论文部分内容阅读
随着人们对安全性要求的提高以及经济条件的改善，监控摄像头的个数增长速度越来越快，覆盖的范围也越来越广。目前应用中的智能视频监控基本都是依靠单路摄像机单独进行的。然而，单路摄像机的视野有限，容易出现目标被遮挡的现象;并且，随着摄像机的普及，人们对视频监控的需求也逐步提高，许多功能在单个摄像机下不能实现。因此，基于多个摄像机互相协作的智能视频监控应运而生并逐步成为一个研究热点。本文探讨了非重叠场景下的跨摄像机目标跟踪研究的若干问题，主要包括:(1)多摄像机网络拓扑结构的估计;(2)多摄像机之间光照变化的处理;(3）跨摄像机目标匹配与识别;(4)跨摄像机目标跟踪中的数据关联。本文的主要工作如下:
1)为了弥补由于各摄像机视野之间的盲区所导致的时空关系的缺失，我们提出一种基于N邻域累积互相关函数的拓扑估计方法来为学习各摄像机之间的时空信息。我们通过定义N邻域累积互相关函数来锐化互相关函数的峰值，降低噪声的影响。实验证明，本方法可以处理传统的拓扑估计方法不能处理的较长观测时间窗或大规模观测目标集的情况，同时本方法避免了预先解决目标识别或目标跟踪问题，降低了问题的复杂度。
2)为消除不同摄像机之间的光照变化对目标表观颜色的影响，我们学习一种颜色属性转移模型来处理不同光照环境下观测的目标表观。通过将一个摄像机下的观测图像的颜色属性按照另一个摄像机的观测图像的颜色属性强制转换，学习从一个摄像机到另一个摄像机的颜色属性转移模型。依据颜色属性转移模型和运动目标在一个摄像机下的观测表观，就能够估计该目标在另一个摄像机下的观测表观。与其他颜色转移方法不同，本方法不依赖于已知目标对应关系的大规模训练集。
3)为了度量不同摄像机下观测目标之间的相似度，我们提出一种基于方向角度的目标匹配方法进行跨摄像机目标匹配与识别。本方法通过方向角度的概念来处理观测视角的变化，通过随机匹配策略来处理运动目标出现在不同摄像机下时较小的姿势变化。在公开数据集上与多种代表性方法的对比实验证明了本方法对视角和姿势变化具有较强的鲁棒性。
4)由于基于方向角度的目标匹配方法较耗时，不能满足多摄像机目标跟踪系统实时性要求，我们提出一种基于自适应模型的目标匹配方法来解决跨摄像机目标匹配与识别问题。本方法将转移摄像机对作为一个重要的特征，然后结合表观特征，用机器学习方法学习相似度度量模型，并为每个目标都建立一个自适应模型来描述类内的相似度。实验证明本方法提出的转移摄像机对特征以及自适应模型对跨摄像机目标匹配与识别的性能有很大提升。
5)为了得到最终的跨摄像机目标跟踪决策，我们提出一种新的数据关联方法。通过融合目标表观信息以及摄像机之间的时空信息，将一个观测时间窗内到达的目标和已经离开视野的目标构成图模型。我们将多摄像机目标跟踪中的数据关联问题建模为求解图模型的最大权重独立集问题，求解这个整数规划，就可以建立不同摄像机下观测目标的对应关系。与现有数据关联方法不同，使用本方法解决跨摄像机数据关联问题可以得到时间域全局最优解。