專利名稱：多攝像機(jī)目標(biāo)匹配特征融合方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種多攝像機(jī)視頻監(jiān)控領(lǐng)域中信息處理的方法，具體是一種多攝像 機(jī)目標(biāo)匹配的特征融合方法。
技術(shù)背景隨著視頻監(jiān)控技術(shù)的快速發(fā)展，以及單攝像機(jī)有限的視域無法滿足廣域視頻監(jiān) 控的要求，多攝像機(jī)非重疊視域目標(biāo)跟蹤成為有效解決廣域視頻監(jiān)控問題的一種途 徑。目標(biāo)特征提取與匹配是多攝像機(jī)目標(biāo)跟蹤中的基礎(chǔ)以及重點(diǎn)。目標(biāo)匹配是指把 在不同時(shí)刻出現(xiàn)在不同攝像機(jī)前的目標(biāo)進(jìn)行匹配，由于目標(biāo)物體在不同攝像機(jī)前的 顏色、形狀和攝像機(jī)的觀測(cè)距離、觀測(cè)角度等方面的巨大的差異，以及各個(gè)攝像機(jī) 的內(nèi)部參數(shù)和監(jiān)控區(qū)域中光照等環(huán)境條件的不同等種種復(fù)雜的原因，傳統(tǒng)計(jì)算機(jī)視 覺理論中關(guān)于單攝像機(jī)跟蹤匹配的很多方法都不再適用。所以，無重疊視域攝像機(jī) 之間的特征提取和目標(biāo)匹配需要建立適合自己特殊問題的新方法。經(jīng)對(duì)現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)，Javed等人于2008年在《Computer Vision and Image Understanding》(計(jì)算機(jī)視覺與圖像理解)發(fā)表的論文"Modeling inter —camera space-time and appearance relationships for tracking across non-overlapping views"(針對(duì)非重疊視域跟蹤的多攝像機(jī)時(shí)空及外觀關(guān)系建模) 運(yùn)用顏色直方圖建立外觀模型。然而，由于多攝像機(jī)視域中各攝像機(jī)之間多種因素變化的不確定性，這些特征 均無法對(duì)于這些不確定因素同時(shí)具有魯棒性。因此，對(duì)多種特征進(jìn)行融合可以實(shí)現(xiàn) 更加準(zhǔn)確的匹配。例如，Patwardhan等人于2007年在ICIP (圖像處理國際會(huì)議)發(fā) 表的論文"A graph-based foreground representation and ITS application in example based people matching in video"(基于圖形的前景表示禾口ITS在基于 實(shí)例的人匹配中的應(yīng)用)融合了顏色直方圖的特征和尺度不變(SIFT)的特征來進(jìn)行目標(biāo)匹配。Madden和Piccardi于2007年在AVSS (先進(jìn)視頻及信號(hào)監(jiān)控)發(fā)表的 論文"A framework for track matching across disjoint cameras using robust shape and appearance features"(—種針對(duì)非重疊攝像機(jī)跟蹤匹配的魯棒外形 和外觀特征的框架)建立了一個(gè)框架來融合身高的信息和主要顏色譜的分布信息。 然而，目前的融合大都建立在簡單的貝葉斯框架或高斯框架下，缺少考慮特征本身 的特點(diǎn)以及在不同條件下的效果。 發(fā)明內(nèi)容本發(fā)明的目的在于克服現(xiàn)有技術(shù)中的不足，提供一種多攝像機(jī)目標(biāo)匹配特征融合方法，對(duì)外觀特征進(jìn)行疊代加寬融合，如顏色直方圖特征，UV色度特征，主要顏色譜特征，以及SIFT特征。使其克服各種特征對(duì)于不同變化因素的不確定性，在 特征級(jí)上進(jìn)行融合，最終為多攝像機(jī)目標(biāo)跟蹤提供實(shí)時(shí)、全面、準(zhǔn)確的匹配依據(jù)。 本發(fā)明是通過以下技術(shù)方案實(shí)現(xiàn)的，本發(fā)明具體包括以下步驟-(1) 提取被跟蹤目標(biāo)的外觀特征；(2) 特征相似度矩陣S的建立；(3) 置信度指數(shù)的確定；(4) 疊代加寬的特征融合算法。