稀疏表示目標(biāo)關(guān)聯(lián)(留存版)

　　

【正文】 表背景和目標(biāo)。(3)光流法：基于光流法的運(yùn)動目標(biāo)檢測是利用了運(yùn)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(diǎn)賦予一個速度矢量，從而對應(yīng)產(chǎn)生一個運(yùn)動場，一般情況下認(rèn)為光流場對應(yīng)于運(yùn)動場，研究光流場就是為了從圖像序列中近似計算得到運(yùn)動場的信息，然后根據(jù)各個像素點(diǎn)的速度矢量特征，實(shí)現(xiàn)圖像序列的動態(tài)分析。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(shí)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(diǎn)。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(diǎn)。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(jī)1攝像機(jī)2攝像機(jī)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(diǎn)是數(shù)據(jù)關(guān)聯(lián)問題。隨著其它學(xué)科(如生物學(xué)、計算機(jī)圖形學(xué)、概率論與統(tǒng)計學(xué)、隨機(jī)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。假如圖像序列中不出現(xiàn)運(yùn)動目標(biāo)時，光流矢量在整個圖像區(qū)域是連續(xù)變化的。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。表現(xiàn)模型是指利用目標(biāo)物體在不同攝像機(jī)前出現(xiàn)時表現(xiàn)出的特征所建立的模型。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。 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 background subtraction. Pattern Recognition Letters,27(7):773–780, 2006.[5] Yongquan Xia。92., 1992[11] Takala V, Pietikainen M. Multiobject tracking using color, texture and motion. VS, 2007:1－7.[12] Ma LL, Cheng Jian, Lu HQ. Multicue collaborative kernel tracking with cross ratio invariant , 2008:665－672.[13] Kumar P, Brooks MJ. An adaptive bayesian technique for tracking multiple objects. Pattern Recognition,2007:657－665.[14] Li Z., Gong HF, ZHu SC. Dynamic feature cascade for multiple object tracking with track ability , 2007:350~361.[15] Pernkopf F. Tracking of multiple targets using online learning for reference model adaptation. IEEE Trans on SMCB, 2008,38(6):1465－1475.[16] 常發(fā)亮, 馬麗, 喬誼正. 視頻序列中面向人的多目標(biāo)跟蹤算法. 控制與決策, 2007,22(4):418－422.[17] Osawa TS, Wu XJ, Wakabayashi KR. Human tracking by particle filtering using full 3d model of both target and environment using full 3d model of both target and environment. ICPR, 2006.[18] Yao Jian, Odobez JM. Multicamera 3D person tracking with particle filter in a surveillance environment. EUSIPCO, 2008:25－29.[19] Osawa T, Sudo K, Arai H. Monocular 3D tracking of multiple interacting Targets. ICPR, 2008:1－4.[20] [D].：2009.[21] 孔慶杰. 面向廣域視頻監(jiān)控的無重疊視域多攝像機(jī)目標(biāo)跟蹤[J]. 2007年全國模式識別學(xué)術(shù)會議論文集，2007.[22] Nils T Siebel, Stephen J Mayban. The ADVISOR Visual Surveillance System[A]. In: Proceedings of the ECCV Workshop on Applications of Computer Vision[C], Prague, 2004: 103111.