数据映射到基于地理信息生成的3D模型上，绘制目标人员的3D运动轨迹，以进行接触追踪。算法1. 建议方法的伪代码。2.1.1. 公共数据集Market1501（Ristani等人，2016）、MSMT17（Qian等人， 2019年），和CUHK03（Li等人，（2014）是三个常用的人输入：训练集xx1;x2;. 加载预训练模型的resnet50-IBN网络R，自约束空间变换网络（SC-BNN）。输出：优化的型号R.1：当未达到最大时期时，2：采用ResNet 50-IBN架构提取特征图，表示为F R x。3：提取的特征被分成三个分支，表示为F1;F2;F3，用于进一步处理。4：使用参数可控方法在有限空间中变换特征图，其中变换后的特征表示为SnSCF n其中n为1; 2;3。5：两个局部分支水平地划分特征图以提取局部特征，同时保留全局特征图。最终的输出特征包括两组：S21;S22;S31;S32;S33和F1;F2;F3。6：最终特征和预测概率分布是使用平均池化、通道压缩、批量归一化和全连接层获得的。7：三元组损失L三元组和交叉熵损失Lce用于全局特征，而仅交叉熵损失Lce用于局部特征。8：更新网络参数。9：结束时2.1. 数据采集人员重新识别模型从根本上说是一个数据驱动的深度学习模型，训练数据的多样性在其泛化和鲁棒性方面起着至关重要的作用（Huang etal.，2021年）。为了增强训练模型的鲁棒性和通用性，与现有的人员重新识别方法不同（Ning等人，2020年; Zhao等人，2021），通常分别评估模型在多个数据集上的性能，本研究在构建接触跟踪模型时采用多个数据集的融合作为训练集。此外，还从实际办公楼中收集了测试数据，以评估提出的接触跟踪方法作为一个典型的案例。重新识别公共数据集。Market1501数据集在清华大学校园内采集，于夏季拍摄，并于2015年构建并公开。MSMT17数据集是由12个室外摄像机和3个室内摄像机收集的大规模数据集，覆盖不同天气和不同时间段的视频监控。CUHK03数据集由香港中文大学收集，并于2014年出版。这三个数据集都是从真实场景中收集并手动标记的，涵盖了自然环境中的常见场景。这三个数据集的详细信息见表1。2.1.2. 列车数据采集为了满足大规模人员搜索和匹配的实际部署需求，增强模型在复杂现实场景中的重识别性能，构建大规模训练数据集是必不可少的。在这项 研 究 中 ， 我 们 实 施 了 一 个 多 数 据 集 融 合 策 略 ， 通 过 结 合Market1501，CUHK03和MSMT17数据集，开发了一个大规模的人重新识别数据集。该数据集包括3，902人的78，453张图像。2.1.3. 测试数据收集为了评估所提出的方法的性能，该方法将人员重新识别和地理空间信息结合起来用于接触跟踪，使用了两部分测试数据集。第一部分包括在真实场景中收集的监测数据，用于定量评估人员再识别模型的性能。多个摄像头被用来从不同的角度、距离和照明条件下捕捉人们的数据。如Qin等人所建议的（Qin等人，2020年），测试数据集仅限于14天内收集的监测数据，这是在超过90%的确诊COVID- 19病例的潜伏期内。测试数据集包含273个身份的2，280张图像，其中397张图像随机选择作为查询，其余1，883张图像用作图库。第二部分检测数据包括相应的病例数据，包括地理信息和流行病学调查数据，采集自位于中国广州市中心区域的一栋办公楼。B. Zhang，H.雷，Y。Cai等人沙特国王大学学报4×××表1人员重新识别公共数据集的详细信息数据集身份相机图像标记方法Market15011501632217手/手MSMT17410115126441Faster RCNNCUHK0314671013164手/手图二、用于评估所提出的人员重新识别方法的性能的测试集中的不同身份的示例每列表示从不同相机视图拍摄的同一人的图像，而每行表示由同一相机捕获的不同个体的图像来自测试集的三个不同的身份如图所示。 