所述提取被跟蹤目標(biāo)的外觀體征，由以下方法實(shí)現(xiàn)使用混合高斯模型建模提取顏色外觀特征。使用Cheng和Piccardi于2007年在《Optical Engineering))(光學(xué)工程) 發(fā)表的論文"Disjoint track matching based on a major color spectrum histogram representation"(基于主要顏色譜直方圖表示方法的非重疊跟蹤匹配)的方法提取主要顏色譜直方圖。使用Lowe于2004年在{International Journal of Computer Vision》(計(jì) 算機(jī)視覺)發(fā)表的論文"Distinctive image features from scale-invariant keypoints"(源于尺度不變關(guān)鍵點(diǎn)的區(qū)分性圖像特征)的方法提取尺度不變特征。對(duì)于顏色直方圖特征和UV色度特征，特征提取結(jié)果為混合高斯模型。對(duì)于主要顏色譜，特征提取為主要顏色直方圖。對(duì)于SIFT,特征提取128維尺度不變特征。 所述的特征相似度矩陣S的建立，通過以下步驟實(shí)現(xiàn) (1)對(duì)于顏色直方圖特征及UV色度特征，利用混合高斯模型參數(shù)，由下式計(jì) 算兩個(gè)待匹配目標(biāo)間的相似度，<formula>formula see original document page 7</formula>其中，w。和^表示待匹配目標(biāo)a和b的混合高斯模型中各分量的權(quán)值，x。;i和x^表示混合高斯模型中各分量的協(xié)方差矩陣，J(/7。,，A,)表示混合高斯模型均值的歐式距離，相似度數(shù)值越小，相似度越大；對(duì)于主要顏色譜特征，由下式計(jì)算兩個(gè)待匹配目標(biāo)間的相似度，其中，P。,和A,表示待匹配目標(biāo)&和b的主要顏色直方圖中相對(duì)應(yīng)顏色柱的 權(quán)值；6/(C。,C。表示顏色柱C。和G之間的距離，相似度數(shù)值越小，相似度越大；對(duì)于尺度不變特征，兩個(gè)待匹配目標(biāo)間的相似度采用提取尺度不變特征方法 獲取，相似度數(shù)值越大，相似度越大；(2)將獲得的相似度構(gòu)成特征相似度矩陣S，其表示為<formula>formula see original document page 7</formula>其中，、.表示特征/中跟蹤目標(biāo)與第y個(gè)待匹配目標(biāo)間的相似度；所述的置信度指數(shù)的確定，通過以下方法計(jì)算對(duì)于顏色直方圖特征，UV色度特征及主要顏色譜特征，兩個(gè)待匹配目標(biāo)間的置信度指數(shù)根據(jù)相似度矩陣，由下式計(jì)算得到<formula>formula see original document page 8</formula>其中，^表示相似度矩陣每行的元素<formula>formula see original document page 8</formula> 對(duì)于SIFT特征，兩個(gè)待匹配目標(biāo)間的置信度指數(shù)根據(jù)相似度矩陣，由下式計(jì) 算得到- 如果C,.,的值小于丄，則將置信度指數(shù)最小值設(shè)為丄。置信度指數(shù)最大值為1。 "TV jV將置信度指數(shù)構(gòu)成置信度指數(shù)矩陣，置信度指數(shù)矩陣與相似度矩陣行列數(shù)相同。所述的疊代加寬的特征融合算法，通過以下步驟實(shí)現(xiàn)(1) 設(shè)置W為疊代寬度閾值，設(shè)置疊代寬度初值&=1;(2) 在相似度矩陣中搜索每個(gè)特征行中前a個(gè)相似度最大的目標(biāo)，如果某一 列且只有一列中的所有N個(gè)特征行的元素都被搜索到，則該列所對(duì)應(yīng)的待匹配目標(biāo)即表示目的目標(biāo)，疊代終止；(3) 如果有大于1的w列中所有N個(gè)特征行的元素都被搜索到，則分別計(jì)算置信度指數(shù)矩陣中與此w列所對(duì)應(yīng)的每一列的期望值，期望值最高的一列所對(duì)應(yīng)的 待匹配目標(biāo)即表示目的目標(biāo)，疊代終止；(4) 如果沒有一列中的所有特征行的元素都被搜索到，即在當(dāng)前寬度下未找 到任何目的目標(biāo)，則更新疊代寬度a=a+l; a《w，轉(zhuǎn)步驟(2)，進(jìn)行下一次疊代；(5) 若a〉w，則在當(dāng)前寬度下搜索第二相似的目的目標(biāo)，即取被搜索到的元 素最多的那一列所對(duì)應(yīng)的待匹配目標(biāo)作為目的目標(biāo)，疊代終止。