法律状态公告日
法律状态信息
法律状态
2022-03-18
授权
发明专利权授予
技术领域
本发明属于摄像机网络及目标跟踪应用技术领域，涉及一种适用于具有重叠视野的摄像机网络下的目标追踪方法。
背景技术
随着传感器的可获得性越来越简单，摄像机被布置在了城市的每一个角落。摄像机网络常被用于区域监控，灾难响应，环境监控等等。多个相机拥有更多的视野，拥有更大的监测范围，但是如何更好的利用多个相机的数据，是一个重要的问题。传统的利用多个相机数据的方法主要分为两类：分布式和集中式。其中集中式是多个相机的数据传输到一个运算中心，由运算中心对各个传感器的数据加以运算，从中得到目标的数据。这样做虽然从数据运算上来说是优秀的，毕竟没有出现数据丢失的现象。但是带宽有限，很难同时传输多个相机的数据，并且多个数据传输到一个运算中心会需要更多的计算量，很难保证同步追踪。如果运算中心出现故障，则整个追踪系统彻底瘫痪。而分布式目标追踪利用加权的平均一致性算法并结合目标追踪算法，使每个传感器都是一个运算中心。数据之间的传输也是在邻居之间，不用每一个传感器节点都传输数据到每一个节点。分布式相比集中式而言鲁棒性更高。然而，传统的分布式目标追踪方法并不能有效解决朴素节点，计算量，能耗，帧异步问题。
传统的分布式目标追踪方法为了得到较为准确的精度迫使每一个相机节点都在每时每刻的接收并计算来自其它节点的信息，必须达到一致性之后才能进行下一步的操作，因此衍生了很多问题。比如在较多相机节点的摄像机网络中，一致性就需要一些时间去达到。不仅仅是一致性问题，同时计算来自多个相机节点的数据就相对于传统的目标追踪算法而言也会需要一些时间。而这些时间就可能导致异步问题，这就很大概率会得到错误的追踪结果。由于相机节点一直都在进行复杂的计算，能耗是一个待优化的问题。传统的分布式目标追踪不能有效缓解朴素节点问题，在精度上还有很大的提升空间。由于传统分布式目标追踪算法的各个环节都需要一些时间，这些时间加在一起就变得不可忽略，将产生不同相机节点之间的帧的计算不同步。以上所提的问题限制了传统的分布式目标追踪算法得应用范围。
发明内容
为了解决现有技术中存在的上述技术问题，本发明提出了一种适用于具有重叠视野的摄像机网络下的目标追踪方法，利用相关滤波，粒子滤波以及摄像机之间的位置关系对目标进行追踪；摄像机之间通过通信进行信息交互，然后利用平均一致性方法对摄像机的信息进行分布式数据融合；最后通过多次迭代得到稳定的结果，保证对处在摄像机网络下的目标在每一时刻都会有一个摄像机追踪到目标，从而实现摄像机网络中的目标跟踪，解决现有目标跟踪方法中的由于使用集中式的处理方式而不能应用于大规模系统中的问题和分布式的低实时性的问题，其具体技术方案如下：
一种适用于具有重叠视野的摄像机网络下的目标追踪方法，包括以下步骤：
步骤1、从各个摄像机中得到监控视频，然后根据给出的目标初始位置，找出一个 具有目标视野的摄像机
步骤2、在摄像机
步骤3、判断当前时刻目标是否在摄像机
若不在边缘，则继续运行相关滤波算法对目标进行追踪；
若在边缘，则根据摄像机
步骤4、摄像机
进一步的，所述相关滤波算法是是对感兴趣得目标产生高响应，对背景产生低响应，具体表达式如下：
其中，
进一步的，所述判断当前时刻目标是否在摄像机
当公式（3）为真时，判定目标在边缘，反之，不在边缘；
其中，
进一步的，当目标在摄像机
步骤A，利用转换矩阵
步骤B，通过平均一致性算法经过多次迭代之后，摄像机
进一步的，所述平均一致性算法，具体为：
每个摄像机节点初始化它的状态
其中
进一步的，所述粒子滤波算法校准，具体为：
先撒一堆粒子
其中
其中
其中
本发明的有益效果：