二、这些例子表明，由于拍摄距离的差异，同一个人的大小和亮度可能会有所不同。同样，同一个人可能在不同的拍摄时刻表现出不同的姿势，而不同的个体可能在外观上彼此相似。这种尺寸、颜色和外观的变化可能导致模型的错误识别。通过对实际使用场景中采集的测试数据进行实验，可以更有效地评估模型的鲁棒性和泛化能力。值得注意的是，在这项研究中，所有图像的大小调整为384 128像素（高度和宽度），以确保实验过程中的一致性。除了视频监控数据外，还收集了真实场景中的各种案例数据，以评估所提出方法的有效性。与传统的流行病学调查不同，传统的流行病学调查通常仅限于显示经度和纬度的2D地图收集的案例数据多种多样，包括系统部署期间记录此外，在建筑物入口处获得了进入建筑物的个人的图像及其相应的身份信息海康威视网络摄像头采用1=2：700英寸逐行扫描CMOS传感器，被选为此次活动的监控摄像头实验这些摄像机可以传输不同视角的图像，分辨率为1280720像素同时通过WiFi或网线传输到远程服务器。实验在Ubuntu 18.04操作系统上进行，使用包括Python opencv、numpy和Python编程语言的开源库。模型训练在八个NVIDIA Tesla P100图形处理单元（GPU）上进行。2.1.4. 评价标准与Karanam et al. （2018），本研究采用三个评估指标，即第一准确率（Rank-1），前五准确率（Rank-5）和平均平均精度（mAP）来评估人员重新识别模型的性能。具体来说，测试集图像被分成两组：查询和图库。对于每个查询，随机选择一个人的图像，并在图库中搜索与该人相似度最高的前十个图像。然后根据相似性排序结果计算评价指标，包括Rank-1、Rank-5和mAP。2.2. 人员重新识别人的重新识别被广泛认为是图像检索的子问题（Nguyen等人，2020），并且其旨在基于同一个人的监视图像从不同的相机视图检索个人的图像。该模型弥补了现有固定摄像机的视觉约束，可与人体检测和跟踪技术相结合，在智能视频监控、智能安防等领域具有广泛的应用前景。图3示出了人员重新识别的工作流程，其包括人员检测和识别两者如第1节所述，在自然环境中通过人员重新识别进行接触跟踪的有效性可能会受到照明变化、人员尺寸变化和拍摄角度等因素的影响。为了应对这些挑战，所提出的方法结合了多模块设计的概念（He例如，2020年），在个人重新识别模型中。该模型利用三个不同的模块来优化人体特征的表示，增强了模型在复杂环境中的再识别能力。图1所示的人员重新识别模型由卷积神经网络（CNN）骨干网络和实例批处理网络B. Zhang，H.雷，Y。Cai等人沙特国王大学学报5图3.第三章。拟议人员重新身份查验工作流程示意图该工作流程包括三个模块：检测模块、查询模块和图库模块。检测模块生成图像中的人的位置的初始建议查询模块从视频监控中提取目标人的图像查询模块和图库模块之间的比较在人员重新识别过程中起着至关重要的作用。(IBN)模块、改进的空间Transformer网络模块和多粒度网络模块。2.2.1. 带IBN模块的图1示出了视频监控帧被输入到个人重新识别模型，其是连续图像的序列。为了从视频监控帧中提取关键特征，使用了在图像识别中广泛使用的CNN。在这项研究中，ResNet50（He等人，2016年），CNN中最通用的网络之一，被选为该模型的骨干网络。解决自然场景中的照明挑战在所提出的方法中至关重要。