本發(fā)明與現(xiàn)有技術(shù)相比的顯著效果在于較單特征的匹配算法準(zhǔn)確率較高，有效克服不同特征對(duì)于各種不確定因素魯棒性不同等缺點(diǎn)，為多攝像機(jī)非重疊視閾目 標(biāo)跟蹤系統(tǒng)提供更加實(shí)時(shí)、全面、準(zhǔn)確的匹配依據(jù)。而且，與一般的基于貝葉斯框 架的融合算法相比，對(duì)于置信度相差較大的特征，準(zhǔn)確度較貝葉斯算法提高。本發(fā)明針對(duì)多攝像機(jī)目標(biāo)跟蹤的需要，在特征級(jí)上對(duì)參與匹配的特征進(jìn)行融 合，并考慮到不同特征的適用性，具有實(shí)時(shí)性強(qiáng)、可信度高、魯棒性強(qiáng)等優(yōu)點(diǎn)，特 別是在特征間的置信度指數(shù)差別較大或特征置信度指數(shù)未知的情況下進(jìn)行在線融 合，這是以往技術(shù)方法都難以克服的難點(diǎn)，也是阻礙它們實(shí)現(xiàn)真正工程應(yīng)用的主要 障礙。本發(fā)明使用先進(jìn)的智能方法，實(shí)現(xiàn)不同特征間相似度的融合，最終為多攝像 機(jī)監(jiān)控提供實(shí)時(shí)，可靠的依據(jù)。
圖1本發(fā)明方法步驟方框示意圖。
具體實(shí)施方式
下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明的技術(shù)方案作詳細(xì)說明。以下實(shí)施例在以本發(fā) 明技術(shù)方案為前提下進(jìn)行實(shí)施，給出了詳細(xì)的實(shí)施方式和過程，但本發(fā)明的保護(hù)范 圍不限于下述的實(shí)施例。為了更好地理解本實(shí)施例提出的方法，選取非重疊視域攝像機(jī)數(shù)目為2，參與 匹配的目標(biāo)數(shù)量為10，設(shè)置兩攝像機(jī)具有不同的觀察角度，不同的光照條件及攝像 機(jī)參數(shù)。如圖1所示，本實(shí)施例具體實(shí)施步驟如下(1)對(duì)被匹配目標(biāo)顏色直方圖特征，UV色度特征，主要顏色譜特征，以及SIFT特征進(jìn)行特征提取。通過以下方法實(shí)現(xiàn)(1)顏色直方圖特征使用Cai等人于2007年在ACCV (亞洲計(jì)算機(jī)視覺會(huì)議) 發(fā)表的論文"Continuously tracking objects across multiple widely separated cameras"(廣域非重疊多攝像機(jī)持續(xù)目標(biāo)跟蹤)的方法提取基于前景分割的顏色 直方圖特征。根據(jù)空間關(guān)系將目標(biāo)劃分為三個(gè)部分，對(duì)于每部分使用高斯混合模型(G麗)來9計(jì)顏色分布，不同部分的權(quán)值由下式計(jì)算:p, =/K"s =6， i&,其中，",和^代表攝像機(jī)A和B中的檢測(cè)目標(biāo)，p代表"，禾B 6,中 的對(duì)應(yīng)部分相匹配的概率，戶(^=^)代表攝像機(jī)A和B中的目標(biāo)相匹配的概率。(2) UV色度特征使用Jeong和Jaynes于2008年在《Machine Vision and Applications》(機(jī)器視覺及應(yīng)用)發(fā)表的論文"Object matching in disjoint cameras using a color transfer approach"(使用顏色轉(zhuǎn)換方法的非重疊攝像 機(jī)目標(biāo)匹配)提取UV色度空間模型。將目標(biāo)劃分為三個(gè)部分，根據(jù)YUV顏色空間的UV通道建立色度平面。對(duì)于平 面上的顏色分布建立二維高斯混合模型。權(quán)值計(jì)算同顏色直方圖。(3) 主要顏色譜特征使用Cheng和Piccardi于2007年在《Optical Engineering》(光學(xué)工禾呈)發(fā)表的論文"Disjoint track matching based on a major color spectrum histogram representation"(基于主要顏色譜直方圖表示方法 的非重疊跟蹤匹配)的方法提取主要顏色譜直方圖。