稀疏表示目標關聯(專業版)

　　

【正文】 Pietika?inen, M.。同樣是估計顏色轉移函數，Jeong 和Jaynes[43]卻采用目標的色度而不是亮度，他們的算法體現了更好的關聯性能。文獻[23, 25]提出了一個非監督學習的方法來提取視頻中車輛的線特征，然后基于線特征來關聯車輛，這個方法在兩個視頻中車輛的形狀差別很小的情況下取得了不錯的效果。文中用兩個橢圓體表示一個目標，用3D 坐標表示狀態向量。文獻[15](針對人臉)將多特征融合技術用于判斷新目標的出現；基于在線學習的自適應模板以適應背景與目標外觀的變化；以目標觀測概率小于某一閾值判斷舊目標的消失；對每一個目標單獨建立一個粒子濾波器，實現多個目標的跟蹤。目前對于幀間差分法一般用來做前期檢測，（2）背景差分法：背景差分法是視頻監控中最為常見的運動目標檢測方法，它的基本思想是將當前幀圖像與參考背景圖像做差分運算，然后設定一定的閾值來檢測運動目標。如何準確得到當前幀的目標個數，是多目標跟蹤中的又一個難點。這個研究焦點是計算機視覺研究領域的一個新興的、多學科交叉的研究方向。目標數目的隨機性：數目可變也是多目標跟蹤中的常見問題。運動目標檢測通常采用以下幾種方法[56]：（1）幀間差分法：基本思想是將視頻中相鄰兩幀或多幀圖像做差分，然后利用閾值進行分割，將超過閾值的當做前景，其他的當做背景。文獻[13]針對此問題提出了多特征融合與自適應模板相結合的多目標跟蹤算法，能有效處理模板隨時間變化的情況，但是算法計算量大。利用目標空間位置的惟一性，能對嚴重遮擋的人進行較準確地跟蹤。 基于線特征的方法由于剛體目標的線特征比較容易抽取，而且對光照、時間、地點等環境變化不敏感，因此，線特征在車輛目標關聯方面得到了較多使用。在處理不同攝像機之間的顏色變化的問題上，Porikli 和Divakaran[39, 40]提出了基于顏色直方圖的非參數非線性顏色轉移函數模型和相關的距離度量，并給出了簡化算法。 , Motionbased background subtraction using adaptive kernel density estimation, CVPR 2004. [9] Shengcai Liao。 Fleet, .。5 結束語本文對無重疊視域多目標關聯相關的問題和技術進行了綜述。由于多種特征的融合關聯，這使得她們的算法可以在小于30 度的姿態變化條件下取得大于90%的關聯準確率。 多目標關聯 目標關聯目標關聯是指把在不同時刻出現在不同攝像機前的目標進行關聯，從而識別出相同的目標，實現不同攝像機中同一目標的對應。目標的運動信息是目標檢測中一項重要特征，運動檢測技術包括光流法、差分法等。目前研究人員大多數都在研究如何開發不同的背景模型，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。在監控視頻中，目標外觀往往非常相似，如何選取合適的特征以較好的區分不同目標外觀來實現準確的數據關聯。由于被監控區域的廣闊和攝像機視域有限之間的矛盾，以及在計算量和經濟等方面的考慮，不可能用攝像機全部覆蓋所有的被監控區域。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。運動目標檢測的主要任務是在圖像中檢測出各個獨立的運動目標，便于后續的特征提取和關聯等過程。 單攝像頭目標跟蹤 基于多特征融合與自適應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，所選的視覺特征應該能很好的區分跟蹤目標與背景。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。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量的急劇增加，對每個攝像機都進行標定和對應變得愈發困難，所以現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聯。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化和交叉熵距離測量相結合的方法，另一種則是最大熵編碼和χ 2 距離測量相結合的方法，實驗表明這兩種方法都具有不錯的效果。 , 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. , Performance of optical flow techniques, Computer Vision and Pattern Recognition, 1992. Proceedings CVPR 39。6參考文獻[1] TAN Jiyuan, WU Chengdong, ZHOU Yun,HOU Jun,WANG Qiaoqiao,Research of abnormal target algorithm in intelligent surveillance system, Mechanical amp。Cheng[3032]和Madden[33, 34]等人研究室內監控環境下行人的關聯跟蹤。目前已有的關聯方法主要包括對目標建立表現模型（Appearance Model），目標在不同攝像機中的表現模型之間的轉移模型（Transfer Model）的估計，以及表現模型相似度的估計等研究內容。利用背景差分法,差分值分別代