COVID-19接触者可以在室内和室外进行日常活动，这可能会由于照明变化而导致他们在视频监控中的外观发生重大变化。为了缓解这个问题，所提出的方法利用具有IBN模块的CNN主干（Pan等人， 2018）以使具有不同照明的图像标准化条件相似的照明强度。具有IBN模块的CNN主干的架构如图4所示。IBN由两部分组成：实例规范化（IN）和批量规范化（BN）。IN组件学习对形状变化不敏感的特征，例如颜色、风格、虚拟或现实，而BN组件保留纹理相关特征。该模块通过减轻风格变化的影响，有效降低了光照变化对模型识别的影响。2.2.2. 一种改进的插塞模块在消除了光照变化对模型性能的影响后，视频监控中人的多尺度、多视角的问题仍然是一个巨大的挑战。同一个人在离摄像机不同的距离处将显示不同的尺寸，并且当人在不同的摄像机之间移动时，由于摄像机的不同部署位置，他们也可能显示不同的外观。为了解决这些问题，本研究图四、具有IBN模块的CNN骨干网的架构该图展示了CNN主干的整体结构，其中集成了实例规范化和批量规范化（IBN）模块。IBN模块旨在通过有效减少由输入数据变化引起的域偏移来增强模型的泛化性和鲁棒性。该架构包括多个卷积层和池化层，然后是完全连接的层和用于分类的ReLu激活函数该图提供了网络结构及其组件模块的可视化表示B. Zhang，H.雷，Y。Cai等人沙特国王大学学报6×Σ23Σ6来源7ΣΣ-... >每个分支包含全局平均池化（GAP）、BN和全连接（FC）层。提取的特征图2遵循Peng et al.（2020）的思想，采用改进的自约束空间变换网络（Self-Constrained spatial transformation network，SC-SVM）来解决多尺度和多拍摄角度的问题。最初的研究（Jaderberg et al.，2015）采用自适应仿射变换来降低图像空间多样性的影响，而SC-SVM在仿射变换的基础上引入自约束分支，估计检测误差，并限制仿射变换矩阵系数的范围。通过这种方式，仿射矩阵的优化可以被约束在有限的空间中，使得学习更加稳定，避免特征丢失。图5中示出了SC-UART模块的架构。该算法由定位网络、网格生成器和采样器三部分组成。定位网络的目的是估计一个（2 - 3）向量的二维仿射变换的参数。网格生成器基于预测的变换参数构造采样网格。采样器将采样网格和特征图作为输入来生成输出。具体地，采样器根据构造的采样网格从输入特征图中采样值，并且这些值用于构造输出特征图。可将转换过程简化地表示为：从而增加模型的覆盖范围。另外，多粒度局部特征的侧重点不同，可以实现信息互补。MGN模块还结合不同尺度的全局特征来度量特征。在训练过程中，每个特征向量代表一个人的特征。在测试过程中，所有特征都是连接的，有效降低了复杂场景下图像内容变化对识别的影响。骨干网络提取输入图像的全局特征图，MGN通过对全局特征图进行水平均匀分割来为了使局部特征具有不同的尺度，MGN将特征图分为两部分和三部分通过MGN的两个分支获得的局部特征尺寸可以通过以下公式计算：Sn<$H=n×W×Cn<$2= 32其中，H表示特征图的高度，W是特征图的宽度，C表示特征图的通道数，Sn表示获得的局部特征。应当指出，每个分支还保留了全球性特征。为了压缩特征，全局平均池化和1× 1卷积层被x源hs1hr1ht14y5¼1x个目标目标ð1Þ适用于每个特征。压缩后，批量归一化是在特征上执行，并且通过输入全连接层来获得预测结果。详细了解过程中，可以参考原始MGN。其中，λ的变换方程包括三个系数Hs、Hr和Ht，分别表示缩放因子、旋转因子和平移因子。然而，由于旋转对于特征对准没有用，因此在SC-100中将旋转系数设置为0。此外，SC-SVM还引入了一个附加系数来约束矩阵回归过程中系数矩阵的变化范围。