[发明专利]一种无重叠视域多摄像机监控网络拓扑自适应学习方法

说明书

技术领域

本发明属于计算机视觉领域，具体涉及智能监控领域，特别涉及一种无重叠视域多摄像机监控网络拓扑自适应学习方法。

背景技术

随着摄像机监控技术的发展，对大范围区域进行监控成为了保障人民生命财产安全的一项重要手段。然而，对于区域较大的监控场合来说，使用摄像机覆盖所有的监控区域很不现实。因此，通常采用重点区域覆盖的方法来搭建包含无重叠视域的多摄像机监控系统。与传统的单摄像机监控系统或者重叠视域多摄像机监控系统相比，无重叠视域多摄像机监控系统由于其观测目标在时间、空间上都是离散的，所以对目标进行连续跟踪更加困难。常见的处理方法是学习摄像机网络的拓扑结构，并利用拓扑结构所提供的时空约束信息来帮助匹配不同视域下的目标，实现对目标的连续跟踪。

无重叠视域多摄像机网络的拓扑结构学习方法主要分为监督式和非监督式两种。监督式学习方法通过对人为标记的目标进行跟踪，从而学习摄像机网络的拓扑结构，最常见的如O.Javed的利用Parzen窗学习网络拓扑结构的时空约束信息，如文献“Javed O.,Rasheed Z.,Shafique K.,Shah M.Tracking across multiple cameras with disjoint views[C].IEEE International Conference on Computer Vision,2003:952-957”以及文献“Javed O,Shafique K,Shah M.Appearance modeling for tracking in multiple non-overlapping cameras[C].2005IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005:26-33”。但是，监督式学习方法通常需要标记大量的数据，而且在实际使用中对于监控环境的变化适应能力不强，因此很难应用于实际监控系统。

非监督式学习方法不需要人为标记数据，系统可以根据监控网络中各个子节点检测到的数据自适应地学习监控系统的拓扑结构。非监督式学习方法通常采用互关联函数来推断某两个节点之间是否连通，如文献“Makris D.,Ellis T.,Black J..Bridging the gaps between cameras[C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2004:205-210”，但互关联函数仅仅包含两个节点在某段时间内目标消失和出现的信息，不包含目标的相似度信息，因此误差较大。之后有学者提出了两种改进方法：将颜色信息融合到互关联函数中，如文献“Niu C.,Grimson E..Recovering non-overlapping network topology using far-field vehicle tracking data[C].International Conference on Pattern Recognition,2006:944-949”，通过添加目标的颜色信息有效提高了互关联函数判断连通性的能力，同时，利用连通性矩阵可以推断出监控网络的拓扑结构。在颜色特征的基础上，将利用脸部识别技术获取的身份信息融合到互关联函数中，如文献“Zou X.T.,Bhanu B.,Roy-Chowdhury A.Continuous learning of a multilayered network topology in a video camera network.Research Article460689,Center for Research in Intelligent Systems,University of California,USA,2009”，通过添加的身份信息，大大提高了仅采用颜色信息的互关联函数判断连通性的能力。在准确获得身份信息的前提下，该方法计算出的互关联函数可以得到最准确的连通性判断。但是，脸部识别技术对于成像精度和角度都有一定要求，不适宜推广。