专利名称：用摄像机网络定位目标的系统和方法
技术领域：
本发明涉及电子学领域，特别涉及图像传感器如摄像机的网络，并特别涉及使用所谓的“智能”摄像机的网络定位和/或跟踪单个目标或多个目标的领域。本发明更特别涉及使用智能摄像机的网络随着时间定位目标的系统和方法，即跟踪目标的系统和方法。
背景技术：
出于简化的目的并且与以下事实有关当期望使用摄像机获得连续图像(视频) 时，显而易见的是仅仅获取静态图像也是可能的，因此本发明中使用的图像捕捉设备在下文被称为“摄像机”。本发明提出允许定位目标(物体或人，作为非限制性的例子)的摄像机网络。事实上，术语“摄像机”(或智能摄像机)在本申请中是指包含图像(静态或视频) 获取装置、处理数据的装置，特别是处理代表这些图像的数据的装置和用于彼此传输与这种处理有关的信息和/或传输该信息至更高级别的系统或人的通信装置的设备。本申请涉及无线通信，但是应明显的是，虽然使用无线通信更实用，但是也可使用有线通信，特别是由于本发明使得将经过这些通信装置的信息量最小化成为可能，并因此不需要有线通信所提供的与无线通信相比更高的传输速率。无线摄像机网络(WCN) —般是由数十至数百个互相连接的节点(或如上面定义的 “智能摄像机”)组成的系统。这些节点每一个都由摄像机(或图像获取装置)、信息处理单元和通信装置组成。这些节点具有受限制的覆盖区域并部署在不同类的环境中。它们是自治的，并针对此目的储有能量，补充其能量被证明是不可能的，这限制了这些节点的使用寿命。因而最小化每个节点的成本是有用的。每个节点必须能处理接收的数据、做出定位决策并独立将该定位决策传输到与其连接的邻近节点。计划这种合作以确保做出最佳的决策是可能的，而不管功率消耗和处理功率的限制。因而，WCN遭遇多种类型的强约束，其中的功率约束和计算约束限制了网络中节点的处理和通信能力。尽管如此，它们必须满足考虑它们打算被部署的系统的敏感性的服务质量的严格目标。在这种背景下，最重要的是提出的解决方案是合作式的并需要与通信模式和所获图像的实时处理有关的分布式智能技术。 通信的无线方面可在用于传输信息的传感器网络的范围内开发，并且因此必须在信号处理算法的设计中考虑它。相反地，这些算法依赖于单元之间的通信并对通信强加了强限制。在过去的几年，实时视频监视在科学界和工业界吸引最高级别的特别关注。已完成了从单个摄像机跟踪移动的人或物的多个项目。已知有许多探测目标的解决方案，例如通过外形识别或某个其他方法，此处将不给出关于探测算法的细节。不管所提出的算法和模型的复杂性如何，用单个摄像机跟踪会由于考虑的景象中出现多种类型的障碍物而复杂化。特别地，已经建议使用基于外表模型或颜色相关图原理的成熟处理技术以避免部分或全部障碍物的问题。基于先验的移动模型的贝叶斯(Bayesian)概率滤波或概率过滤的其他方法是已知的。然而，并入目标的先验动态模型不提供关于所遭遇障碍物(静态障碍物或移动人物的混合)的足够可靠性。多个具有不同视角监测景象的摄像机的使用可提供关于障碍物出现的可靠解决方案。文献中已提出不同的数据合并策略以便开发从分布的摄像
4机传出的视屏流。常用策略中的第一类策略，由用每个摄像机探测目标并基于其校准和被跟踪物体的主轴计算摄像机之间的映射组成。这种方法的主要缺点是需要探测并正确跟踪所有目标。另一个缺点是所有摄像机必须同时起作用或是活动的，这在无线且自治并具有受限制的和不可再生的能源储存的摄像机网络的背景下是不可能的。第二类方法基于用于合并来自不同摄像机的数据的粒子过滤。粒子过滤由使用有序蒙特卡洛(Monte Carlo)方法的系统状态(知道至目前时刻的所有视频图像)的近似概率密度组成。这种方法的全部好处是其无需依赖解析近似而分解非线性动态模型的能力。非线性方面主要由强非线性的视频观察模型引起。以下列类别区分两种类型的方法1. 3D粒子过滤这包括根据3D空间中仪器的概率分布模拟大量粒子(系统状态如位置、速度、方向、…)，将这些粒子投影在每个摄像机的面中，以计算其在同一摄像机中的似然水平，并且最终将所有选择的摄像机的似然水平相乘以合并数据。这种策略的缺点是其集中性，集中性需要将视屏流传送至中央单元。