[发明专利]一种基于修正加权二部图的无重叠视域目标匹配方法

说明书

本发明提出一种基于修正加权二部图的无重叠视域目标匹配方法，涉及计算机视觉领域。本发明将无重叠视域目标匹配问题表示成一个最大后验概率问题，从而将目标观测模型与监控网络时空约束信息结合起来，并通过求解加权二部图的最大权匹配解决最大后验概率问题。针对普通加权二部图构造中容易引入错误匹配的问题，本发明提出了一种基于自适应阈值的修正加权二部图构造方法，从而尽可能地避免在构造加权二部图的过程中引入错误的匹配。针对传统KM方法在处理大规模加权二部图匹配问题时计算量过大的弊端，提出了一种基于MH采样的方法近似求解加权二部图的最大权匹配，从而得到无重叠视域目标匹配关系。

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，特别涉及一种基于修正加权二部图的无重叠视域目标匹配方法。

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。对于无重叠视域监控网络，只有确定了目标在不同视域中的匹配关系，才能较好地理解目标在整个监控场景中的行为。但是，无重叠视域环境下的光照变化、场景变化等干扰因素会导致目标在不同视域下的观测值发生变化，从而降低目标正确匹配的概率。因此，需要综合考虑目标信息以及场景信息，从而尽可能地提高无重叠视域下的目标匹配率。

无重叠视域目标匹配问题本质上属于数据融合问题，目的是把观测模型的外表相似信息与监控网络的时空约束信息相融合，从而实现无重叠视域下的目标匹配。国内外研究者对这种数据融合问题进行了研究，取得了一定的成果。如文献“Huang T,RussellA.Object identification:A Bayesian analysis with application to trafficsurveillance[J].Artificial Intelligence.1998,103(1):1-17”建立了一个贝叶斯框架来匹配高速公路上相邻两个摄像机检测到的车辆。文献“Kettnaker V,Zabih R.Bayesianmulti-camera surveillance[C].IEEE Computer Society Conference on ComputerVision and Pattern Recognition.Fort Collins:IEEE,1999.2010-2016”也是用贝叶斯框架实现了室内型人的匹配和识别，将最大后验概率估计问题近似成一个线性规划问题。文献“Javed O,Shafique K.Tracking across multiple cameras with disjoint views[C].Proceedings of the IEEE International Conference on Computer Vision.Nice:IEEE,2003.952-957”不但更加细致深入地给出了外表模型和拓扑关系的估计方法，还使用二分图匹配的方法计算最大后验概率，计算过程符合多项式时间要求。

国内对相关数据融合问题的研究主要是在文献“Javed O,Shafique K.Trackingacross multiple cameras with disjoint views[C].Proceedings of the IEEEInternational Conference on Computer Vision.Nice:IEEE,2003.952-957”的基础上展开的。譬如，文献“刘少华,张茂军,陈旺.无重叠视域多摄像机的数据关联方法[J].计算机应用,2009,29(9):2378-2382”提出了一种基于权重二部图的关联策略，以目标为节点，结合时间约束和空间约束构造边，目标的相似度为边的权重，通过求取二部图的最大权匹配得到最优关联结果。文献“刘少华,赖世铭,张茂军.基于最小费用流模型的无重叠视域多摄像机目标关联方法[J].自动化学报,2010,36(10):1484-1489”提出了一种基于最小费用流的关联方法，修正了二部图关联中过度依赖效用函数的缺点。但是，费用流关联问题的时间复杂度大于二部图关联问题，因此不适用于处理大规模匹配问题。