基于视频传感器网络的自适应目标压缩感知融合跟踪方法
【专利摘要】本发明涉及一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，本发明构建包括若干不同视角的视频节点的视频传感器网络测试系统；根据若干视频节点中每个视频节点在起始时刻的图像稀疏度，分别计算各视频节点的测量初始值来对其初始图像序列进行压缩感知CS采样；采用图像的方差的期望作为阈值，通过第t帧图像的测量值，迭代得到各视频节点第t+1帧图像的测量值来对其第t帧图像序列进行CS采样。通过图像稀疏度调节测量值，从而获得最优采样量可以以更高的压缩比对图像进行压缩，减少计算以及通信的数据量，结合跟踪置信度以及检测结果的多视角图像融合，可获得更好的跟踪精度，以及更长网络使用时间。
【专利说明】基于视频传感器网络的自适应目标压缩感知融合跟踪方法
【技术领域】
[0001]本发明涉及一种目标压缩感知融合跟踪方法，尤其涉及一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法。
【背景技术】
[0002]由于视频图像处理以及传输数据量大，受传感器节点资源和能耗的限制，为了延长网络寿命，必须要对图像数据进行压缩以减少计算量和通信量。
[0003]压缩感知理论指出:只要信号是可压缩的或在某个变换域是稀疏的，那么就可以用一个与变换基不相关的观测矩阵将变换所得高维信号投影到一个低维空间上，然后通过求解一个优化问题就可以从这些少量的投影中以高概率重构出原信号，可以证明这样的投影包含了重构信号的足够信息。解码所需测量值的数目远小于传统理论下的样本数。
[0004]如等式(I)所示，压缩感知CS (Compressive Sensing)以m〈〈n (m为测量矩阵维度和，η为信号维度)的测量矩阵对信号进行测量。
[0005]y=φχ=φΨ α=Θ α (I)
[0006]其中α为信号的稀疏表示，Ψ为稀疏表示矩阵，P为测量矩阵。
[0007]如果X信号在某个变化域具有稀疏性，如等式(2)所示，并且适当构建Φ。
[0008]α =Ψτχ (2)
[0009]那么可以通过等式(3)来完美恢复该信号:
【权利要求】
1.一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，其特征在于，包括以下步骤: S1:构建包括若干不同视角的视频节点的视频传感器网络测试系统，通过混合高斯模型GMM构建第t帧背景，测试得到的第t帧视频序列Xt为第t帧前景图像和第t帧背景之和，其中 t=0，l，2...； S2:根据若干视频节点中每个视频节点在起始时刻的图像稀疏度Ktl，分别计算各视频节点的测量初始值Mtl来对其初始图像序列进行压缩感知CS采样，得到每个视频节点采样后初始图像y。后进行S4，其中M0 ^ Ktl1g(IVKtl)，η为信号维度；S3:采用图像的方差的期望E(Qt)作为阈值，通过第t帧图像的测量值Mt，迭代得到各视频节点第t+Ι帧图像的测量值Mt+1,
2.如权利要求1所述的一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，其特征在于，S2和S3中还包括以下步骤: 551:当各视频节点恢复得到第t帧目标图像后，采用无迹卡尔曼滤波UKF进行目标跟踪/[目息的检测； 552:将多视频节点检测到的目标跟踪信息发送到中心节点进行数据融合，第t帧地平面坐标[ut，vt]和第t帧像平面坐标[xt，yt]之间的映射关系为:
3.如权利要求1所述的一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，其特征在于，采样速率m/n至少为25%，其中m为测量矩阵维度，η为信号维度。
4.如权利要求1所述的一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，其特征在于，所述图像稀疏度为=Kt=(Aci1gSJX1)St,其中(λ0，A1) eR2，λ0, A1为函数模型参数，R为空间维度大小，St目标的像素点数。
5.如权利要求1所述的一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，其特征在于，S4中还包括通过xft=Δ(Φt,yt-ybt)从采样后第t帧图像yt恢复得到第t帧目标图像革，其中父为采样后第t帧背景，Δ表示CS的恢复过程。
6.如权利要求1所述的一种基于视频传感器网络的自适应目标压缩感知融合跟踪方法，其特征在于，所述压缩感知CS采样为通过第t帧视频序列Xt由随机测量矩阵在空间域获得采样图像。
【文档编号】G06T5/50GK103903242SQ201410148440
【公开日】2014年7月2日 申请日期:2014年4月14日 优先权日:2014年4月14日
【发明者】方武, 冯蓉珍, 宋志强 申请人:苏州经贸职业技术学院