由于能源限制以及安全性的原因，所以这个集中化方面在无线摄像机网络的范围内不可接受，因为中央单元的退化使得整个监视系统不能操作。2.协同粒子过滤这种方法由结合多个在不同摄像机中实施的粒子过滤器组成。 这个结合依赖于信息的交换，以便获得与中央粒子过滤器相同的性能。尽管是分布式的，但是这种方法需要大量的信息交换，导致高通信成本。此外，这种方法不包含用于选择摄像机子集的装置，该摄像机子集能够获得与作为整体的网络相同的跟踪性能。比较上述两个类别的方法，可注意到用粒子方法实施的贝叶斯过滤提供更坚固的概率框架，用于在摄像机的网络内跟踪目标。然而，粒子方法无法适应自治摄像机网络背景中的能源限制。因此，现有技术的解决方案具有针对部署低成本自治摄像机网络的严重缺点ο此外，从现有技术中可知，无线摄像机的内嵌网络具有分散处理摄像机(如前所述，并入了处理装置)中所获图像的优点，并具有高分辨率(例如，3.1兆象素CMOS传感器)，允许获得比那些用模拟技术获得的图像精确30倍的图像，并且摄像机的视野范围达到360度，因此最小化大面积监视所需的摄像机数量。然而，这种类型的解决方案具有下列缺点成本(特别是用于机动化摄像机的成本)；限于更好清晰度的图像局部处理的分散处理；缺乏协同处理，导致困难条件下如存在多个障碍物时系统故障；限于使用多个摄像机以获得相同景象的多个视图的网络概念，没有智能分布的处理并且摄像机尺寸太大，造成入侵者损坏的危险而不是允许离散并有效的监视。因而，智能摄像机网络领域的一个主要问题涉及这些摄像机进行的协同处理。非常需要要求有限资源的允许有效协同处理的摄像机，并特别需要允许多个摄像机由于互相协同而同时跟踪至少一个目标的摄像机网络。在这种背景下，值得提出摄像机网络，用于定位(和/或跟踪)目标，由于图像的协同处理，其建议更先进的处理如探测、跟踪移动物体、做出决策，同时由于智能摄像机交换局部处理得到的信息以便满足评估和决定的目标，因此使网络中的信息交换最少，以电信意义理解术语网络，支持多种架构，例如广播、点对点等等。
发明内容
本发明以提出使用摄像机的网络定位目标的过程作为目的，其使得缓解现有过程的至少一些缺点成为可能。这个目的通过使用智能摄像机网络跟踪至少一个目标的方法实现，智能摄像机包括实施至少一个目标跟踪算法的数据处理装置、图像获取装置和通信装置，所述摄像机网络覆盖至少一个称为地区的地理区域，所述方法的特征在于其包括由于至少一个探测算法，在该地区内通过网络中的至少一个摄像机探测至少一个目标，然后对于每一个时刻，由于至少一个使用模型(该模型称为转移模型)的变分过滤算法，依赖于从一个时刻到另一个时刻的目标轨迹的时间相关性，使用目标位置的估计，重复通过至少一个称为活动摄像机的摄像机进行的至少一个目标跟踪步骤。以特别有利的方式，跟踪方法使用在通过所述活动摄像机获取的图像内目标位置的似然函数，并且转移模型通过高斯或高斯函数(Gaussians)的连续混合表示，高斯连续混合允许借助概率密度的目标位置的估计。根据另一个特定特征，在给定时刻，跟踪步骤也包括确定代表时间上的充分统计量的数据的步骤，表示轨迹的知识，以在接下来的时刻继续跟踪目标。根据另一个特定特征，在给定时刻，跟踪步骤也包括确定目标位置估计的相关性指标的步骤，由于至少一个选择算法允许选择至少一个活动摄像机根据其相关性指标来执行跟踪，相关性指标表示前一时刻预测目标位置的概率密度和当前时刻的估计目标位置的概率密度之间的差。根据另一个特定特征，在初始时刻探测地区中出现的至少一个目标的步骤引起所有已探测该目标的摄像机跟踪该目标，接下来是在摄像机之间根据确定的相关性指标竞争的步骤，用于选择最相关的并集合一组摄像机，其被称为活动组，在给定时刻被分配给跟踪任务。根据另一个特定特征，在执行的处理中确定相关性指标的步骤引发比对在给定时刻活动的每一个摄像机的相关性指标和在选择算法中确定的阈值的步骤，选择算法允许摄像机根据这个比对的结果继续跟踪或放弃跟踪。根据另一个特定特征，比对在给定时刻活动的每个摄像机的相关性指标和阈值的步骤伴有比对其他摄像机的相关性指标中的变化的步骤，以便在继续跟踪和终止跟踪之间决定并决定是否将其表示该摄像机确定的充分统计量的数据传输至网络中的其他摄像机时考虑该变化，这个传输引起重复以下步骤摄像机间竞争，以在所有摄像机的相关性指标都越过阈值时集合新的组。