使用最鄰近分類法(麗C)對(duì) 像素進(jìn)行聚類，分類閾值由下式計(jì)算如果兩個(gè)像素間的距離大于設(shè)定的閾值，則建立一個(gè)新的聚類中心。并使用k均值算法調(diào)整分類中心其中C&[/]代表k通道中聚類中心的當(dāng)前值，w當(dāng)前聚類中心的像素?cái)?shù)量， 0^/-1]代表聚類中心的上一個(gè)值，特征提取為主要顏色直方圖，分類閾值為0. 07。 (4)SIFT特征:使用Lowe于2004年在《International Journal of ComputerVision》(計(jì)算機(jī)視覺)發(fā)表的論文 "Distinctive image features from scale-invariant keypoints"(源于尺度不變關(guān)鍵點(diǎn)的區(qū)分性圖像特征)的方法 提取尺度不變特征。本方法將靠近物體輪廓邊緣具有較清晰的分界線的特征進(jìn)行去 除，得到128維特征。特征提取使用Visual 〔++語言編程。 (2)特征相似度矩陣S的建立在真實(shí)數(shù)據(jù)集中利用s = ^ V^7^<formula>formula see original document page 11</formula>
計(jì)算兩個(gè)目標(biāo)間顏色直方圖特征及uv色度特征的相似度。利用 s-尤V^^.J(c。c;)計(jì)算兩個(gè)目標(biāo)間主要顏色譜特征的相似度。兩個(gè)目標(biāo)間/=1SIFT特征相似度的相似度為采用尺度不提取尺度不便特征的方法獲取。將計(jì)算結(jié)果 構(gòu)成特征相似度矩陣，表示為0.482 0.353 0.397 0.437 1.0 0.599 0.575 0.884 0.438 0.4270.740 0.409 0.060 0.426 0.135 0.276 l扁0.198 0.689 0.0530.809 0.784 0.714 0.852 0.990 0.768 0.826 1.000 0.710 0.729 1 142462023式中，乂 力表示四種特征的對(duì)應(yīng)不同匹配目標(biāo)的相似度。其中，前三種基于 顏色的特征相似度數(shù)值越小表示相似度越大，SIFT特征相似度數(shù)值越大表示與相似 度越大。(3)置信度指數(shù)的確定 丄根據(jù)<formula>formula see original document page 11</formula>計(jì)算得置信度指數(shù)為<formula>formula see original document page 11</formula>顏色直方圖特征
以及SIFT特征
(4)疊代加寬融合算法用本融合算法對(duì)四種特征進(jìn)行融合，融合算法用Visual 0++語言編程。 根據(jù)疊代加寬融合算法步驟(1):參數(shù)設(shè)置為疊代寬度閾值M^5，疊代寬 度初值3=1。根據(jù)疊代加寬融合算法步驟(2):在相似度矩陣中搜索每個(gè)特征行中前a個(gè)相 似度最大的目標(biāo)，結(jié)果為特征1的第2個(gè)目標(biāo)，特征2的第10個(gè)目標(biāo)，特征3 的第9個(gè)目標(biāo)，特征4的第6個(gè)目標(biāo)。未找到任何一列中所有N個(gè)特征行的元素均 被搜索到。根據(jù)疊代加寬融合算法步驟(4): a=2，轉(zhuǎn)步驟(2)。根據(jù)疊代加寬融合算法步驟(2):在相似度矩陣中搜索每個(gè)特征行中前a個(gè)相 似度最大的目標(biāo)，結(jié)果為特征1的第2、 3個(gè)目標(biāo)，特征2的第3、 IO個(gè)目標(biāo)， 特征3的第3、 9個(gè)目標(biāo)，特征4的第3、 6個(gè)目標(biāo)。找到第3列中的N個(gè)特征行的 元素均被搜索到。則第三個(gè)目標(biāo)即為目的目標(biāo)，疊代終止。另外，對(duì)四種特征進(jìn)行兩兩融合，結(jié)果如下-顏色直方圖特征和UV色度特征間的融合，疊代寬度6 = 2，迭代結(jié)果為第三個(gè) 待匹配目標(biāo)。UV色度特征和主要顏色譜特征，迭代寬度6 = 1，迭代結(jié)果為第三個(gè) 待匹配目標(biāo)。主要顏色譜特征和SIFT特征，迭代寬度6 = 2，迭代結(jié)果為第三個(gè)待 匹配目標(biāo)。其他特征間的融合可以得到類似的結(jié)果。通過與貝葉斯貝葉斯框架融合算法的結(jié)果相比較，本發(fā)明方法達(dá)到75%以上的 準(zhǔn)確率，而且與貝葉斯框架算法相比表現(xiàn)出較好的魯棒性。
