稀疏表示目標關(guān)聯(lián)-wenkub
2023-07-15 23:57:29 本頁面
【正文】 t multicamera information fusion is gradually paid more attention to. Thus, as one of the core techniques, objects tracking across nonoverlapping multicamera bee the focus. This focus is a rising direction of puter vision, which crosses several subjects. This paper discusses the important achievements of this topic all over the world from beginning to present in detail. All of them are clustered into three parts and introduced orderly. Finally, some difficulties and future directions are analyzed concisely.Keywords: visual surveillance, nonoverlapping multicamera, objects matching1引言 在單攝像機智能監(jiān)控算法逐漸成熟的同時，近年來，多攝像機之間的信息關(guān)聯(lián)和信息融合的研究逐漸被重視。無重疊視域多攝像頭目標關(guān)聯(lián)綜述摘 要：隨著視頻監(jiān)控技術(shù)的快速發(fā)展，多監(jiān)控攝像機信息融合的研究逐漸被重視起來，作為核心技術(shù)之一的無重疊視域多目標關(guān)聯(lián)也成為了研究的焦點。由于被監(jiān)控區(qū)域的廣闊和攝像機視域有限之間的矛盾，以及在計算量和經(jīng)濟等方面的考慮，不可能用攝像機全部覆蓋所有的被監(jiān)控區(qū)域。2關(guān)鍵問題概述 無重疊視域多目標關(guān)聯(lián)的一般結(jié)構(gòu)圖如圖1所示：攝像機1攝像機2攝像機3檢測跟蹤模塊檢測跟蹤模塊檢測跟蹤模塊關(guān)聯(lián)模塊目前，多目標跟蹤算法的主要難點是數(shù)據(jù)關(guān)聯(lián)問題。遮擋表現(xiàn)為目標信息的逐漸丟失，而跟蹤算法的關(guān)鍵就是搜索到足夠多的目標信息，判定目標所在，所以遮擋給目標跟蹤的可靠性帶來很大困難，可能導(dǎo)致跟蹤的不穩(wěn)定甚至丟失目標。目標總數(shù)的變化有兩種情況：一是總數(shù)的增加，包括新目標的出現(xiàn)和舊目標的分裂；二是總數(shù)的減少，包括舊目標的消失和目標合并。在監(jiān)控視頻中，目標外觀往往非常相似，如何選取合適的特征以較好的區(qū)分不同目標外觀來實現(xiàn)準確的數(shù)據(jù)關(guān)聯(lián)。隨著其它學(xué)科(如生物學(xué)、計算機圖形學(xué)、概率論與統(tǒng)計學(xué)、隨機過程等)的發(fā)展，多目標關(guān)聯(lián)的新思路、新方法層出不窮。運動目標檢測技術(shù)已經(jīng)有大量的研究，形成了三種傳統(tǒng)的運動目標檢測方法：幀間差分法[1,2]、背景差分法[39]和光流法[10]。缺點是目標內(nèi)部一般會有不連續(xù)的空洞。目前研究人員大多數(shù)都在研究如何開發(fā)不同的背景模型，期望建立更加合理的背景模型并對其及時進行更新，希望借此能夠抵消背景的干擾和變化。假如圖像序列中不出現(xiàn)運動目標時，光流矢量在整個圖像區(qū)域是連續(xù)變化的。針對單一視覺信息描述目標不夠充分、跟蹤目標不夠穩(wěn)定的缺點，出現(xiàn)了許多基于多特征融合的多目標跟蹤算法[1115]。上述文獻都是將多特征用于目標描述。目標的運動信息是目標檢測中一項重要特征，運動檢測技術(shù)包括光流法、差分法等。當目標數(shù)量發(fā)生變化時,采用基于相交區(qū)域面積的關(guān)聯(lián)矩陣判斷場景中各種特殊情況的發(fā)生。這里的3D 體現(xiàn)在：3D 模型描述目標，3D 狀態(tài)空間。由于多攝像頭必須同步工作，且成本較大，文獻[19]中使用單攝像頭機制。 多目標關(guān)聯(lián) 目標關(guān)聯(lián)目標關(guān)聯(lián)是指把在不同時刻出現(xiàn)在不同攝像機前的目標進行關(guān)聯(lián)，從而識別出相同的目標，實現(xiàn)不同攝像機中同一目標的對應(yīng)。表現(xiàn)模型是指利用目標物體在不同攝像機前出現(xiàn)時表現(xiàn)出的特征所建立的模型。另外，為了彌補不同檢測視頻中同一目標的表現(xiàn)模型之間的變化差異，轉(zhuǎn)移模型的估計就顯得非常重要。他們針對車輛的剛體特征采用了以線特征為基礎(chǔ)，其它特征為輔助的表現(xiàn)模型建構(gòu)方法。由于多種特征的融合關(guān)聯(lián)，這使得她們的算法可以在小于30 度的姿態(tài)變化條件下取得大于90%的關(guān)聯(lián)準確率。他們通過在線k 均值聚類的方法建立了一種最大顏色光譜直方圖表示模型（MCSHR）來構(gòu)建表現(xiàn)模型，并給出了針對這種模型的相似度估計算法；而且，他們還進一步利用相鄰的35 幀圖像建立累積的最大顏色光譜直方圖表示模型（IMCSHR）來克服短期內(nèi)目標的小幅度姿態(tài)變化。Bowden[35]和Gilbert[36, 37]等人先把目標的顏色直方圖進行芒賽爾顏色空間的一致顏色轉(zhuǎn)換（CCCM），然后進行關(guān)聯(lián)，這種方法對于低解析度目標的關(guān)聯(lián)體現(xiàn)了很好的效果；其中，文獻[19]還利用對顏色直方圖轉(zhuǎn)移矩陣的估計來提高關(guān)聯(lián)的準確性。他們還證明了這些參數(shù)可以用低維空間參數(shù)來表示，并使用概率主成分分析（PPCA）的方法實現(xiàn)了降維計算。5 結(jié)束語本文對無重疊視域多目標關(guān)聯(lián)相關(guān)的問題和技術(shù)進行了綜述。 Electrical Engineering Magazine,vol. 26, , March 2009.[2] Valera M，Velastin ．Intelligent distributed surveillance systems [J]．IEE Proc．Vision Image Signal Process，2005，152 (2)：192204[3] C. Stauffer and W. Grimson. Learning patterns of activity using realtime tracking. IEEE Transactions on Pattern Analysis and Machine Intelligence (PAMI),22(8):747–757, 2000.[4] Z. Zivkovic and F. van der Heijden. Efficient adaptive density estimation per image pixel for the task of b
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1