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 ...
【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。