基于深度学习与DTW 融合的轨迹匹配方法研究

摘 要：针对人类轨迹与可穿戴传感器数据的匹配问题，提出了一种解决方法，通过将摄像头捕获的人类轨迹与可穿戴设备的传感器数据进行匹配，首先利用深度学习模型SyncScoreDTW 评估单位时间内轨迹与传感器数据的相似度，其次通过似然融合算法逐步更新这些相似度。在自制数据集上进行的实验验证表明，该方法实现了77.5%的高匹配准确率。同时，在公开的UEA数据集上，该方法也展示出优越的性能。此项研究揭示了跨模态数据匹配的潜力，为轨迹匹配领域提供了一种全新、高效的解决方案。

关键词：深度学习;时间序列;人体轨迹;传感器;多模态传感器数据分析;Transformer

中图分类号：TP391 文献标志码：A

0 引言（Introduction）

随着监控摄像头的普及应用，如今在健身房、教室和护理设施等各种场景中，已经可以捕捉到多个个体的活动轨迹。这些轨迹数据不仅能够为安全管理提供有力支持，还可以为个人回顾自己的行为活动提供信息。

本文提出了一种直接将轨迹数据与可穿戴手表的传感数据进行匹配的方法，这种方法不需要存储任何视频资料。从隐私保护设计的角度看，最好在边缘设备上对轨迹数据进行转换。然而据调查，目前没有现成的匹配算法可以进行轨迹数据之间的匹配。这项工作为轨迹和传感器数据的匹配提供了新的视角与方法，并为这一领域的后续探索和应用奠定了坚实的基础。

目前，已有许多基于图像特征的人员再识别方法[1-2]，这些方法旨在从不同图像中找到同一人。人员再识别是通过提取一帧图像中的视觉特征，并将其与数据库中存储的特征进行匹配，以实现对目标人员身份的识别。在这项工作中，目的不是从单个帧提取视觉特征，而是通过计算个人的轨迹与同时获得的传感器数据之间的相似性来实现精准的个人识别。这种大数据驱动的特性促使研究人员选择采用深度神经网络计算轨迹与传感器数据之间的相似似然性。尽管在轨迹与传感器数据匹配的实际应用中，传感器数据是不间断的，但是获得的轨迹通常情况下是碎片化的。基于此，提出了一种在短时间间隔内匹配轨迹与传感器数据的深度学习方法。针对碎片化的轨迹问题，本文提出了一种解决方法，该方法通过观察整套轨迹，利用观察到多条轨迹时最多只有一条轨迹对应一个人的事实，更新匹配似然性。轨迹匹配流程如图1所示。图1（a）说明了方法的流程，图1（b）说明了方法的实现过程。