[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

摘要

本发明提出一种无重叠视域多摄像机监控网络拓扑自适应学习方法，涉及计算机视觉领域。本发明用加权有向图G＝<V,E,W>表示监控网络的拓扑。本发明将单摄像机视域下目标的离开、进入位置作为拓扑节点V，并利用混合高斯模型进行建模。本发明提出一种基于联合外表相似度的互关联函数计算方法，并通过互关联函数判断某对节点的连通性，从而得到边集E。对于连通的节点对，通过标准化互关联函数计算转移时间分布。本发明利用节点对的交互信息表示该对节点的转移概率，从而得到权重集合W。本发明提出一种“虚假连接”排除策略排除拓扑中可能的“虚假连接”，并提出拓扑自适应更新策略保证拓扑结构对环境变化具有较强鲁棒性。

主权项

一种无重叠视域多摄像机监控网络拓扑自适应学习方法，其特征在于，使用加权有向图来表示无重叠视域多摄像机监控网络的拓扑结构，加权有向图由节点集合、边集合以及权重集合构成；将每个摄像机视域下的目标进入、离开该视域的位置作为拓扑节点，定义为消失‑出现节点；使用单视域目标跟踪方法统计每个视域下目标进入、离开该视域的位置，并使用混合高斯模型构造拓扑结构的消失‑出现节点集合；利用跨视域节点对的互关联函数判断该对节点的连通性，所述跨视域节点对指两个节点分别来自不同的摄像机视域，所有连通的跨视域节点对构成边集合；在计算互关联函数时，考虑节点对中消失观测值与出现观测值的联合外表相似度，包括主颜色相似度、纹理相似度以及目标显著性相似度，对于连通的跨视域节点对，通过标准化该对节点的互关联函数计算其转移时间分布；引入节点对的交互信息表示该对节点的转移概率，从而构造权重集合；根据求得的边集合与权重集合构造连通性矩阵，并通过该矩阵推断监控网络的拓扑结构；利用拓扑结构中某对节点的交互信息判断该对节点是否属于“虚假连接”，对于可能是“虚假连接”的情况，进一步利用转移时间分布排除“虚假连接”情况；利用拓扑自适应更新策略更新拓扑结构及参数，其中参数包括转移时间分布以及转移概率；同时对添加/移除摄像头情况执行快速响应策略。