一种监控场景中摄像机网络拓扑关系估算方法及系统技术方案

本发明专利技术适用于安防技术领域，提供了一种监控场景中摄像机网络拓扑关系估算方法及系统，所述方法包括：将监控网络中拍摄到的视频流中的监控场景分解为网格；获取所述监控场景中各网格的光流的颜色直方图信息；根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果；根据每个监控场景的语义区域分割结果确定各台摄像机之间的网络拓扑关系。本发明专利技术解决了现有技术存在的，计算摄像机之间的拓扑关系都基于对具体目标活动的定位、追踪，当监控环境中存在遮挡或监控图像分辨率较低时，算法性能将急剧下降的问题。

【技术实现步骤摘要】
一种监控场景中摄像机网络拓扑关系估算方法及系统
本专利技术属于安防
，尤其涉及一种监控场景中摄像机网络拓扑关系估算方法及系统。
技术介绍
摄像机网络的拓扑估计是摄像机网络部署的一个关键问题，精确的拓扑估计不仅能够掌握监控区域内的人员、人群等目标的运动模式，也能够通过反馈，进一步优化部署。现有技术提供了一些方法来进行摄像机网络的拓扑估计，包括：一、基于图像背景剔除的人员检测和跟踪结果，获取多个摄像机间人群活动的失控关联性，为分析和建立整个场景的目标活动模式提供依据。二、利用多个摄像机扑捉的人员步伐信息，获取人员活动的一般模式，并根据此模式重新调整摄像机部署，实现以更好的视角和更少的摄像机数目到达监控目标。三、基于Parzen窗和高斯核的混合概率密度估计器，来估计由时间间隔、进出观测视域的位置和进出视域时的运动速度等量组成的概率密度函数，整个估计过程通过学习训练集数据的方法实现。四、在时域约束方面采用一种模糊时间间隔来表示已观测目标在下一摄像机中出现的可能性，这种可能性通过运动方程估计得到。五、利用大量的目标观测数据，通过无监督学习的方法，为一个多摄像机监控网络自动地建立起摄像机之间的时空域拓扑关系。在此基础上，他们还给出了验证算法性能的方法并实现了目标在该网络中的跟踪。六、利用一个关于统计信任的更一般的信息论思想，把不确定对应性和贝叶斯方法相结合，减少了假设条件并体现了较好的性能。七、假设所有的摄像机都存在潜在的连接关系，然后通过观测把不可能的连接去掉，实验证明他们的方法在学习大规模摄像机网络拓扑关系方面，尤其是在学习样本较少的情况下，具有较好的效率和效果。八、大量工作利用多摄像机的拓扑关系，进行全局活动分析和行人再识别。但是，以上拓扑推理算法基本都基于对具体目标活动的定位、追踪，对监控视频质量要求较高，当监控环境中存在遮挡或监控图像分辨率较低时，算法性能将急剧下降。
技术实现思路
本专利技术实施例的目的在于提供一种监控场景中摄像机网络拓扑关系估算方法及系统，以解决现有技术存在的，现有的拓扑推理算法基本都基于对具体目标活动的定位、追踪，对监控视频质量要求较高，当监控环境中存在遮挡或监控图像分辨率较低时，算法性能将急剧下降的问题。本专利技术的实施例是这样实现的,一种监控场景中摄像机网络拓扑关系估算方法,所述方法包括以下步骤:将监控网络中每台摄像机拍摄到的视频流中的监控场景分解为网格；针对每个监控场景，获取所述监控场景中各网格的光流的颜色直方图信息；针对每个监控场景，根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果；根据每个监控场景的语义区域分割结果确定监控网络中各台摄像机之间的网络拓扑关系。本专利技术的另一实施例的目的在于提供一种监控场景中摄像机网络拓扑关系估算系统，所述系统包括：分解单元，用于将监控网络中每台摄像机拍摄到的视频流中的监控场景分解为网格；获取单元，用于针对每个监控场景，获取所述监控场景中各网格的光流的颜色直方图信息；聚类单元，用于针对每个监控场景，根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果；确定单元，用于根据每个监控场景的语义区域分割结果确定监控网络中各台摄像机之间的网络拓扑关系。本专利技术实施例通过光流算法计算网格的光流的颜色直方图特征，进一步计算出摄像机之间的拓扑关系，并不需要非常清晰获取运动目标的定位或者进行追踪，解决了现有技术存在的，计算摄像机之间的拓扑关系都基于对具体目标活动的定位、追踪，对监控视频质量要求较高，当监控环境中存在遮挡或监控图像分辨率较低时，算法性能将急剧下降的问题。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术一实施例提供的监控场景中摄像机网络拓扑关系估算方法的实现流程图；图2是本专利技术另一实施例提供的摄像机拓扑关系估计结果图；图3是本专利技术另一实施例提供的楼层及摄像机部署简图；图4是本专利技术另一实施例提供的监控场景中摄像机网络拓扑关系估算系统的模块结构图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。本专利技术一实施例提供了监控场景中摄像机网络拓扑关系估算方法,所述方法如图1所示，具体步骤包括:在步骤S101中，将监控网络中每台摄像机拍摄到的视频流中的监控场景分解为网格。在本实施例中，监控网络中包括至少两台摄像机，每台摄像机都拍摄到视频流，视频流里面包括多个帧，每帧都是一幅图像，在多个帧中，有运动目标经过的图像就是监控场景。需要说明的是，网格大小一般为10*10，也可以预设，但是所有摄像机拍摄到的视频流中的监控场景分解后的网格大小一致。在步骤S102中，针对每个监控场景，获取所述监控场景中各网格的光流的颜色直方图信息。具体地，实现获取所述监控场景中各网格的光流的颜色直方图信息的方法具体为：定义摄像机拍摄到的视频流为In(X)，其中X为所述视频流的监控场景中的网格的坐标，X=（x;y）T，所述x为所述网格的横坐标，所述y为所述网格的纵坐标，所述T表示矩阵的转置，所述n为所述视频流包含的视频帧的编号；定义其中，W表示可变性模板，p=（p1，p2，p3，p4，p5，p6）T,所述p1、p2、p3、p4为0，所述p5、p6为网格的光流信息；定义其中，Δp表示两次迭代的p之差，T（x）表示视频流第一帧分解的网格；需要说明的是，视频流第一帧分解的网格是指视频流中第一帧图像分解后的网格。按照（3）、（4）、（5）进行迭代，直到满足Δp小于预设阈值ε；其中，所述Ix表示网格在x轴方向上的梯度图，所述Iy表示网格在y轴方向上的梯度图，所述▽I表示网格在经过可变性模板W(X；p)变换后的梯度图；计算出满足Δp小于预设阈值ε时的p5、p6；从网格的光流信息的RGB三个分量获取光流得到网格的颜色光流信息；根据所述网格的颜色光流信息，计算光流在8个方向的直方图信息，所述光流在8个方向的直方图信息是网格的光流的颜色直方图特征，所述网格的光流的颜色直方图特征包括水平方向上的光流u’b和垂直方向上的光流v’b。需要说明的是，所述8个方向具体为每隔45度一个方向。在步骤S103中，针对每个监控场景，根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果。具体地，实现步骤S103具体为：在步骤S104中，根据每个监控场景的语义区域分割结果确定监控网络中各台摄像机之间的网络拓扑关系。具体地，以两台摄像机为例，所述两台摄像机分别为第一摄像机和第二摄像机，所述第一和第二并不代表顺序，仅用于区分摄像机；第一摄像机获取第一视频流，第二摄像机获取第二视频流，视频流包括多个帧，每帧都是一幅图像，第一视频流包括第一图像，第二视频流包括第二图像；在第一图像中，有运动目标经过的图像为第一监控场本文档来自技高网...