本发明考虑到过程计算量问题，实时性问题，跟踪精度问题，使存在这些问题的多摄像机系统也能够实现目标跟踪应用；使用相关滤波可以解决追踪精度问题，并提高了在单个摄像机追踪目标时的速度。同时结合平均一致性算法，摄像机们的位置，以及借鉴了粒子滤波的思想，使系统可以在多个摄像机环境中应用；本发明所提出的方法能够在提高跟踪精度的同时，减少运算量，提升方法的鲁棒性；本发明可以通过适当改进拓展到其他分布式系统中，在目标跟踪具有一定的应用前景。
附图说明
图1是本发明的一种适用于具有重叠视野的摄像机网络下的目标跟踪方法流程示意图；
图2是本发明实施例的网络连通以及摄像机
图3是本发明实施例的具体实验中在每一帧的追踪结果示意图；
图4是本发明方法在某次目标跟踪中的位置误差结果示意图；
图5是本发明方法不同迭代次数下的均方根误差的结果图。
具体实施方式
为了使本发明的目的、技术方案和技术效果更加清楚明白，以下结合说明书附图和实施例，对本发明作进一步详细说明。
本发明中摄像机被看成网络中的节点，即摄像机、摄像机节点、节点三种表述意思 相同。考虑一个摄像机网络中有
本发明实施例采用的摄像机
其中，
如图1所示，本发明的一种适用于具有重叠视野的摄像机网络下的目标跟踪方法，包括以下步骤：
步骤1、从各个摄像机中得到监控视频，然后根据给出的目标初始位置，找出一个 具有目标视野的摄像机
步骤2、在摄像机
其中，
步骤3、判断当前时刻目标是否到达摄像机s的视野边缘；
步骤3.1，
当公式（3）为真时，判定目标在边缘；
步骤3.2，如目标不在边缘,则继续在摄像机
步骤3.3，如目标在边缘,则采用以下步骤：
步骤A，广播目标的信息，所有摄像机开始接收邻居发送的信息：利用转换矩阵
步骤B，采用一致性算法融合所有信息：利用平均一致性算法，经过多次迭代之后， 摄像机
每个节点初始化它的状态
其中
然而，接收的坐标由于经过矩阵转换和多次迭代之后，目标坐标的精度受到影响，需要校准传播后的目标的坐标；
因此，每个摄像机根据自身处在摄像机网络中的位置和接收的信息，找出下一时刻对目标追踪的摄像机，并采用粒子滤波算法校准传播后的目标的坐标，即校准目标在下一时刻上的摄像机的位置；其中，粒子滤波算法具体的公式如下；
先撒一堆粒子
其中
其中
其中
步骤4、摄像机
本发明的效果可通过以下实验进一步说明：
本实验中，采用上述方法对摄像机网络中的行人进行跟踪。假设1个目标在多个摄 像机的区域内运动，区域内分布式的布置了4个摄像机。网络连通图以及摄像机FOV如图2所 示。目标的状态向量为
其中
如图3和图4所示的图中可以看出，在本次实验中，本发明的方法能很好的跟踪到目标。本发明的方法采用了平均一致性算法，图中显示的是10轮迭代的结果。通过与真实轨迹的对比，本发明提出的方法可以得到比较贴合真实运动的轨迹，也就是说该方法适合于多摄像机协同跟踪这一应用。
图5显示了本发明的方法的均方根误差，从图5中可以看出，本发明提出的方法能有效的跟踪目标，随着一致性迭代次数增加，算法逐渐收敛，从图中可以看出仅进行了4轮迭代，算法就收敛到一致平均值，因此本发明方法是非常有效的。在实际使用该方法时，可以在相邻时间间隔内，进行多次迭代。
以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。
机译： 使用目标对象集成网络和目标对象预测网络以用于多个摄像机或围绕视图监控方法和用于学习基于CNN的对象检测器的设备，适用于用户要求，例如具有相同的显着性能评估指标和方法和测试设备
机译： 基于CNN的目标检测器的学习方法和学习装置，适用于客户要求的关键性能指标，使用目标对象合并网络和目标区域估计网络，以及用于多摄像机的测试方法和测试装置或环视监控
机译： 基于CNN的CNN学习方法和学习设备，基于CNN适用于客户要求，例如使用目标对象合并网络和目标区域估计网络和测试方法和使用相同的测试方法和测试设备以用于多摄像机或环绕式 查看监控