根据另一个特定特征，跟踪步骤包括在每个时刻都重复在下一时刻预测(若干) 目标的(若干)位置的步骤。根据另一个特定特征，表示在时间上的充分统计量的数据代表目标的估计位置的均值和随机均值的协方差。根据另一个特定特征，由于其处理装置使用表示其各自视场的相对定位的数据， 摄像机已知地理位置。根据另一个特定特征，由于其各自的变分过滤器之间的依赖性，在给定时刻借助变分过滤的跟踪步骤，当多个摄像机被激活时，通过活动的摄像机以协同方式实施，所述依赖性通过连接目标位置的随机均值的动态单应性模型(homography model)表达，所述目标位置分别由每个活动摄像机估计。根据另一个特定特征，跟踪由活动摄像机通过在摄像机之间交换代表除了那些时间上的充分统计量之外，空间上的充分统计量的数据协同地执行，这些空间上的充分统计量表示当前时刻每个活动摄像机的图像中的目标的预期位置。本发明也具有提出用于通过传感器网络定位目标的系统的目的，该系统允许缓解现有技术的至少一些缺陷。该目的通过使用智能摄像机网络跟踪至少一个目标的系统实现，每个智能摄像机都包括数据处理装置、图像获取装置和通信装置，摄像机网络覆盖至少一个地理区域，被称为地区，其特征在于数据处理装置通过实施根据本发明的方法来实施至少一个定位和跟踪一个目标或多个目标的算法。根据另一个特定特征，所使用的至少一个算法基于变分过滤器，该过滤器允许用于跟踪的摄像机之间交换的数据被限制为一个均值和一个协方差。根据另一个特定特征，至少一个图像由至少一个摄像机在跟踪期间获得，根据其关于坐标的位置和/或目标轨迹被选择。根据另一个特定特征，通过根据其位置选择的至少一个摄像机获取的所述图像储存在相同摄像机的存储装置中。根据另一个特定特征，该系统包括至少一个集中设备，该设备包括与所述系统中的摄像机通信的装置及用于分别储存和/或显示数据的储存和/或显示装置，所述数据与跟踪和/或所述获取的图像有关，并由摄像机传输。根据另一个特定特征，集中设备包括数据输入装置，其允许操作人员基于摄像机传输并显示在所述设备上的数据检查目标的跟踪，并且如果适用，经由所述设备的通信装
置警告观察办公室。本发明的另一个目的是提出用于通过目标定位的设备，该设备使用传感器网络， 允许缓解现有技术的至少一些缺陷。这种设备允许单独实施本发明，或与其他相同类型的设备合作以实施本发明。该目的通过智能摄像机实现，所述智能摄像机覆盖至少一个地理区域并包括数据处理装置、图像获取装置，其特征在于数据处理装置通过实施根据本发明至少一个实施所述的方法实施至少一个定位一个目标或多个目标的算法，其中单个摄像机可进行跟踪。根据另一个特定特征，智能摄像机包含通信装置，用于与另一智能相机通信，从而实施根据本发明至少一个实施例的方法，其中多个摄像机可以连续地或协同地执行跟踪。根据另一个特定特征，智能摄像机包含用于与集中设备通信的通信装置，集中设备具有与至少一个摄像机通信的装置以及储存和/或显示装置，储存和/或显示装置用于分别储存和/或显示与跟踪和/或所述获取的图像有关的数据。
在阅读下面的描述并参考附图后，本发明的其他特殊特征和优点将显现，其中图1显示根据本发明随时间跟踪目标的跟踪系统的实施例，网络中具有一个传感器的放大视图，图2显示根据本发明的定位过程的实施例，图3显示在2个摄像机同时实现变分过滤器的情形中的动态状态模型。
具体实施例方式本发明涉及通过如前定义的智能摄像机的网络跟踪至少一个目标的系统和方法。 这些智能摄像机(S)已知地理位置并且每个都包含实施至少一个用于跟踪一个目标或多个目标的算法(AS、AD、AF)的数据处理装置(Si)、图像获取装置(S2)和通信装置(S21)。 摄像机( 的网络使得覆盖至少一个地理区域(称为地区(Z)成为可能)，其中摄像机网络进行的协同处理允许低成本的有效监视，特别是使用具有受限计算资源和能力的摄像机。 通信装置可以是有线或无线的。优选地，本发明将在自治摄像机(即，不需要更高级别的系统)的网络中实施，自治摄像机的网络以协同的方式实施本发明。