稀疏表示目標關(guān)聯(lián)(完整版)

　　

【正文】 別和機器學(xué)習(xí)相關(guān)算法提高決策準確率；二、研究更為準確的目標表現(xiàn)模型。例如：Orwell 等人[34]采用兩種方法對目標的顏色直方圖進行建模，一種是混合高斯參數(shù)化和交叉熵距離測量相結(jié)合的方法，另一種則是最大熵編碼和χ 2 距離測量相結(jié)合的方法，實驗表明這兩種方法都具有不錯的效果。文獻[2628]在基于線特征的方法基礎(chǔ)上，首次融合點特征、區(qū)域特征等特征共同建立表現(xiàn)模型對車輛進行關(guān)聯(lián)。在特征提取的過程中，某些特征需要先對攝像機進行標定，例如：點特征、幾何特征[22]；然而，考慮到隨著攝像機數(shù)量的急劇增加，對每個攝像機都進行標定和對應(yīng)變得愈發(fā)困難，所以現(xiàn)有的研究工作大都采用不事先標定攝像機的方法進行特征抽取與關(guān)聯(lián)。采用一階動態(tài)模型傳遞狀態(tài)，利用此狀態(tài)參數(shù)得到模擬二值圖，同時對背景建模，利用背景差分法得到背景提取二值圖，計算兩個二值圖相交區(qū)域像素點個數(shù)與相并區(qū)域像素點個數(shù)的比值，此值作為狀態(tài)權(quán)值，選擇權(quán)值大的部分粒子的狀態(tài)平均和作為目標的最優(yōu)位置估計。因此，有些研究者對基于3D的多目標跟蹤算法[1719]進行了研究。 基于運動信息的多目標跟蹤算法目標總數(shù)可變一直是多目標跟蹤中的難點，有效地對可變數(shù)量目標的判定取決于目標檢測的準確度。 單攝像頭目標跟蹤 基于多特征融合與自適應(yīng)模板的多目標跟蹤算法視覺特征對于跟蹤算法的性能有很重要的影響，所選的視覺特征應(yīng)該能很好的區(qū)分跟蹤目標與背景。最簡單方法是直接從視頻中抽取一幀圖像或者對一段時間內(nèi)的視頻序列中每個像素做均值濾波或中值濾波，然后將得到的圖像作為參考背景圖像。運動目標檢測的主要任務(wù)是在圖像中檢測出各個獨立的運動目標，便于后續(xù)的特征提取和關(guān)聯(lián)等過程。目標外觀變化和不同目標外觀的區(qū)分：目標外觀特征包括目標形狀和紋理等信息，對于非剛性目標，由于目標比例和形狀的變化以及目標運動的不確定性(機動目標)，導(dǎo)致目標信息的丟失，很容易發(fā)生跟蹤失敗。目標被遮擋的過程一般可分為兩個階段：一是目標進入遮擋過程，這期間目標信息丟失越來越嚴重，二是目標出離遮擋過程，也即目標漸漸離開遮擋，這期間目標信息逐漸得到恢復(fù)。關(guān)鍵字：視頻監(jiān)控、無重疊視域多攝像頭、目標關(guān)聯(lián)Abstract: With the rapid development of visual surveillance technology, the research about 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。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。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。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)。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]。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。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]。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。這里的3D 體現(xiàn)在：3D 模型描述目標，3D 狀態(tài)空間。 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)。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。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。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。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。[7] , Effcient nonparametric kernel density estimation for realtime puter vision, . thesis, Rutgers, The State University of New Jersey (2002). [8] Mittal, A.。 Fleet, .。 Burkitt, .。 , Mo