【技术保护点】
一种监控网络中摄像机网络拓扑关系估算方法，其特征在于，所述方法包括：将监控网络中每台摄像机拍摄到的视频流中的监控场景分解为网格；针对每个监控场景，获取所述监控场景中各网格的光流的颜色直方图信息；针对每个监控场景，根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果；根据每个监控场景的语义区域分割结果确定监控网络中各台摄像机之间的网络拓扑关系。

【技术特征摘要】
1.一种监控网络中摄像机网络拓扑关系估算方法，其特征在于，所述方法包括：将监控网络中每台摄像机拍摄到的视频流中的监控场景分解为网格；针对每个监控场景，获取所述监控场景中各网格的光流的颜色直方图信息；针对每个监控场景，根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果；根据每个监控场景的语义区域分割结果确定监控网络中各台摄像机之间的网络拓扑关系；所述获取所述监控场景中各网格的光流的颜色直方图信息具体为：定义摄像机拍摄到的视频流为In(X)，其中X为所述视频流的监控场景中的网格的坐标，X＝(x；y)T，所述x为所述网格的横坐标，所述y为所述网格的纵坐标，所述T表示矩阵的转置，所述n为所述视频流包含的视频帧的编号；定义其中，W表示可变性模板，p＝(p1，p2，p3，p4，p5，p6)T,所述p1、p2、p3、p4为0，所述p5、p6为网格的光流信息；定义其中，Δp表示两次迭代的p之差，T(x)表示视频流第一帧分解的网格；按照(3)、(4)、(5)进行迭代，直到满足Δp小于预设阈值ε；其中，所述Ix表示网格在x轴方向上的梯度图，所述Iy表示网格在y轴方向上的梯度图，所述表示网格在经过可变性模板W(X；p)变换后的梯度图；计算出满足Δp小于预设阈值ε时的p5、p6；从网格的光流信息的RGB三个分量获取光流得到网格的颜色光流信息；根据所述网格的颜色光流信息，计算光流在8个方向的直方图信息，所述光流在8个方向的直方图信息是网格的光流的颜色直方图特征，所述网格的光流的颜色直方图特征包括水平方向上的光流u’b和垂直方向上的光流v’b。2.如权利要求1所述的方法，其特征在于，所述针对每个监控场景，根据所述监控场景中各网格的光流的颜色直方图信息对所述监控场景中的网格进行聚类，得到所述监控场景的语义区域分割结果具体为：3.如权利要求2所述的方法，其特征在于，所述根据每个监控场景的语义区域分割结果确定监控网络中各台摄像机之间的网络拓扑关系具体为：其中，所述ai表示第一网格的光流的颜色直方图特征，所述第一网格由第一监控场景分解，所述第一监控场景由第一摄像机拍摄，所述aj表示第二网格的光流的颜色直方图特征，所述第二网格由第二监控场景分解，所述第二监控场景由第二摄像机拍摄，所述第一摄像机和第二摄像机为监控网络中任意两台摄像机，所述c表示τ时刻后的第二网格，所述表示第一网格的光流的颜色直方图特征和第二网格的光流的颜色直方图特征的关联度，所述表示第一网格和第二网格的时移，所述Ψi,j表示第一摄像机和第二摄像机的拓扑关系估计结果。4.如权利要求1所述的方法，其特征在于，所述8个方向具体为每隔45度一个方向。5...

【专利技术属性】
技术研发人员：张红广，崔建竹，唐潮，田飞，王鹏，邓娜娜，蒋建彬，马娜，高会武，徐尚鹏，季益华，马铁，宋成国，
申请(专利权)人：安科智慧城市技术中国有限公司，上海中科高等研究院，智慧城市信息技术有限公司，
类型：发明
国别省市：