根据摄像机群组中的变化，处理装置是可重构的。所述方法包括通过网络中的至少一个摄像机( ，使用至少一种探测算法(AD)， 探测(50)地区(Z)中的至少一个目标(X)，接着是，对于每一个时刻(t)，使用至少一个基于变分过滤器的变分过滤算法(AF)，重复至少一个称为活动摄像机的摄像机对目标(X)跟踪(5 的至少一个步骤，接着是通过概率密度估计(551)目标(X)的位置。所述系统包括联网的摄像机和数据处理装置(Si)，数据处理装置通过实施根据本发明的方法，实施至少一种算法(AS、AD、AF)用以定位一个或多个目标。图1显示这种系统的实施实例。图2显示所述方法的实施实例。在这个实施例中，在初始时刻探测(50)地区(Z) 中存在的至少一个目标(X)的步骤，引发或触发所有已探测到目标(X)的摄像机的目标跟踪(5 ，即目标位置的估计。在具体实施例中，在所有已探测目标的摄像机正在进行跟踪的这个初始时刻之后，使用相关性指标(J)的计算进行活动摄像机(其将继续进行跟踪)的选择，相关性指标(J)代表通过每个摄像机执行的目标位置估计的相关性。因此，在具体实施例中，基于所确定的相关性指标(J)，所述方法继续摄像机之间的竞争(5 的步骤，以选择并集合一组摄像机(I)，称为活动摄像机，其在给定时刻(t)被分配给跟踪任务(5 。在给定时刻(t)的跟踪步骤(5 —般也包括确定(55 代表在下一时刻(t+Ι)的目标(X) 的充分统计量的数据(SQ的步骤。在具体实施例中，相关性指标(J)的计算在每个时刻发生。在这种情形中，在给定时刻⑴的跟踪步骤(55)也包括使用至少一种选择算法(AS)确定( 执行的处理的相关性指标(J)的步骤，选择算法(AQ允许选择将继续跟踪的摄像机(以及那些将停止跟踪的摄像机)。在具体实施例中，确定(55 执行的处理(执行的估计)的相关性指标(J)的步骤引发比对(54)在给定时刻(t)活动的每个摄像机的相关性指标(J)与选择算法(AS)中确定的阈值的步骤，取决于该比对的结果，选择算法(AS)允许摄像机继续跟踪(5 或放弃跟踪，放弃跟踪通过将该摄像机确定的代表时间上的充分统计量的数据(SQ传输至网络中的其他摄像机实现。在给定时刻(t)活动的每个摄像机的相关性指标(J)与阈值的比对(54)步骤，在具体实施例中伴随由其他摄像机相关性指标(J) 的变化的比对641)组成的步骤，以在继续跟踪(5 和放弃跟踪之间做出决定时考虑这个变化。例如，当活动摄像机的相关性指标(J)降到低于阈值，同时其他摄像机的相关性指标保持高于阈值时，该活动摄像机放弃目标的跟踪而不引发网络中的警告。另一方面，当标准(J)对于所有活动摄像机都减少时，在网络中广播警告以便集合新的相关摄像机组。因此， 当其他摄像机的指标(J)中变化的比对641)步骤造成指标对于多个摄像机都减少的事实时，代表时间上的充分统计量的数据(SQ的传输(56)伴随重复摄像机之间的竞争(52)以形成新的活动组的步骤。当集合这个组后，活动的摄像机放弃跟踪并移交数据，以便其他摄像机能够跟随活动目标并执行跟踪。在相反的情形中，如果没有摄像机能够具有高于阈值的相关性指标(J)，那么摄像机不放弃跟踪。当指标(J)中变化的比对641)确定所有指标(J)都减少以考虑所有摄像机的指标(J)时(活动摄像机易受失活，并且不活动摄像机易受激活)，发起竞争步骤(5 ，从而保持最相关的摄像机。在具体实施例中，跟踪步骤(5 包括在每个时刻(t)，重复预测下一时刻的(若干)目标的(若干)位置的步骤。所述预测由目标(X)的轨迹(T)的估计来允许。如下文进一步的详细描述，使用变分过滤算法(AF)估计(551)的步骤依赖于称为转移模型(MT) 的模型使用，特别依赖于从一个时刻至另一个时刻的目标(X)假定轨迹(T)的时间相关。下文详细描述借助高斯(Gaussians)连续混合表达的这个转移模型(MT)的表达式，并且该表达式允许通过概率密度定义目标(X)的预测(估计)位置。通过代表目标的连续位置的概率密度假定的值允许定义目标(X)的轨迹(T)。在特别有益的方式中，变分过滤算法允许代表时间上的充分统计量的数据(SQ代表目标(X)的估计位置的均值和协方差。