[发明专利]非重叠视域跨摄像机室内行人目标跟踪方法及系统

说明书

本发明公开了非重叠视域跨摄像机室内行人目标跟踪方法及系统，包括在三维GIS模型的辅助支持下，建立摄像机间的连通关系矩阵；根据用户所框选需跟踪的行人目标进行单摄像机目标跟踪，获取行人目标样本图像；判断需跟踪的行人目标是否离开当前摄像机视域，若是则停止基于当前摄像机的单摄像机目标跟踪，根据连通关系矩阵，对当前摄像机节点及其所有连通的邻接节点发布行人目标匹配指令，确定目标匹配任务开启时刻和目标匹配任务结束时刻；对接收到行人目标匹配指令的所有摄像机，分别从目标匹配任务开启时刻开始，对拍摄所得视频进行行人检测。本发明为非重叠视域跨摄像机室内行人目标跟踪与匹配提供了一个实时可靠的技术方案。

技术领域

本发明属于视觉跟踪技术领域，具体涉及一种在三维GIS信息辅助下，在多摄像机非重叠室内视域中对行人目标进行跟踪与匹配的技术方案。

背景技术

随着视频监控技术的发展以及人们对监控产品智能化要求日益提高，多摄像机目标跟踪技术成为人们关注的热点。相比于单摄像机监控视域有限，多摄像机突破了监控视野范围的限制，因而多摄像机目标跟踪能适用于广域视频监控，满足现实需求。多摄像机目标跟踪按摄像机间监控视野是否交叠可分为重叠视域目标跟踪和非重叠视域目标跟踪。由于现实生活中监控区域一般较大，考虑到经济因素，实际上摄像机间不可能都为重叠视域，因此非重叠视域目标跟踪更具现实意义。

非重叠视域目标跟踪的主要研究问题有：单摄像机目标跟踪、多摄像机间目标匹配和多摄像机拓扑关系估计。

单摄像机目标跟踪是多摄像机目标跟踪的基础。单摄像机目标跟踪算法的难点在于如何设计出鲁棒稳定的跟踪算法，以适应跟踪过程中光照变化、目标遮挡、目标尺度变化以及目标形变，对目标进行实时持续跟踪。单摄像机目标跟踪算法大体上可分为2大类：基于生成模型的目标跟踪和基于判别模型的目标跟踪。

基于生成模型的方法通过提取目标特征，在特征空间中对目标区域进行描述，构建目标的表观模型，然后在目标可能出现的区域进行搜索，以具备最小重建误差的图像块作为跟踪目标。该方法的重点在于如何描述目标，构建一个能够完善表达目标(包括不同视角，不同尺度，目标形变等)的模型，以适应跟踪过程中各种干扰。该类方法充分利用了目标的表观信息，对光照和颜色变化不敏感；但是由于未利用背景信息，在复杂背景下易受到干扰；此外，构建鲁棒且高效的外观模型十分困难。

基于判别模型的方法则是估计观测数据的条件概率分布，寻找能把目标和背景分离开的最优分类面，将跟踪问题转化成为了一个二分类问题。由于分类边界比较灵活，所以这种跟踪方法的区分性较好。缺点是相对于生成模型方法来说，判别模型方法只能判断目标是哪一类，而不能描述目标的外观，即不能充分反映训练数据本身的特性。Kalal等人于2010提出的TLD(tracking-learning-detection)跟踪算法因其鲁棒性近来受到了广泛的关注。TLD将跟踪算法、检测算法以及更新机制融合在一个统一的框架下来解决跟踪过程中目标形变、部分遮挡等问题。TLD算法由跟踪、检测、融合和更新4个模块组成。由于TLD具有检测更能，当目标离开后再次出现，依然能够捕获目标，继续跟踪，这一优点是很多跟踪算法不具备的。

多摄像机间目标匹配是非重叠视域跨摄像机目标跟踪的关键步骤，要解决是目标从一台摄像机视域转移到另一台摄像机视域的再识别问题。与单摄像机下目标匹配不同，由于不同摄像机参数不同，目标所处的环境光照也不同，造成同一目标在不同摄像机下成像差异很大，给目标匹配带来了很大困难。传统的方法是建立不同摄像机间的亮度转移函数BTF(brightness transfer function)以补偿目标在不同摄像机中颜色差异，提高匹配精度。但是BTF需要标记训练样本进行监督学习，自动化程度低。而且环境光照变化时，亮度转移函数必须重新学习和更新。非重叠视域目标匹配目前主要有2种解决思路：一种从特征出发，设计不变性区分性强的特征，提取这类特征进行目标匹配；另一种是从距离测度出发，通过监督学习训练出优秀的距离测度，使同类样本距离小而非同类样本距离大。测度学习方法对特征的选择要求较低，通常能取得更好的再识别效果。但在场景和目标变化时需要重新训练，适应性差。