一种适用于摄像机网络下的分布式目标跟踪方法技术

本发明专利技术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，本发明专利技术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。

A distributed object tracking method for camera networks

The present invention relates to a method for tracking camera network under distributed target, belongs to the camera network, distributed processing and target tracking application technology; the method of using square root volume information filtering target for each camera monitoring the motion prediction and estimation; the information exchange between the camera through the communication, and the average consistency method distributed data fusion of information; finally the tracking is obtained by iteration, so as to realize the target tracking in network camera. Compared with the prior art, the invention of correlated noise considering the process noise and measurement noise of the system is related to this noise can achieve target tracking application; use square root volume information filtering can make the system to avoid the finite wordlength processor, combined with the weighted average consensus algorithm, which can be applied in the distributed system in the environment; to improve the tracking accuracy and robustness improvement method.

【技术实现步骤摘要】
一种适用于摄像机网络下的分布式目标跟踪方法
本专利技术属于摄像机网络、分布式处理以及目标跟踪应用
，涉及一种适用于摄像机网络下的分布式目标跟踪方法。
技术介绍
当前摄像机被大量运用在安防，监控等领域，但绝大多数的应用都是采用集中式的管理方式，然而摄像机网络中各个摄像机分布在观察区域的不同位置，如果采用集中式管理，势必会存在布线困难，另外，集中式的管理方式会对中心节点造成较大的计算负载和存储压力。目前物联网、云计算的兴起，使得分布式处理技术飞速发展，其技术优势也被凸显出来。因此，本专利技术采用分布式的处理方式来进行信息的交互和处理。如前面提到的摄像机网络，我们将网络中的摄像机看作节点，各节点只跟其邻居节点建立通信并交互信息。这样就需要一种加权平均一致性算法使得各个节点所包含的信息一致。摄像机监控系统是一种非线性系统，在该系统中常用的目标跟踪方法，如卡尔曼滤波算法(KF)，扩展卡尔曼滤波算法(EKF)，将不能很好的适用于这种系统。而容积卡尔曼滤波(CKF)和平方根容积信息滤波(SCIF)由于其具有的优秀性能，近来被大量应用。由于摄像机网络是一种传感器网络，在设计时，考虑降低成本，网络节点的性能都一般比较低，因此采用滤波算法时不能使用复杂度较高的算法，另外还需要考虑处理器的有限字长问题对算法带来的影响。此外，在实际环境中，由于光照，背景变化，遮挡以及各摄像机间的不完全同步等一些外在因素的影响，状态的系统方程和观测方程之间的噪声还有可能是相关的。种种这些因素，限制了现有技术的应用范围。
技术实现思路
本专利技术目的是为实现摄像机网络中的目标跟踪，并解决现有目标跟踪方法中的由于使用集中式的处理方式而不能应用于大规模系统中的问题，以及克服现有方法往往不考虑过程噪声与观测噪声间的相关性的问题，提出一种适用于分布式摄像机网络下的目标跟踪方法，能够实现摄像网络中的目标跟踪，提高了目标跟踪精度，在分布式系统与目标跟踪等领域具有重要的作用。本专利技术的技术关键在于，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。本专利技术目的是通过下述技术方案实现的。一种适用于摄像机网络下的分布式目标跟踪方法，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Nc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：Sy,k∣k＝Tria([Sy,k∣k-1Si,k])；(2)其中，Tria表示QR分解运算，和Sy,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，Pk∣k-1为k时刻状态误差的协方差矩阵预测值，又P0∣-1和为初始已知值，所以Sy,k∣k-1和可以随时间递推求出；ik和Si,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，zk为k时刻的量测信息，Pxz,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，Dk为k时刻的量测噪声和过程噪声的互协方差矩阵，Dk≠0，m＝2nx，nx为状态向量xk的维数，Xi,k∣k-1和Zi,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：Zi,k∣k-1＝h(Xi,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Sk∣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πsj≥0且上标s，j代表节点编号，Ns为节点s与其邻居节点组成的集合，Ns,E表示与s相邻的节点的总个数；作为优选，所述加权值πsj取Metropolis权值规则，具体如下：其中，Δs表示节点s的度，即节点s的邻居数，Δj表示节点j的度，即节点j的邻居数；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，SQ,k为k时刻过程噪声协方差Qk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，Xi,k∣k为容积点，由公式得到，而和Sk∣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Sy,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。有益效果本专利技术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；本专利技术所提出的方法能够在提高跟踪精度的同时，提升方法的鲁棒性；本专利技术可以通过适当改进拓展到其他分布式系统中，在目标跟踪和数据融合的其他应用背景中具有一定的应用前景。附图说明图1是本专利技术所提出的一种适用于摄像机网络下的分布式目标跟踪方法k时刻算法执行流程示意图；图2是网络连通图以及摄像机FOV；图3是本专利技术所提出的方法在某次目标跟踪中的结果示意图；图4是本专利技术所提出的方法均值误差和对应的估计误差的方差的结果图。具体实施方式下面结合附图和实施例对本专利技术的优选实施方式进行详细说明。实施例考虑一个摄像机网络中有NC个摄像机(本专利技术中摄像机被看成网络中的节点，即摄像机、摄像机节点、节点三种表述意思相同)监控着重叠的可视区域(Fieldofviews，FOVs)中的NT个移动的目标。这NC个摄像机组成的网络在k时刻可以用无向图G(k)＝(C,E(k),A(k))表示，其中表示摄像机节点的集合，为边的集合，边表示节点间的通信连接，为邻接矩阵，邻接矩阵由0和1元素组成，若对应元素为1说明该两个顶点(摄像机节点)之间存在一条相邻边，并且规定ass＝0，s＝1,…,NC，NC表示摄像机节点的总个数；Ωs＝{j∈C∣(s,j)∈E}为节点s的邻居集，即与节点s相邻的节点的集合，(s,j)表本文档来自技高网...

【技术保护点】
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

【技术特征摘要】
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Nc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：Sy,k∣k＝Tria([Sy,k∣k-1Si,k])；(2)其中，Tria表示QR分解运算，和Sy,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，Pk∣k-1为k时刻状态误差的协方差矩阵预测值，又P0∣-1和为初始已知值，所以Sy,k∣k-1和可以随时间递推求出；ik和Si,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，zk为k时刻的量测信息，Pxz,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，Dk为k时刻的量测噪声和过程噪声的互协方差矩阵，Dk≠0，m＝2nx，nx为状态向量xk的维数，Xi,k∣k-1和Zi,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：Zi,k∣k-1＝h(Xi,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Sk∣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...

【专利技术属性】
技术研发人员：赵清杰，陈彦明，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11