[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

摘要

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。

主权项

1.一种基于修正加权二部图的无重叠视域目标匹配方法，其特征在于，使用最大后验概率问题描述无重叠视域目标匹配，在构造最大后验概率问题时，综合考虑目标观测模型与监控网络时空约束；构造加权二部图，通过解二部图的最大权匹配以解决最大后验概率问题；具体包括以下步骤：1)确定目标观测模型；所述目标观测模型的构造可选用颜色特征、纹理特征、形状特征中的一种或几种进行组合，对于上面所述的任意特征，都包含大量的子特征，所述子特征包括但不限于：颜色特征包括主颜色特征、RGB直方图特征、HSV直方图特征，纹理特征包括边缘特征、HOG特征、LBP特征，形状特征包括面积特征、离散度特征；2)确定监控网络时空约束；监控网络时空约束的确定中，所述监控网络的时空约束包括网络中节点的可达性以及平均通过时间，这两种信息可以通过人为给定，也可以从监控网络拓扑中获得；3)划分时空最小单元；根据监控网络的时空约束，将监控网络拓扑按完备性原则与最小化原则划分为多个最小单元，对于最小单元中的任意消失目标，其再次出现仍然位于最小单元中；4)构造最大后验概率问题；利用贝叶斯推断准则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，假设i、j、k、l表示监控网络中摄像机的序号，m、n、c、d表示不同摄像机捕捉到的目标的序号，在某个时空最小单元内，检测到M_i个消失的观测值，记作O_i＝{O_i¹,O_i²,…,O_i^Mi}，其中O_i^m表示该最小单元中第i个摄像机捕捉到的第m个目标的信息，包括目标的观测模型O_i^m(app)与时空约束关系O_i^m(st)，由于目标的观测模型与目标在监控网络中出现的时间与位置无关，因此可以认为O_i^m(app)与O_i^m(st)相互独立；同理，检测到N_j个出现的观测值，记作O_j＝{O_j¹,O_j²,…,O_j^Nj}，令表示观测值对(O_i^m,O_jⁿ)相互关联，那么，无重叠视域目标匹配问题可以表示为寻找一个匹配集合满足以下条件：①当且仅当O_i^m及O_jⁿ属于同一目标；②一个观测值至多只有一个前继及一个后继，即对所有有假设是目标匹配问题的一个解，并且所有的匹配相互独立，那么目标匹配问题可以表示为：其中，表示检测到观测值O_i^m与O_jⁿ之后，匹配发生的概率；通过贝叶斯推断可以得到：可以将目标的观测模型O_i^m(app)及时空约束信息O_i^m(st)引入到目标匹配问题中，定义如下：其中，表示目标的观测模型匹配率，表示拓扑结构的时空约束信息，表示目标从摄像机C_i到C_j的转移概率，使用一个常数尺度因子表示，假定目标出现属于均匀分布；无重叠视域目标匹配问题就是寻找令后验概率最大时的解A^*：5)计算自适应阈值；该阈值必须满足下述两个标准：①如果待匹配观测值的相似度普遍较大，说明环境的改变对目标匹配的影响较小，此时应该增加阈值，从而排除错误的观测值对；反之，如果待匹配观测值的相似度普遍较小，此时应该减小阈值，从而防止排除正确的匹配关系；②如果某个最小单元中消失观测值数目与出现观测值数目不一致，说明可能发生了误检测或盲区替换，此时应该增加阈值，从而排除非理想观测值对；基于该阈值必须满足两个标准①②，所述自适应阈值的计算过程如下所述：对于任意的消失观测值，计算其与出现观测值的相似度，并将最大相似度添加到集合U中，对每个消失观测值进行类似处理后，将U降序排列得到一个包含q个元