2.2.3. MGN模块为了解决人员重新识别中复杂背景带来的挑战，本研究提出使用MGN模块进行多粒度特征融合，建立在Wang等人提出的概念基础上。该模块结合了视频监控中的全局和局部特征，克服了传统方法的局限性它只能捕捉到最明显的人2.2.4. 损失函数在人物再识别模型的训练过程中，利用三重损失函数优化特征向量间的欧氏距离。此功能有助于成对图像特征的比较，并减少正样本对之间的距离，同时增加负样本对之间的距离，最终提高特征表示的质量。如Schroff等人（2015）所述，三联体丢失是一种流行的损失函数用于训练基于CNN的模型。三元组丢失的主要目的是学习更好的特征表示，即，如果输入特征向量非常相似，则当两个输入向量之间的差异很小时，三元组丢失可以很好地学习特征表示。三重态损失的数学表达式为：功能，在大型和复杂的场景中效果较差的XP XR261 2 3 4 56 7 8910 1112 13141516171819（二）第1页R2（二）jn-1jj37þMGN模块，如图 所 示。 6、由多个 分支机构组成，L三重态¼-4a最大值？Fa-Fp？ -min<$Fa-Fn<$5ð3ÞCNN骨干被水平地分成两个或三个块，每个分支将一个块作为输入，允许模型更加注重地方特色。该方法使得提取的局部特征能够获得更精细和显著的特征，其中P表示一批中的人物图像的总数大小，R表示具有相同标识标签批量大小。a是用于约束要素中正负样本对之间图五. SC-100模块的架构。该模块接收ResNet 50-IBN骨干网络提取的特征图，由三个分支组成，它们以并行方式对相同的特征图进行操作。全局分支保留了输入图像的全局特征，而两个局部分支水平分割特征图以获得不同尺度下的局部特征。特征图使用卷积模块以参数可控的方式进行变换，并且所产生的特征图由1x1卷积层连接和处理以进行压缩。最终的输出特征和预测的概率分布是通过平均池化、通道压缩、批量归一化和全连接层操作的组合来hr2hs2ht2yB. Zhang，H.雷，Y。Cai等人沙特国王大学学报7Xð Þ ð Þ见图6。MGN模块的架构，它由一个用于提取全局特征图的主干网络，然后是两个用于提取局部特征的并行分支组成。每个分支将特征图水平地分成两个或三个部分，以获得具有不同尺度的局部特征。输出特征被压缩、归一化，并连接到一个完全连接的层进行预测。空间F i;F i，和F j 代表锚的特征，位置-办公之用3D模型生成的示意图如图所示。一p n阳性样本和阴性样本。这里，正样本特征是指具有与锚点相同的标签的图像，而负样本特征是指具有与锚点不同的标签的图像。此外，为了优化余弦距离并度量预测概率分布与真实数据标签分布之间的差异信息该损失函数定义为：nLce¼-pxilogqxi41/4其中，N表示一批中人物图片的总数，p ×i是真实概率分布，而q ×i表示预测概率分布。2.3. 地理空间信息人员重新识别模型可以跨多个监控摄像机自动识别目标个体。然而，监视数据被存储为离散视频数据，并且有效地跟踪潜在接触者是有挑战性的。为了解决这个问题，监控摄像机的地理空间位置是事先已知的，这允许它们在一定范围内形成网络。通过将该网络与地理信息系统结合，可以实现对固定区域的实时监测和信息记录。这种整合通过将地理空间信息与监控数据相结合，形成了地理空间大数据。可以利用大数据绘制接触者的3D运动轨迹，从而便于接触者追踪。2.3.1. 3D模型生成为了建立离散监控数据与摄像机地理空间信息之间的关联，利用虚拟空间中建立的监控区域三维模型，将处理后的监控数据映射到人员再识别模型中。