多相机网络时空模型的候选目标提取方法技术

本发明专利技术公开了一种多相机网络时空模型的候选目标提取方法，首先通过运动前景分割和单相机目标跟踪获取每个相机中每个目标进出时间数据及其运动轨迹，根据时间数据计算不同相机对之间不同目标的转移时间，根据其判定相机对之间是否连通从而获得相机网络的空间拓扑结构；然后对连通相机之间的转移时间建模，并通过学习方式拟合模型参数，最终得到相机网络的时间模型；时间模型与空间结构组合得到相机网络时空模型。在候选目标提取时，根据相机网络空间结构确定相机节点之间的连通性，再根据转移时间概率模型计算连通相机中的搜索时间窗口，最后提取候选目标。本发明专利技术在缩小目标的搜索范围同时保证候选目标提取的可靠性，而且极大地降低了搜索复杂度。

Candidate target extraction method for multi camera network spatiotemporal model

The invention discloses a multi camera network space model candidate target extraction method, first through the single camera moving foreground segmentation and target tracking for each camera in each target import time data and its trajectory, according to the data of different time calculation of camera between different target transfer time according to the decision of whether or not connected to the camera. Get the camera topology structure of the network; then the transfer time is connected between the camera model, through the study of fitting model parameters, time model camera network is finally obtained; time and space structure model combination camera network space model. When candidate targets are extracted, the connectivity between camera nodes is determined according to the spatial structure of the camera. Then, the time window for searching in connected cameras is computed according to the probability model of transfer time, and finally the candidate targets are extracted. The invention reduces the search range of the target at the same time to ensure the reliability of the candidate target extraction, and greatly reduces the search complexity.

【技术实现步骤摘要】
多相机网络时空模型的候选目标提取方法
本专利技术涉及一种智能交通和计算机视觉领域，具体涉及一种多相机网络时空模型的候选目标提取方法。
技术介绍
随着城市规模的扩张、道路车流量的增长，各式各样的监控相机架设在城区中各大小路口，扩充了道路交通的监控范围。利用精细化分割及单相机跟踪的方法可获取车辆在各个相机中的轨迹碎片，然后基于相机网络拓扑关系，在相机网络覆盖的范围内，对目标进行广域跟踪并得到其在网络中的运动轨迹，这是所谓的多相机网络广域车辆跟踪。对多相机视野覆盖下的大范围城市区域中的车辆跟踪问题而言，每个相机在一定时段内将产生庞大的数据量，而对于整个相机网络，其获取的数据更是海量的。若直接对整个网络所有数据进行穷举式搜索，则将引入极大的计算复杂度。在无重叠视野广域目标跟踪候选目标提取方法的研究中，文献“ZhengL,ShenL,TianL,etal.Scalablepersonre-identification:Abenchmark[C]//Proceed-ingsoftheIEEEInternationalConferenceonComputerVision.2015:1116-1124.”使用词袋模型(Bag-of-Words)和颜色名称(ColorName)等外观特征对目标集合进行筛选；文献“SzegedyC,LiuW,JiaY,etal.Goingdeeperwithconvolutions[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2015:1-9”使用GoogleNet模型提取特征并进行筛选；文献“LiuX,LiuW,MeiT,etal.ADeepLearning-BasedApproachtoProgressiveVehicleReidenti-ficationforUrbanSurveillance[C]//EuropeanConferenceonComputerVision.SpringerIntern-ationalPublishing,2016:869-884.”则综合了外观特征以及相机网络空间结构特征，将候选目标提取分为三步，首先在整个数据集中，使用基于外观的粗糙滤波做一次粗筛选，在这个过程中使用基于拟跟踪目标颜色、纹理、形状、类型的外观模型，筛除一部分不符合要求的样本；然后，基于汽车牌照进行目标筛选。将车牌作为车辆识别特征，相对于第一步的外观特征更为可靠；最后，使用由近到远原则，利用相机网络的空间特征对第二步中得到的候选目标进行排序，根据排序对目标进行最终筛选。文献“ChenX,HuangK,TanT.Objecttrackingacrossnon-overlappingviewsbylearninginter-cameratransfermodels[J].PatternRecognition,2014,47(3):1126-1137.”通过收集运动目标在每个摄像机中出现和离开的包围盒记录下相应的时间序列，通过估计相机之间的转移时间获取任意对象在相邻相机中的候选目标集合。再利用色彩一致性变换将不同相机下的图像进行色彩迁移，更好地实现了拟跟踪目标与候选集合之间的匹配。但是上述现有处理方法大多依赖对目标的特征提取及识别而忽视目标之间的时空相关性，对于小规模数据器可以取得不错的效果，但如果面对城市交通区域监控网络的海量数据，特征提取和分类计算带来的时间复杂度将极大。因此研究一种简洁高效的候选目标提取方法，对多相机广域目标跟踪算法效率的提升具有重要意义。
技术实现思路
本专利技术的专利技术目的在于：针对上述存在的问题，提供一种充分利用相机监控网络的时空特性尽可能减少候选目标集合的候选目标提取方法，使得对重叠视野广域目标跟踪中候选目标提取的效果相较于现有的基于外观特征、或者单方面依靠时域或空域信息的候选目标提取方法，理论依据更强，搜索复杂度更低，候选目标提取的可靠性更高。本专利技术的多相机网络时空模型的候选目标提取方法包括下列步骤：步骤1：训练相机网络时空模型：基于相机网络中的各相机节点在不同时段采集到的视频样本，对车辆目标进行检测和跟踪(可采用任一惯用的检测及跟踪处理方法)，得到不同车辆目标进入相机网络中的相机节点的时刻其中上标n为车辆目标区分符、下标j为相机节点区分符；采集相机网络中的任意一对相机节点间的转移时间构建任意相机对Cij的转移时间样本集合其中i、j用于区分不同的相机节点；若转移时间样本集合的转移时间样本数量大于或等于数量阈值，则认为相机对Cij连通，将相机对Cij之间的连通性设置为连通；分别将各连通的相机对Cij的转移时间样本集合中的转移时间作为输入样本进行高斯混合建模，得到对应各集合的转移时间分布随机初始化K个高斯分布，每个高斯分布由权重ω、转移时间均值tmean、时间方差构成；依次将集合的转移时间分别与K个高斯分布进行匹配：若转移时间与时间均值tmean的距离d大于距离阈值，则认为与当前高斯分布不匹配，更新当前高斯分布的权重ω为：ω＝(1-α)×ω，其中α表示预设的学习速率；若转移时间与时间均值tmean的距离d小于或等于距离阈值，则认为与当前高斯分布匹配，更新当前高斯分布的权重ω、转移时间均值tmean、时间方差更新ω＝(1-α)×ω+α，再基于权重ω的当前取值得到对每个转移时间若与K个高斯分布均不匹配，则将K个高斯分布中权值最低的高斯分布替换为：以当前转移时间为转移时间均值tmean初始化一个新的高斯分布；步骤2：候选目标提取处理：获取当前跟踪目标n进入的相机节点j，及进入相机节点j的时刻为将相机网络中与相机节点存在连通的相机节点作为候选提取对象，基于相机节点j与各候选提取对象的转移时间分布设置各候选提取对象的搜索时间窗口W，并在每个候选提取对象中根据窗口W提取候选目标；其中tmean,k、表示当前转移时间分布的K个高斯分布中不同高斯分布的转移时间均值、时间方差，k为K个高斯分布的区分符。在本专利技术的多相机网络时空模型的候选目标提取方法中，本专利技术使用目标转移时间表征任意相机节点间的连通性，并通过单个相机中多个目标转移时间的统计特征判断相机之间是否连通；再利用连通相机之间转移时间的多模态特性，使用高斯混合模型为其建模，并通过样本对模型参数进行学习，最终得到连通相机的转移时间分布模型；在计算搜索时间窗口时，使用均值加减偏差的方式表示其上下界，充分考虑了模型的泛化能力，使候选目标中拟跟踪目标的命中率更高。综上所述，由于采用了上述技术方案，本专利技术的有益效果是：本专利技术充分利用了相机网络的时空结构，没有复杂的特征设计、特征提取过程，仅根据相机节点的空间连通性以及转移时间窗口，缩小目标的搜索范围同时保证候选目标提取的可靠性，而且极大地降低了搜索复杂度。因此本方法具有较高的实用价值。附图说明图1是连通性估计的处理流程图；图2是转移时间估计的处理流程图；图3是候选目标搜索的处理流程图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本专利技术作进一步地详细描述。本专利技术提出的基于多相机网络时空模型的候选目标提取方法，采用以下步骤实现：S1：多相机网络中各相机节点的本文档来自技高网...