有益地，本发明允许将摄像机之间的数据传输被限制为这些时间上的充分统计量。目标的这个位置预测可因而包含至少一个由确定时间上的充分统计量以允许继续跟踪组成的步骤。因此，至少在一个摄像机每次在给定时间(t)执行跟踪的情形中，摄像机可只将代表这个时间相关信息的数据彼此传输，以便节省数据传输，从而节省消耗的功率。在多个摄像机在相同时刻激活以进行协同过滤的情形中，在时刻(t)，借助变分过滤的跟踪步骤(5 通过在摄像机之间交换代表除了时间上的充分统计量之外的空间上的充分统计量的数据(SS)来协同实施。确实，在多个摄像机同时激活的情形中，它们也将能够交换代表空间上的充分统计量的数据，如图像yts中目标(X)的位置xts的分布，图像yts 从在给定时刻(t)合作的每个摄像机(S)中传出，如下文所解释的。图2图解说明代表所述方法具体实施例的下列序列1.在时刻t = 0时，探测/分类(50)所跟随的物体(目标X)。2.通过已探测目标的摄像机引发跟踪(55)。3.根据下文中详细描述的指标(J)(信息标准)在摄像机组的摄像机之间竞争 (52)，用于选择分配以跟踪目标的缩减的摄像机组It。4.通过执行协同变分算法(AF)跟踪(5 目标，通过下列步骤(a)以可能的时间间隔估计(551)目标⑴的位置。(b)确定(55 至少一个充分统计量(SQ以在下一时刻继续跟踪。(c)确定(553)执行的处理的相关性指标(J)。5.比对(54)如果前一步骤的计算指标大于设定的阈值，摄像机继续跟踪；否则， 可发生两种情形(a)所有活动摄像机的指标降低至设定阈值以下。在网络中广播警告以集合新的一组活动摄像机。如果集合了该组，则传递充分统计量，并且所述方法返回至跟踪(上述点 2和幻以使摄像机返回竞争。
(b)活动组中的至少一个摄像机具有高于阈值的指标。关于(若干)摄像机的指标降至阈值以下，然后放弃跟踪而不引发警告。因而，在优选实施例中本发明提出分散化且合作的系统，该系统用于入侵的探测/ 分类，并用于使用自治、微型、无线摄像机的网络跟踪移动物体。这种分布模式具有对外部攻击和摄像机故障的特别抗性的优点，因为其经设计以便组件的损失不会危及网络整体的有效性。该提出的技术基于变分的方法，该变分的方法适应数据传输率和功率方面的通信限制，同时确保对于噪音和轨迹的突然变化具有抗性的处理。该技术基于目标位置的真实分布的近似(例如下文详细描述的P(at|yi..t))，目标位置通过更简单的函数(例如，下文详细描述的q(at))是难于估计的，同时最小化近似误差(即，通过寻找最接近真实分布的近似函数、提供估计标准的这些分布之间的差别)。这种近似允许时间依赖性被限制为单个成分(如下文详细描述的成分μ t的函数 q，其表示用作时间上的充分统计量的随机均值的分布)的函数。因此，被分配以更新过滤分布的2个摄像机之间的通信被限于单个高斯的参数传输(函数q(y t)然后可被限制为一个均值和一个协方差)。因此，不需要由首先更新概率密度并且然后对其进行近似处理组成的常规方法。全球协同跟踪协议由过滤算法(AF)提供并基于下文描述的变分过滤。在特别有益的具体实施例中，提出了信息标准(下文详细描述的相关性指标或标准J)，以便定义由给定摄像机进行的处理的相关性(即，(若干)目标的跟踪，即随时间的对位置的估计)。基于这个相关性标准，选择一受限制的摄像机组以实施物体跟踪算法，因此进一步较少功率消耗。具体实施例利用该相关性标准的不同使用方式。在特别有益的具体实施例中，在每个时刻，通过在多个摄像机中同时实施过滤算法，自动激活的摄像机以协同的方式执行跟踪算法。具体实施例通过给定时刻在多个摄像机中同时实施变分过滤、使用时间上的充分统计量和空间上的充分统计量、允许位置相对从一个摄像机位置移动到另一个的位置来利用这个协同跟踪。在特别有益的方式中，这些空间上的充分统计量可被限制为至少一个摄像机估计的目标预测位置。图1图解说明用于入侵探测和移动人物跟踪的无线摄像机实例网络的操作实例 时期1 在初始时刻探测/分类该入侵。 时期2 用3个摄像机(S1、S2和S3)以协同的方式跟踪人物。 时期3 =S1和S2自动探测其图像的非相关性；它们广播充分统计量，并且摄像机 S3、S4和S5自动激活以协同跟踪移动人物。 