[发明专利]一种适用于摄像机网络下的分布式目标跟踪方法

摘要

本发明涉及一种适用于摄像机网络下的分布式目标跟踪方法，属于摄像机网络、分布式处理以及目标跟踪应用技术领域；该方法利用平方根容积信息滤波对每个摄像机监测的目标进行运动预测和估计；摄像机之间通过通信进行信息交互，然后利用平均一致性方法对信息进行分布式数据融合；最后通过多次迭代得到稳定的跟踪结果，从而实现摄像机网络中的目标跟踪。对比现有技术，本发明考虑到过程噪声和量测噪声之间的相关噪声，使存在这种相关噪声的系统也能够实现目标跟踪应用；使用平方根容积信息滤波可以使系统避免陷入处理器有限字长的问题，同时结合加权平均一致性算法，使系统可以在分布式环境中应用；能够在提高跟踪精度的同时，提升方法的鲁棒性。

主权项

1.一种适用于摄像机网络下的分布式目标跟踪方法，其特征在于，包括以下步骤：步骤1、从各个摄像机中得到监控视频，然后利用现有的目标检测技术得到疑似目标的位置坐标；步骤2、利用坐标变换技术，将目标从摄像机坐标转换到统一的参考平面坐标，这些坐标信息即为各摄像机在k时刻所得到的量测信息其中N_c表示摄像机的个数；步骤3、在各自摄像机中，根据k时刻的量测信息根据下述公式计算该时刻的信息向量和信息矩阵由于下述公式都是对于摄像机s进行运算，因此省略公式中的s：S_y,k∣k＝Tria([S_y,k∣k‑1S_i,k])；    (2)其中，Tria表示QR分解运算，和S_y,k∣k‑1分别表示用k‑1时刻的信息预测k时刻的信息所得到的预测信息向量和预测平方根信息矩阵，通过下式计算：其中，为用k‑1时刻状态预测k时刻的状态所得到状态估计的预测值，P_k∣k‑1为k时刻状态误差的协方差矩阵预测值，又P_0∣‑1和为初始已知值，所以S_y,k∣k‑1和可以随时间递推求出；i_k和S_i,k分别为k时刻的信息贡献向量和信息贡献矩阵的平方根，通过下面公式计算：其中，z_k为k时刻的量测信息，P_xz,k∣k‑1为k‑1时刻的状态和量测值的互协方差矩阵，通过下列公式计算：其中，D_k为k时刻的量测噪声和过程噪声的互协方差矩阵，D_k≠0，m＝2n_x，n_x为状态向量x_k的维数，X_i,k∣k‑1和Z_i,k∣k‑1下标中的i代表容积点的序号，i＝1,2,…,m，二者分别为k‑1时刻容积卡尔曼滤波器量测更新中对应的容积点和传播的容积点，通过下面公式计算：Z_i,k∣k‑1＝h(X_i,k∣k‑1)；其中，h(·)为已知的观测方程的非线性函数，[1]_i是点集[1]的第i列，而S_k∣k‑1为k时刻状态误差的协方差矩阵的平方根，由公式求得；另外，k‑1时刻的量测预测值由下面公式计算：另外，其中，‑T表示先转置再求逆运算，下标用于表示针对的平方根计算，其中为考虑相关噪声的量测噪声的方差，其逆为至此可以求得步骤4、初始化加权平均一致性算法的输入：步骤5、取l＝0,1,…,L‑1进行L次迭代求加权平均一致值，过程如下：步骤5.1，广播信息对给s节点的邻居节点；步骤5.2，节点s收集其所有邻居节点发送过来的信息；步骤5.3，节点s通过下式融合所有信息对：其中，加权值π^sj≥0且上标s，j代表节点编号，N_s为节点s与其邻居节点组成的集合，N_s,E表示与s相邻的节点的总个数；步骤6、设置节点s经过加权平均一致性算法计算后的状态估计为：步骤7、通过下式预测k+1时刻的信息向量和信息矩阵其中，和通过下面的公式计算，为了便于表述，公式忽略摄像机的序号s：其中，S_Q，k为k时刻过程噪声协方差Q_k的平方根，即矩阵通过下述公式计算：其中，为状态方程的传播容积点，i＝1,2,…,m，由公式得到，其中，f(·)为对应于系统状态方程的非线性函数，X_i,k∣k为容积点，由公式得到，而和S_k∣k又由公式和得到；获得信息向量和信息矩阵后，返回步骤1重复上述过程即可得到各时刻的状态估计，即目标跟踪结果，当执行到步骤3时，公式(1)和(2)中的以及S_y,k∣k‑1用本步骤所得结果和代入即可，无需再通过公式(3)和(4)计算。