【技术保护点】
多相机网络时空模型的候选目标提取方法，其特征在于，包括下列步骤：步骤1：训练相机网络时空模型：基于相机网络中的各相机节点在不同时段采集到的视频样本，对车辆目标进行检测和跟踪，得到不同车辆目标进入相机网络中的相机节点的时刻

【技术特征摘要】
1.多相机网络时空模型的候选目标提取方法，其特征在于，包括下列步骤：步骤1：训练相机网络时空模型：基于相机网络中的各相机节点在不同时段采集到的视频样本，对车辆目标进行检测和跟踪，得到不同车辆目标进入相机网络中的相机节点的时刻其中上标n为车辆目标区分符、下标j为相机节点区分符；采集相机网络中的任意一对相机节点间的转移时间构建任意相机对Cij的转移时间样本集合其中i、j用于区分不同的相机节点；若转移时间样本集合的转移时间样本数量大于或等于数量阈值，则将相机对Cij之间的连通性设置为连通；分别将各连通的相机对Cij的转移时间样本集合中的转移时间作为输入样本进行高斯混合建模，得到对应相机对Cij的转移时间分布：随机初始化K个高斯分布，每个高斯分布由权重ω、转移时间均值tmean、时间方差构成；依次将集合的转移时间分别与K个高斯分布进行匹配：若转移时间与时间均值tmean的距离d大于距离阈值，则认为与当前高斯分布不匹配，更新当前高斯分布的权重ω为：ω＝(1-α)×ω，其中α表示预设的学习速率；若转移时间与时间均值tmean的距离d小于或等于距离阈值，则认...

【专利技术属性】
技术研发人员：王正宁，周阳，马姗姗，吕侠，冯龙飞，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51