素的集合；假设正确的观测值对大于总观测值对数目的一半，误检测或盲区替换的发生概率都比较小，取出U中前一半元素{u₀,u₁,…,u_r}，动态阈值Φ定义如下：其中，r＝(q/2)‑1，表示选中元素的均值，用来表示环境因素对于动态阈值设定的影响，q表示最小单元中消失目标观测值数目，P_n表示自适应参数，用来调整阈值，如果最小单元中消失目标的观测值数目与出现目标的观测值数目不一致，需要增加P_n的值以提高阈值；6)构造修正加权二部图；在理想条件时空最小单元中的消失观测值与出现观测值一一对应的情况下，将最大后验概率问题转化为加权二部图的描述过程如下：假设在某个最小单元中，消失观测值与出现观测值分别构成加权二部图的两个点集，表示为X＝{x₁,x₂,…,x_λ}与V＝{v₁,v₂,…,v_λ}；利用监控网络的时空约束判断任意观测值对x_b‑v_h的连通性，从而构成加权二部图的边，对于某条连通的边x_b‑v_h，计算x_b与v_h的观测模型匹配率，作为边的权重，如此，就将原始最大后验概率问题转化为加权二部图问题；按照步骤5)中的方法计算自适应阈值Φ，然后将观测模型匹配率的观测值对添加到加权二部图中，从而构造出修正加权二部图；7)MH采样的加权二部图的最大权匹配近似求解主要步骤：a)MH(Metropolis‑Hastings)采样方法所述MH采样方法中的“提议函数”Q(x,y)必须满足以下三个条件：i，当x固定时，Q(x,·)是一个概率密度函数；ii，对于任意的x、y，Q(x,y)可以计算出来；iii，当x固定时，可以方便的从Q(x,y)中产生随机数；在满足上述条件的前提下，“提议函数”Q(x,y)理论上是可以任意选取的；MH采样方法利用“提议函数”Q(x,·)从当前分布x_t中生成下一刻的可能分布x’，并定义接受概率判断是否接收状态x’为新的状态；MH采样方法通过“提议函数”更新状态，并计算接受概率以判断是否接受新的状态，如果不接受新的状态，那么当前状态仍然是前一时刻的状态，接受概率揭示了当前状态与新的状态哪个更加接近于目标的真实状态，通过不断地更新状态并判断是否接受新状态，可以逐渐逼近目标的真实状态；b)基于MH采样的近似二部图最大权匹配求解利用MH采样方法计算二部图的最大权匹配，首先要将加权二部图问题转化成MH采样方法所需要的形式，即定义目标状态x、“提议函数”Q(x,·)以及概率分布函数P(x)，假设对于加权二部图G＝{U,V,E}，选取点集U进行匹配，令x表示当前的状态空间，x∈{0,1}^|E|，x_bh表示边(u_b,v_h)的匹配关系，x_bh＝1表示u_b与v_h匹配，即u_b与v_h之间有连通边；反之，x_bh＝0表示u_b与v_h不匹配；令Q(x’|x_t)表示“提议函数”，即如何从当前状态x_t下推断出下一时刻的可能状态x’；由于此处要解决的是二部图加权匹配问题，因此定义“提议函数”为任取两对观测值并交换它们的连通关系，即：取出u_b与v_h、u_λ与v_z，当前状态为x_bh＝1并且x_λz＝1，经过“提议函数”处理后x_bz＝1并且x_λh＝1，其余点的连通关系保持不变；在计算接受概率时，综合考虑“提议函数”Q(x’|x_t)与概率分布函数P(x)，即令f(x’)＝Q(x’|x_t)P(x’)，f(x)的定义如下：(b‑1)当任意选取的两对点包含共享点时，即一侧的两个点与另一侧的相同点连接，f(x)＝0；(b‑2)当任意选取的两对点不包含共享点时，即当前状态的加权值；对于第(b‑2)步中的计算当前状态的加权值，只需要考虑变换连通关系的那两对观测值对整体加权值的影响即可，如果选中的某对点是不可能连通的，那么令该对点的权值为‑1，从而对错误的连接进行惩罚。