算法模型中作为候选地点得出摄像机1、3、 5号的结果，而在2号算法模型中得出摄像机3、5、6号的结果，并在3号算法模型中得出摄 像机4、5、6号的结果。在此情况下，在六个摄像机中5号摄像机的得票数最高而达到3,因 此预测路径计算单元104优先将5号地点（摄像机）确定为目标物的移动预测地点。
[0055] 在另一实施例中，预测路径计算单元104可根据服从多数的原则而从由各个算法 模型导出的候选地点确定目标物的移动预测地点。例如在上述例中，在将3号摄像机选择 为最优候选地点的算法有两个而选择2号摄像机的算法有一个的情况下，根据服从多数的 原则可将3号摄像机选择为目标物的移动预测地点。
[0056] 在又一个不同实施例中，预测路径计算单元104可利用通过训练数据先行学习的 结果而对各个候选地点赋予分别对应于犯罪或事件类型的加权值。具体而言，训练数据可 以通过由专门的测试仪持GPS发送装置等而移动于摄像机候选地点并以特定周期向收集 服务器进行发送而生成。这种训练数据可根据犯罪倾向而不同地生成类别（category)，作 为一个例，在考虑爆炸恐怖袭击之类的将多数群众作为对象的犯罪情景的情况下，可以使 测试仪朝人群较多地集中的广场或设施方向移动并生成数据。作为又一个不同的例，在考 虑抢劫、强奸等将特定对象者作为对象的犯罪情景的情况下，可以使测试仪朝人迹罕至的 胡同或娱乐场馆密集区域方向等移动并生成数据。这种数据的基本信息可以由纬度坐标、 经度坐标和发送时间等构成。而且，作为附加信息还可以插入基于罪犯侧写（profiling)的 罪犯的服装类型等特征。于是，考虑基于犯罪类型的加权值而应用，从而可以选择更加准确 的目标物的移动预测地点。
[0057] 此外，预测路径计算单元104可构成为通过应用分别对应于之前步骤中的算法的 准确率、基于目标物特性的算法所对应的加权值等多种多样的要素而由分别对应于各个算 法而导出的候选地点预测目标物的移动。例如，目标物如果是犯下杀人罪的罪犯，则可以预 测为了避开搜查而故意混入人群中或者考虑到二次犯罪而向人口大量集中的购物中心、地 铁等移动，且大致可以预测会避开警察局、消防所等政府机构。并且，如果嫌疑人为走失的 孩子，则主要向警察局、消防局等附近政府机构移动的可能性较高，而利用市外交通工具的 可能性似乎较低。即，如果根据嫌疑人的类型而对位于候选搜索地点周围的交通设施、政府 机构、购物中心等特定据点赋予加权值，则在选定候补时可期望更高的准确率。换言之，本 发明的实施例并不局限于从基于多个算法的结果中导出最终结论的特定方法，只要是如前 所述的从基于频数、加权值、优先顺序等多个算法的多个结果值中导出最终结论的方法就 可以不加限制地使用。即，在本发明的实施例中，基于各个算法的结果值的"比较"应当解 释为包括由多个互不相同的结果值导出最终结论的所有方式的含义。
[0058] 而且，预测路径计算单元104不用非要选择一个预测地点（摄像机），而是可以选 择位于预测目标物将会移动到的区域的多个摄像机组，或者还可以构成为选择将多个摄像 机依次连接的预测路径。
[0059] 判断单元106从由被预测路径计算单元104选择的一个以上的摄像机获取的图像 判断所述目标物是否存在。例如在所述目标物为人的情况下，判断单元106可利用脸部识 别算法而判断是否从所述图像中发现与所述目标物相近的脸部。在此情况下，作为对室外 环境强有力的脸部识别方法，可使用在多种多样的室外环境条件（照明、基于时间段的颜 色变化）下的检测率及识别率较高且对基于闭塞（occlusion)、姿势等的角度变化强有力 且局部脸部识别（partial face matching)的识别率较高的识别算法。并且，作为用于进 一步提高用于判断确属目标物的相似度的准确率的方法，可以与脸部识别一同考虑人物的 特征（feature)。此时，所述特征可使用大小信息、颜色信息、速度信息等。