时期4 :S4、S6和S7接管人物的跟踪。图1也显示摄像机(S，在这个案例中是图1中的摄像机S2)的放大，以强调其包含的装置(特别是S1、S2和S21)。此处提到变分过滤，因为贝叶斯过滤一直有基于已知数据计算未知量(此处指目标的位置)的概率的目的。此处的变分过滤算法(AF)基于变分计算，在变分计算中，人们通过函数区别，因为标准(对应于目标位置的真实分布和使用近似函数估计的分布之间的差别的估计标准)是可用的，取决于函数(并且不是矢量)，并且我们寻找允许使估计标准最小化的函数(即，近似函数的)。变分过滤算法(AF)基于提供目标⑴的位置估计(551)的变分过滤器。在每个节点(每个智能摄像机(S))的局部处理中交换的统计量中包含误差模型组成有吸引力的策略，用于保证全球网络级别下的有效处理和鲁棒处理。从方法学的观点， 变分方法通过更新非参数设定中概率密度的近似形式，允许隐含包含近似误差的传播。变分方法的原理由通过更简单函数近似概率密度(例如，真实概率密度P(at|yi..t)由下文详细描述的q(at)近似)来探索整个状态空间组成。进一步，重尾密度的隐藏状态动力学的建模允许在困难情形下(例如轨迹的突然变化)探测和跟踪受监测系统。确实，在常规系统中使用简单高斯转移模型不允许轨迹跳跃的不测事件。在另一方面，重尾密度的使用允许发生稀少的轨迹(T)变化事件，例如方向或速度的快速变化。特别地，系统Xt的状态动力学可由高斯连续混合(均值尺度混合)组成的模型描述。根据此模型，隐藏状态XiEi "1遵循高斯分布，具有随机均值Pt和随机精确度矩阵 Ato均值遵守高斯随机漫步，高斯随机漫步表示系统隐藏状态的轨迹的时间相关。精确度矩阵遵守Wishart (威夏尔特)定律1(1)
I Xi-JTC^ It)其中超参数I，元和歹分别是随机漫步的精确度矩阵、自由度和威夏尔特分布的精确度矩阵。应注意上述表达式(1)与被称为转移模型的模型(MT)对应，给出目标轨迹(T)上的先验概率。值得注意的是均值和精确度的随机方面引起先验、边缘分布、可根据超参数的值以简单方式调节的尾行为。此外，重尾分布允许具有突然跳跃的轨迹的有效跟踪，因为高斯混合形成具有足够灵活的排除稀少事件可能性的概率密度。因而，本发明中使用的变分过滤器基于由高斯连续混合表示的转移模型(MT)并通过概率密度估计目标位置来给出目标假定轨迹上的先验概率。这个高斯连续混合通过定义“扩张的”或“扩展的”系统隐藏状态(比较α t = (xt，μ t，λ t)，下文详细描述其例子)， 使用具有随机均值μt和随机精确度矩阵Xt的高斯分布在实践中获得。在粒子过滤方法中，均值的固定值基于目标的先前位置确定，并且精确度矩阵的固定值根据位移速度确定。 由于这些值在经由粒子过滤器的跟踪过程中不变化，因此非常可能的是，源自它们的估计是有缺陷的，特别是在目标的位移速度变化的情形中。相反地，在本发明中，通过允许随机均值(高斯分布)和随机精确度矩阵的联合估计，变分方法允许这些值在跟踪的过程中被更新。实际上，变分过滤器具有对于粒子过滤器尺寸的增加的更高容限，并因此允许引入这种要被估计的随机变量而粒子过滤器将因为其与这种引入不兼容而发散。目标的探测可被定义为分类问题。因此，探测算法(AD)定义一组确定的探测/分类参数(或标准)，其被应用于所获取的图像以定义目标物体，如现有技术中已知的。此外， 可向所获取图像内的多个探测区域应用多个探测/分类算法和/或应用所述算法(或若干算法)。这个探测归结为在初始时刻定义“参考描述项”。此后，在随后的每个时刻，由所获数据(图像)和参考描述项之间的差别定义的似然函数(例如下文详细描述的ρ(yt IXt)) 被用于变分过滤。实际上，图像yt和目标&在该图像中的位置之间的关系通常是复杂的并且不能提前定义。因而，使用似然函数表达这种关系，似然函数由本发明中实施的变分过滤使用。假定似然性具有所选描述项的函数的一般形式，在摄像机中被用于探测目标。描述