为了获得监测区域的基本地理信息，利用开源OpenStreetMap 项 目 （ Haklay 和 Weber ， 2008 ） ， 并 且 使 用CityEngine®软件生成监测区域的3D模型此外，为了更准确地确定联系人的位置，将从地图获得的现有2D地理信息与建筑物的楼层平面图融合，以获得地理空间信息，诸如联系人在建筑物中所处的楼层。在图中。7.第一次会议。2.3.2. 轨迹绘制基于生成的3D模型，将地理空间信息和视频监控数据集成到地理空间大数据中以跟踪联系人的挑战仍然存在。为了解决这一问题，本研究利用时间轴作为索引，将离散的摄像机地理信息与视频监控数据连接起来。在视频监控中利用人物再识别模型识别出目标人物后，以文本形式记录摄像机的索引和识别时间。通过在生成的3D模型中找到对应的摄像机，并根据时间轴逐一连接每个摄像机的地理空间位置，可以绘制出目标人物的运动轨迹。该方法如图所示。8.第八条。基于地理空间大数据获取的目标人轨迹，本研究旨在及时识别目标人的关键活动地点和密切接触者。 通过重复上述步骤，可以扩展搜索范围，并自动有效地识别直接和间接联系人。3. 实验结果3.1. 人员重新身份查验模式为了定量评估人员重新识别模型的性能，在测试集上评估在融合的公共数据集上训练的所提出的模型。通过与现有的DGNet、ISPNet、OSNet、PCB等方法的对比实验，验证了本文提出的多模块身份识别方法的有效性。比较实验的结果示于表2中。所提出的多模块人再识别方法在测试集上取得了91.56%的Rank-1，97.70%的Rank-5和78.03%的mAP的高准确率。此外，平均推理速度为13 ms，约为每秒77帧（FPS），超过了相机的30 FPS采集速度。因此，人员再识别模型能够实现实时接触跟踪。该研究在图9中呈现了人重新识别模型的可视化结果。视频监控系统的主客户端界面显示在图9（a）中，其中在一个屏幕上可以查看多达17个摄像机。在系统中集成人员重新识别模型之后，包含目标人员的相机屏幕显示在主界面的中心。B. Zhang，H.雷，Y。Cai等人沙特国王大学学报8见图7。3D模型生成过程的示意图。该过程包括两个主要步骤：数据收集和3D模型生成。在数据采集步骤中，使用OpenStreetMap数据和多个视频监控摄像头数据来捕捉目标区域内的个体移动。在3D模型生成步骤中，使用地理信息将过滤后的监控数据映射到目标区域的3D模型上，以确保准确性。此图说明了生成3D模型，这是所提出的使用地理空间大数据进行接触跟踪的方法中的重要步骤见图8。基于时间轴绘制的运动轨迹示意图。所提出的方法利用监视数据来定位目标人物，随后将数据映射到基于地理空间信息生成的3D模型。然后在时间轴上绘制目标人的运动轨迹，这允许容易地可视化和分析人随时间的运动。所提出的方法是一种新的方法，利用地理空间和时间信息的运动轨迹绘制。如果目标人物移动到监视范围之外，则系统在其他摄像机的监视域中搜索目标。当目标被定位后，表2与现有方法的比较结果方法秩-1秩-5地图多氯联苯（Sun等人， 2018年）75.45%百分之九十三点六一59.15%OSNet（Zhou等人， 2019年度）79.54%91.30%57.54%ISPNet（Zhu et al.， 2020年）66.13%82.81%46.72%DGNet（Zou等人， 2020年）百分之八十三点三八百分之九十五点九一63.23%我们91.56%百分之九十七点七78.03%中心可以随时切换到目标的摄像机屏幕上。此外，自动推送检测结果与样本之间的匹配结果和相似度得分，如图9（b）所示。要调整摄像头角度，主屏幕底部有一个摄像头角度调整按钮3.2. 联系人追踪案例分析利用构建的人物再识别模型和摄像机的地理位置信息，通过对测试集的案例分析，对所提方法进行了综合评价B. Zhang，H.雷，Y。Cai等人沙特国王大学学报9图9.第九条。