[0060] 预测路径计算单元104可构成为，在判断为由选择的所述一个以上的摄像机获取 的图像中不存在所述目标物的情况下，除去所选择的所述摄像机并由导出的所述候选摄像 机信息重新选择判断为似乎能够搜索到所述目标物的摄像机。例如在预测路径计算单元 104根据算法之间的投票而选择摄像机的情况下，如果判断为所选择的摄像机中没有检测 到目标物，则预测路径计算单元104可以选择各算法选择第二多的摄像机（对于前述的示 例而目，是摄像机3或摄像机6)。
[0061] 而且，与之不同，在判断单元106判断的结果为由预测地点的摄像机实际发现目 标物的情况下，预测路径计算单元104将新发现的摄像机作为基准而重新执行目标物的移 动预测地点搜索。这种重复一直执行直到达到最初设定的时间范围或区域范围为止，或者 一直执行到不再出现搜索到嫌疑人的候补为止，并将所述搜索的结果导出的移动预测地点 连接，从而可以导出目标物的移动预测路径。
[0062] 图2为用于说明在根据本发明的一个实施例的预测路径计算单元104和判断单元 106中的路径计算过程的示例图。如图所示，假设分别配置从摄像机1到摄像机20的二十 个摄像机，且最初是在摄像机20中发现了目标物。在此情况下，预测路径计算单元104利 用互不相同的多个（例如，三个）算法而按照各个算法分别计算将会发现所述目标物的下 一候选地点。假设根据三个算法的结果，两个算法选择摄像机15而剩下的一个算法选择摄 像机14。在此情况下，判断单元106将由两个算法预测的摄像机15选择为下一地点，并从 相关摄像机的图像中搜索目标物的存在。如果所述搜索结果为从摄像机15中发现目标物， 则预测路径计算单元104将摄像机15作为基准而计算新的候选地点，且判断单元106将会 选择其中之一。在图示的附图中，用斜线表示的部分表示通过如上所述的过程而进行搜索 的结果发现目标物的摄像机，而箭头表示通过连接摄像机而生成的目标物的移动路径。
[0063] 输出单元108将通过预测路径计算单元104和判断单元106计算出的目标物的移 动路径显示于画面上。例如，如图3所示，输出单元108可构成为给用户提供所需的信息， 例如将通过预测路径计算单元104和判断单元106计算出的移动路径输出到地图上，或者 根据用户的选择而再现各个地点分别对应的目标物被发现的图像等。在图示的实施例中， 虚线表示关心区域内的摄像机的位置，实线表示分别对应于各个算法的候选地点，以斜线 涂画的部分表示实际选择的移动预测地点，中央的大圆表示已设定的时间范围（例如，从 最初发现之时起的2小时以内等）或者区域范围。
[0064] 根据这种本发明的实施例，无需为了搜索目标物的移动路径而搜索特定区域的所 有摄像机，而是只要搜索候选预测地点即可，因此可以使目标物跟踪中的计算量和计算时 间的减少有质的飞跃。
[0065] 图4为用于说明根据本发明的一个实施例的目标物跟踪方法300的流程图。
[0066] 在步骤302中，输入单元102接收要搜索的目标物的信息。所述目标物的信息可包 括所述目标物的图像、所述目标物的观测位置和观测视角以及移动方向中的一种以上。而 且，所述目标物的观测位置可以是拍摄所述目标物的摄像机的位置信息。
[0067] 在步骤304中，预测路径计算单元104利用两个以上的位置预测模型而由所输入 (即接收）的所述信息计算所述目标物的各个预测模型所分别对应的移动候选地点。
[0068] 在步骤306中，预测路径计算单元104通过在所述步骤304中计算的所述各个预 测模型所分别对应的移动候选地点之间的比较而确定所述目标物的移动预测地点。此时， 所述目标物的移动预测地点可以是判断为似乎有可能搜索到所述目标物的摄像机的位置