1项是用于从信号如颜色直方图、定向梯度直方图中提取特征的函数或信号处理领域中已知的其他复杂程度不同的函数。描述项基本等同于观察模型，即特别是此处给出的实例中的似然函数。然而，在视频“跟踪”领域，使用术语描述项是因为所谓的观察模型不存在，本质问题是似然计算。此处，例如描述项可从含有被跟踪物体的图像的至少一个矩形中提取特征。当前时刻(t)下该图像的任何矩形的似然性(例如下文详细描述的P (yt I Xt))可被定义为该矩形的描述项和含有在初始时刻探测的物体的矩形描述项(也称为参考描述项)之间距离的递减函数。例如，使用颜色直方图作为描述项，当前时刻在该图像的候选矩形的似然水平由计算该矩形的颜色直方图和含有所探测物体的初始图像的矩形的颜色直方图之间的Mmttacharya距离相反数的指数组成。情形1 在时刻t仅有一个摄像机被激活例如取决于地区(Z)的构造，在当前时刻(t)激活单个摄像机(S)以便实施变分过滤是可能的。根据转移模型(MT)，“扩张的”隐藏状态变为Cit= (xt, yt，At)。代替使用一组受力粒子作为本领域已知的粒子过滤来近似过滤分布Ρ( α t Iy1.. t)，即时变分方法的原理由通过另一个更简单的函数q( α t)近似该分布，同时最小化与真实过滤分布有关的 Kullback-Leibler 散度组成
权利要求
1.一种使用智能摄像机(S)的网络跟踪至少一个目标(X)的方法，每个智能摄像机 (S)都包括实施用于跟踪一个或多个目标的至少一种算法(AS、AD、AF)的数据处理装置 (Si)、图像获取装置(S》和通信装置(S21)，所述摄像机(S)的网络覆盖至少一个地理区域，称为地区(Z)，其特征在于，所述方法包括通过所述网络中的至少一个摄像机( 借助至少一种探测算法(AD)探测(50)所述地区(Z)中的至少一个目标(X)，接下来，对于每个时刻(t)，通过至少一个称为活动摄像机的摄像机进行目标(X)跟踪的至少一个步骤(55) 的迭代，借助基于变分过滤器的至少一种变分过滤算法(AF)，使用所述活动摄像机获得的图像中的目标(X)的位置的似然函数并使用模型(MT)，所述模型被称为转移模型，其由高斯连续混合表示并基于从一个时刻至另一个时刻目标(X)轨迹(T)的时间相关，接下来是通过概率密度实施所述目标(X)的位置估计(551)。
2.一种根据权利要求1所述的方法，其特征在于在给定时刻(t)的所述跟踪步骤(55) 也包括确定( 数据的步骤，以在下一时刻(t+Ι)继续所述目标(T)的跟踪，所述数据代表时间上的充分统计量(SS)，表示所述轨迹(T)的知识。
3.一种根据权利要求1和2所述的方法，其特征在于给定时刻(t)的所述跟踪步骤 (55)也包括确定(55 所述目标(X)的位置估计(551)的相关性指标(J)的步骤，借助至少一个选择算法(AQ，所述选择算法(AQ根据其相关性指标(J)允许选择至少一个活动摄像机(S)以执行跟踪，所述相关性指标(J)表示前一时刻预测的目标位置的概率密度和当前时刻估计的目标位置的概率密度之间的差。
4.一种根据权利要求3所述的方法，其特征在于所述在初始时刻探测(50)出现在所述地区(Z)中的至少一个目标(X)的步骤引发已经探测所述目标(X)的所有摄像机跟踪(55) 所述目标，之后是所述摄像机之间根据所确定的相关性指标(J)的竞争(5 步骤，以选择最相关的并集合一组摄像机(I)，称为活动摄像机，其在给定时刻(t)被分配给跟踪(55)。
5.一种根据权利要求3和4所述的方法，其特征在于所述确定(55 执行的处理的相关性指标(J)引起比对(54)在给定时刻(t)活动的每个摄像机的相关性指标(J)与所述选择算法(AS)中确定的阈值的步骤，取决于比对的结果，所述选择算法(AS)允许所述摄像机继续跟踪(5 或放弃跟踪(55)。
6.根据权利要求5所述的方法，其特征在于所述比对(54)在给定时刻(t)活动的每个摄像机的相关性指标(J)与阈值的步骤伴随比对641)其他摄像机的相关性指标(J)的变化的步骤，以在决定是继续跟踪(5 还是放弃跟踪(5 及决定是否将代表该摄像机确定的充分统计量的数据(SQ传输(56)至所述网络中的其他摄像机( 时考虑该变化，这个传输(56)引发重复摄像机之间的竞争(5 以在所有摄像机的相关性指标(J)超过所述阈值时集合新的组的步骤。