所提出的人员重新识别方法的可视化结果在图（a）中，显示了来自多个摄像机的监视图像，其中一个被指定为主图像，其他被指定为候选图像。图（b）展示了查询中的目标人被识别为与由相机在候选图像之一中捕获的个体具有高度一致性然后，在主屏幕上显示相应的候选图像，并且弹出窗口呈现用于接触跟踪的识别结果。信息. 为此，基于测试集中的地理信息生成监测区域的3D模型，并相应地在模型中标记相机的位置，如图10所示。该分析使我们能够评估该方法为了将离散摄像机的地理空间信息与监控数据相结合，将摄像机采集的实时监控图像集成到监控区域的3D模型中。这种方法导致从最初离散的相机地理空间信息和存储在硬盘上的监视数据形成地理空间大数据。如图11所示，当目标人物被摄像机中的一个检测到时，摄像机索引和识别时间以文本的形式被记录。新索引的相机位置在地图上按时间顺序链接，以在3D模型中绘制目标人的移动轨迹。图12呈现了基于测试集的案例研究，其中所提出的接触跟踪方法被采用来通过用不同颜色的边界框包围人来识别视频监控中的目标人。基于一段时间内采集的监控视频数据，绘制出目标人物的三维运动轨迹，验证了该方法的有效性。为了提供对所提出的方法的直观理解，可以在youtu.be/kxf5Ajm2R_I上找到其他示例。为评估拟议方法用于流行病学调查的有效性，一名曾于二零二一年五月参与广州荔湾COVID-19疫情调查的专业流行病学调查员被招募参与病例分析。调查员在过去14天内在大楼入口处对进入大楼的所有人进行了记录和拍照使用加速视频见图10。根据当前情况下的监控数据生成的3D模型示例，其中绘制了目标人员的轨迹以进行接触跟踪。该模型是基于地理信息生成的，并与监视数据映射，为分析目标人员的移动模式提供空间背景。B. Zhang，H.雷，Y。Cai等人沙特国王大学学报10图十一岁将监控数据映射到生成的3D模型并绘制目标人员的3D移动轨迹以用于当前情况下的接触跟踪的示例见图12。该方法结合了人员重新识别和地理空间信息来跟踪COVID-19接触者。该图演示了该方法如何在复杂环境中准确识别和跟踪目标人物在多个摄像机视图中的移动。识别出的接触点（由3D模型上的蓝色和红色圆圈表示）为流行病学调查和公共卫生管理提供了关键信息。所提出的方法显着提高了接触跟踪工作的效率和可扩展性，并具有很大的潜力，为现实世界的应用。在监测方法方面，调查员采用了所提出的方法，通过分析该人和目标在同一镜头中出现的情况，确定目标人的密切接触者研究者使用现有方法需要大约37小时来识别八通道视频中目标人员的所有密切接触者，而拟议方法仅需要5.5 h找出目标人士过往的密切接触者14天值得注意的是，所提出的方法可以将目标人员的密切接触者指定为新的目标，从而能够识别更多的间接接触者，并大大扩大筛查范围，这是现有流行病学调查方法无法实现的。4. 讨论4.1. 个人再认同本研究在真实数据集上比较了几种骨干网络特别是，ResNet101被认为是比ResNet50更大的网络，而ResNest被认为是对ResNet的改进报告的在表3中，虽然ResNet101、ResNest50和ResNest101显示出更好的性能，但是它们的推理速度显著下降，从而使它们不适合实时部署。因此，采用ResNet50作为骨干网络，因为它在推理速度和性能之间提供了合理的折衷。如前所述，本研究提出了一种多模块的方法来解决实际场景中遇到的挑战，如照明，拍摄角度和多尺度变化。为了证明每个模块的有效性，通过移除其中一个模块并评估所提出的方法的性能来进行消融研究。表4显示了消融研究的结果。很明显，每个模块在解决复杂的环境因素中起着至关重要的作用，所提出的方法实现了所有模块集成的优越性能。4.2. 限制虽然之前的实验已经证明了所提出的方法用于跟踪COVID-19接触者的有效性，但这项研究B. Zhang，H.