稀疏表示目標(biāo)關(guān)聯(lián)-文庫吧在線文庫
【正文】 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 background subtraction. Pattern Recognition Letters,27(7):773–780, 2006.[5] Yongquan Xia。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。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(jìn)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(biāo)的小幅度姿態(tài)變化。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。表現(xiàn)模型是指利用目標(biāo)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。由于多攝像頭必須同步工作，且成本較大，文獻(xiàn)[19]中使用單攝像頭機制。當(dāng)目標(biāo)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。上述文獻(xiàn)都是將多特征用于目標(biāo)描述。假如圖像序列中不出現(xiàn)運動目標(biāo)時，光流矢量在整個圖像區(qū)域是連續(xù)變化的。缺點是目標(biāo)內(nèi)部一般會有不連續(xù)的空洞。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(biāo)關(guān)聯(lián)的新思路、新方法層出不窮。目標(biāo)總數(shù)的變化有兩種情況：一是總數(shù)的增加，包括新目標(biāo)的出現(xiàn)和舊目標(biāo)的分裂；二是總數(shù)的減少，包括舊目標(biāo)的消失和目標(biāo)合并。2關(guān)鍵問題概述 無重疊視域多目標(biāo)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(biāo)跟蹤算法的主要難點是數(shù)據(jù)關(guān)聯(lián)問題。無重疊視域多攝像頭目標(biāo)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(biāo)關(guān)聯(lián)也成為了研究的焦點。本文主要針對無重疊視域多目標(biāo)關(guān)聯(lián)技術(shù)的研究現(xiàn)狀進(jìn)行了系統(tǒng)的介紹,包括問題描述、一般框架、關(guān)鍵問題、主要方法介紹，并分析了各方法的優(yōu)缺點。目標(biāo)總數(shù)的變化來自于新目標(biāo)的隨機出現(xiàn)、舊目標(biāo)的消失以及由于舊目標(biāo)的分裂與合并(即遮擋)。3多目標(biāo)關(guān)聯(lián)方法概述正是由于上述問題的存在，研發(fā)具有魯棒性、實用性的多目標(biāo)關(guān)聯(lián)算法一直是無重疊視域目標(biāo)跟蹤的難點。優(yōu)點是實時性好，算法復(fù)雜性比較小，容易實現(xiàn)。(3)光流法：基于光流法的運動目標(biāo)檢測是利用了運動目標(biāo)隨時間變化的光流特性，為視頻序列中每一個像素點賦予一個速度矢量，從而對應(yīng)產(chǎn)生一個運動場，一般情況下認(rèn)為光流場對應(yīng)于運動場，研究光流場就是為了從圖像序列中近似計算得到運動場的信息，然后根據(jù)各個像素點的速度矢量特征，實現(xiàn)圖像序列的動態(tài)分析。文獻(xiàn)[14]為了提高算法的實時性，基于在線自適應(yīng)模板選擇特征個數(shù)，計算量大大降低。利用背景差分法,差分值分別代表背景和目標(biāo)。3D 模型可有效地處理目標(biāo)分裂與合并問題，文獻(xiàn)[19]提出了基于MCMC 的3D 多目標(biāo)跟蹤算法。目前已有的關(guān)聯(lián)方法主要包括對目標(biāo)建立表現(xiàn)模型（Appearance Model），目標(biāo)在不同攝像機中的表現(xiàn)模型之間的轉(zhuǎn)移模型（Transfer Model）的估計，以及表現(xiàn)模型相似度的估計等研究內(nèi)容。Shan[2325]和Guo[2629]等人的研究組近幾年一直在研究高速公路環(huán)境中多攝像機監(jiān)控下的車輛關(guān)聯(lián)和跟蹤問題。Cheng[3032]和Madden[33, 34]等人研究室內(nèi)監(jiān)控環(huán)境下行人的關(guān)聯(lián)跟蹤。 Javed 等人[4142]也針對目標(biāo)的顏色直方圖建立了不同視頻之間的亮度轉(zhuǎn)移函數(shù)（BTF），他們的函數(shù)包含光照、場景幾何，以及攝像機的焦距、光圈和曝光時間等參數(shù)。6參考文獻(xiàn)[1] TAN Jiyuan, WU Chengdong, ZHOU Yun,HOU Jun,WANG Qiaoqiao,Research of abnormal target algorithm in intelligent surveillance system, Mechanical amp。 Guoying Zhao。 , Performance of optical flow techniques, Computer Vision and Pattern Recognition, 1992. Proceedings CVPR 39。 , Modeling pixel process with scale invariant local patterns for background subtraction in plex scenes, CVPR 2010 [10] Barron, .。 , Moving targets detection algorithm based on background subtraction and frames subtraction, Industrial Mechatronics and Automation (ICIMA), 2010 2nd International Conference on , , no., , 3031 May 2010[6] V. Reddy, C. Sanderson, and B. C. Lovell. Robust foreground object segmentation via adaptive regionbased background modelling. In International Conference on Pattern Recognition (ICPR), Turkey, 2010.通過對多目標(biāo)關(guān)聯(lián)的難點及其相關(guān)方法的分析，多目標(biāo)關(guān)聯(lián)技術(shù)研究未來的發(fā)展方向為：一、結(jié)合模式識
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1