7.一种根据权利要求1-6中的一个所述的方法，其特征在于所述跟踪(5 步骤包括， 在每个时刻(t)，重复在下一时刻预测(552)(若干)目标的(若干)位置的步骤。
8.一种根据权利要求1-7之一所述的方法，其特征在于所述代表时间上的充分统计量的数据(SQ代表所述目标(X)的估计位置的均值和随机均值的协方差。
9.一种根据权利要求1-8中之一所述的方法，其特征在于所述摄像机借助其处理装置 (Si)使用代表其各自视场的相对定位的数据的事实，已知地理位置。
10.一种根据权利要求9所述的方法，其特征在于在所述时刻(t)，当多个摄像机被激活时，由于其各自的变分过滤器之间的依赖性，使用变分过滤的所述跟踪步骤(5 由活动的摄像机以协同的方式实施，所述依赖性通过动态单应性模型表达，所述动态单应性模型连接每个活动摄像机分别估计的目标(X)的位置的随机均值。
11.一种根据权利要求10所述的方法，其特征在于所述跟踪通过在摄像机之间交换数据(SQ由所述活动摄像机协同执行，所述数据(SQ代表除了时间上的充分统计量的空间上的充分统计量，这些空间上的充分统计量代表当前时刻(t)活动的每个摄像机的图像中目标⑴的位置的似然因子。
12.一种通过智能摄像机⑶的网络跟踪至少一个目标⑴的系统，每个智能摄像机包括数据处理装置(Si)、图像获取装置(S》和通信装置(S21)，所述摄像机(S)的网络覆盖至少一个地理区域，称为地区(Z)，其特征在于所述数据处理装置(Si)通过实施根据任一前述权利要求所述的方法来实施用于定位和跟踪目标(若干)的至少一个算法(AS、AD、 AF)。
13.一种根据权利要求12所述的系统，其特征在于使用的至少一个算法(AF)基于变分过滤器，所述变分过滤器允许用于跟踪的所述摄像机之间交换的数据被限制为一个均值和一个协方差。
14.一种根据权利要求12和13所述的系统，其特征在于在跟踪期间获得至少一个图像，所述跟踪通过根据其关于坐标的位置和/或所述目标的轨迹选择的至少一个所述摄像机进行。
15.一种根据权利要求14所述的系统，其特征在于通过至少一个根据其位置选择的摄像机获得的所述图像储存在同一摄像机的存储器装置中。
16.一种根据权利要求12至15中之一所述的系统，其特征在于其包括至少一个集中设备，所述设备包括存储器装置和/或显示装置，用于分别储存和/或显示和所述跟踪和/ 或所获得图像相关的，由所述摄像机传输的数据。
17.一种根据权利要求16中所述的系统，其特征在于所述集中设备包括允许操作人员基于所述摄像机传输的并显示在所述设备上的数据检查目标跟踪的输入装置，并且如果可应用，则经由所述设备的所述通信装置警告观察办公室。
18.一种智能摄像机，覆盖至少一个地理区域并包括数据处理装置、图像获取装置，其特征在于所述数据处理装置通过实施根据权利要求1至8之一所述的方法来实施至少一种算法用于定位一个或多个目标。
19.一种根据前述权利要求所述的智能摄像机，其特征在于其包含通信装置以与另一个智能摄像机通信，以实施根据权利要求1至11任一条所述的方法。
20.一种根据权利要求18和19任一所述的智能摄像机，其特征在于其包括通信装置， 用于与集中设备通信，所述集中设备包括与至少一个摄像机通信的装置和用于分别储存和 /或显示与跟踪和/或所获得图像相关的数据的存储器装置和/或显示装置。
全文摘要
本发明涉及一种使用至少一个智能摄像机(S)跟踪至少一个目标(X)的系统、方法和智能摄像机，至少一个智能摄像机(S)包括以下装置用于实施跟踪(若干)目标的至少一个算法(AS、AD、AF)的数据处理装置，用于获得图像的装置(S2)和通信装置(S21)，其特征在于，在初始时刻，借助至少一种探测算法(AD)探测地区(Z)中覆盖的至少一个目标(X)，接下来，对于每个时刻(t)，借助基于变分过滤器的至少一种变分过滤算法(AF)，通过经由高斯连续混合的目标(X)的位置估计(551)，重复用称为活动摄像机的至少一个智能摄像机(S)跟踪目标(X)的至少一个步骤。
文档编号G06K9/00GK102460512SQ201080027439
公开日2012年5月16日 申请日期2010年4月19日 优先权日2009年4月17日
发明者H·斯努西 申请人:特鲁瓦技术大学