雷，Y。Cai等人沙特国王大学学报11表3不同骨干网和推理速度的比较。方法秩-1秩-5地图速度（ms/img）ResNet5091.56%百分之九十七点七78.03%13.3ResNest50（不含IBN）91.82%百分之九十七点九五76.49%38.2ResNet101百分之九十二点零七百分之九十七点九五78.10%40.3ResNest101（不含IBN）91.29%百分之九十八点二一78.04%87.2表4每个模块的消融研究。方法秩-1秩-5地图ResNet50_IBN_SC-MGN_MGN91.56%百分之九十七点七78.03%不含SC-E290.03%百分之九十八点二一77.64%不含IBN88.75%百分之九十七点七77.57%不含MGN86.70%百分之九十六点一六73.69%承认某些局限性。首先，这种方法无疑侵犯了部分个人隐私。此外，摄像机的覆盖率是可能影响所提出的方法的适用性的潜在因素由于需要追踪个人的移动轨迹以进行流行病学调查，公共区域的人员将不可避免地出现在监控录像中，以确定他们可能接触COVID-19。尽管如此，现有的联系人追踪方法，如蓝牙或移动应用程序，无法逃脱隐私泄露的风险相比之下，本研究中采用的人员重新识别方法依赖于个人的服装和姿势等信息，与面部识别相比，这些信息的敏感性较低此外，所提出的方法利用地理空间大数据技术来提高传统流行病学调查的效率尽管可能侵犯隐私，这是跟踪个人轨迹的一个不可避免的限制视频监控方法中不可忽视的一个限制是摄像机盲点的存在。由于摄像机的部署密度有限，以及其角度和覆盖范围的限制，这种限制是不可避免的。这对基于视频监控的联系人跟踪提出了挑战。然而，这种限制可以通过优化摄像机的位置来缓解.流行病学统计调查显示，电梯、办公室等狭小密闭空间是COVID-19传播的主要渠道，而相对开放的区域风险较小（Pinheiro and Luís，2020）。因此，可以在高风险区域战略性地部署摄像头，以确保可以全面识别所有接触者。5. 结论和未来工作该研究提出了一种新的地理空间大数据方法，用于COVID-19的接触跟踪，该方法结合了人员重新识别和地理空间信息。与依赖于移动应用程序或蓝牙连接的现有方法不同，所提出的方法利用多模块的人重新识别模型，该模型利用广泛部署的视频监控进行目标人定位。然后，基于地理信息将监视数据映射到3D模型，并跟踪目标人的3D运动轨迹以进行接触跟踪。这是第一种将人员重新识别和地理空间大数据相结合的方法。通过避免对手机的依赖和可穿戴设备，这种方法可以部署在各种规模，从办公楼到城市。该方法显著提高了流行病学调查的效率，对保障公众健康具有巨大潜力。基于表2中给出的实验结果，我们观察到所提出的方法通过利用多个公开可用的数据集在真实世界场景中进行训练和测试，在人员重新识别任务中实现了有希望的性能。值得注意的是，当使用单个数据集（Market- 1501）进行训练时，该方法实现了84.65%的Rank-1和mAP结果和66.06%。这表明，扩大训练数据集的规模可以进一步提高该方法的性能。这些发现进一步证明了所提出的方法在解决现实世界应用中人员重新识别的此外，进行了消融研究，以评估所提出的人重新识别模型中每个模块的有效性，证明了该方法此外，根据实际情况评估和选择了不同的骨干网络。最后，通过案例研究展示了该方法在未来，我们计划通过探索各种方法来优化人员重新识别模型以处理更大的数据集来扩展所提出的方法。这可能涉及利用深度学习算法或其他机器学习技术。此外，我们的目标是在更多样化的场景中评估所提出的方法，包括拥挤的公共场所、交通系统和接触者追踪可能至关重要的其他区域。在此过程中，我们将研究不同环境