[发明专利]一种监控场景中摄像机网络拓扑关系估算方法及系统

说明书

技术领域

本发明属于安防技术领域，尤其涉及一种监控场景中摄像机网络拓扑关系估算方法及系统。

背景技术

摄像机网络的拓扑估计是摄像机网络部署的一个关键问题，精确的拓扑估计不仅能够掌握监控区域内的人员、人群等目标的运动模式，也能够通过反馈，进一步优化部署。

现有技术提供了一些方法来进行摄像机网络的拓扑估计，包括：

一、基于图像背景剔除的人员检测和跟踪结果，获取多个摄像机间人群活动的失控关联性，为分析和建立整个场景的目标活动模式提供依据。

二、利用多个摄像机扑捉的人员步伐信息，获取人员活动的一般模式，并根据此模式重新调整摄像机部署，实现以更好的视角和更少的摄像机数目到达监控目标。

三、基于Parzen窗和高斯核的混合概率密度估计器，来估计由时间间隔、进出观测视域的位置和进出视域时的运动速度等量组成的概率密度函数，整个估计过程通过学习训练集数据的方法实现。

四、在时域约束方面采用一种模糊时间间隔来表示已观测目标在下一摄像机中出现的可能性，这种可能性通过运动方程估计得到。

五、利用大量的目标观测数据，通过无监督学习的方法，为一个多摄像机监控网络自动地建立起摄像机之间的时空域拓扑关系。在此基础上，他们还给出了验证算法性能的方法并实现了目标在该网络中的跟踪。

六、利用一个关于统计信任的更一般的信息论思想，把不确定对应性和贝叶斯方法相结合，减少了假设条件并体现了较好的性能。

七、假设所有的摄像机都存在潜在的连接关系，然后通过观测把不可能的连接去掉，实验证明他们的方法在学习大规模摄像机网络拓扑关系方面，尤其是在学习样本较少的情况下，具有较好的效率和效果。

八、大量工作利用多摄像机的拓扑关系，进行全局活动分析和行人再识别。

但是，以上拓扑推理算法基本都基于对具体目标活动的定位、追踪，对监控视频质量要求较高，当监控环境中存在遮挡或监控图像分辨率较低时，算法性能将急剧下降。

发明内容

本发明实施例的目的在于提供一种监控场景中摄像机网络拓扑关系估算方法及系统，以解决现有技术存在的，现有的拓扑推理算法基本都基于对具体目标活动的定位、追踪，对监控视频质量要求较高，当监控环境中存在遮挡或监控图像分辨率较低时，算法性能将急剧下降的问题。

本发明的实施例是这样实现的,一种监控场景中摄像机网络拓扑关系估算方法,所述方法包括以下步骤:

将监控网络中每台摄像机拍摄到的视频流中的监控场景分解为网格；

针对每个监控场景，获取所述监控场景中各网格的光流的颜色直方图信息；

针对每个监控场景，根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果；

根据每个监控场景的语义区域分割结果确定监控网络中各台摄像机之间的网络拓扑关系。

本发明的另一实施例的目的在于提供一种监控场景中摄像机网络拓扑关系估算系统，所述系统包括：

分解单元，用于将监控网络中每台摄像机拍摄到的视频流中的监控场景分解为网格；

获取单元，用于针对每个监控场景，获取所述监控场景中各网格的光流的颜色直方图信息；

聚类单元，用于针对每个监控场景，根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果；

确定单元，用于根据每个监控场景的语义区域分割结果确定监控网络中各台摄像机之间的网络拓扑关系。

本发明实施例通过光流算法计算网格的光流的颜色直方图特征，进一步计算出摄像机之间的拓扑关系，并不需要非常清晰获取运动目标的定位或者进行追踪，解决了现有技术存在的，计算摄像机之间的拓扑关系都基于对具体目标活动的定位、追踪，对监控视频质量要求较高，当监控环境中存在遮挡或监控图像分辨率较低时，算法性能将急剧下降的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明一实施例提供的监控场景中摄像机网络拓扑关系估算方法的实现流程图；

图2是本发明另一实施例提供的摄像机拓扑关系估计结果图；