權(quán)利要求
1、一種多攝像機(jī)目標(biāo)匹配特征融合方法，其特征在于包括以下步驟1)對(duì)于不同攝像機(jī)中出現(xiàn)的跟蹤目標(biāo)提取外觀特征；其中，對(duì)于跟蹤目標(biāo)的顏色直方圖特征，提取結(jié)果以一維混合高斯模型表示；對(duì)于UV色度特征，提取結(jié)果以二維混合高斯模型表示；對(duì)于主要顏色譜特征，提取結(jié)果以主要顏色直方圖表示；對(duì)于尺度不變特征，提取結(jié)果為128維尺度不變特征；2)建立特征相似度矩陣S對(duì)于顏色直方圖特征及UV色度特征，利用混合高斯模型參數(shù)，由下式計(jì)算兩個(gè)待匹配目標(biāo)間的相似度，<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mi>s</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mn>3</mn></munderover><mo>{</mo><msqrt> <msub><mi>w</mi><mi>ai</mi> </msub> <mo>·</mo> <msub><mi>w</mi><mi>bi</mi> </msub></msqrt><mo>·</mo><mo>[</mo><mo>|</mo><mi>log</mi><mrow> <mo>(</mo> <mfrac><msub> <mi>w</mi> <mi>ai</mi></msub><msub> <mi>w</mi> <mi>bi</mi></msub> </mfrac> <mo>)</mo></mrow><mo>|</mo><mo>+</mo><munderover> <mi>Π</mi> <mrow><mi>k</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><mo>|</mo><mo>|</mo><mi>log</mi><mrow> <mo>(</mo> <mfrac><msub> <mi>x</mi> <mi>aik</mi></msub><msub> <mi>x</mi> <mi>bik</mi></msub> </mfrac> <mo>)</mo></mrow><mo>|</mo><mo>|</mo><mo>+</mo><mi>d</mi><msup> <mrow><mo>(</mo><msub> <mi>p</mi> <mi>ai</mi></msub><mo>,</mo><msub> <mi>p</mi> <mi>bi</mi></msub><mo>)</mo> </mrow> <mn>2</mn></msup><mo>]</mo><mo>}</mo> </mrow>]]></math></maths>其中，wa和wb表示待匹配目標(biāo)a和b的混合高斯模型中各分量的權(quán)值，xaik和xbik表示混合高斯模型中各分量的協(xié)方差矩陣，d(pai，pbi)表示混合高斯模型均值的歐式距離，相似度數(shù)值越小，相似度越大；對(duì)于主要顏色譜特征，由下式計(jì)算兩個(gè)待匹配目標(biāo)間的相似度，<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><mi>s</mi><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>n</mi></munderover><msqrt> <msub><mi>p</mi><mi>ai</mi> </msub> <mo>·</mo> <msub><mi>p</mi><mi>bi</mi> </msub></msqrt><mo>·</mo><mi>d</mi><mrow> <mo>(</mo> <msub><mi>C</mi><mi>a</mi> </msub> <mo>,</mo> <msub><mi>C</mi><mi>b</mi> </msub> <mo>)</mo></mrow> </mrow>]]></math></maths>其中，pai和pbi表示待匹配目標(biāo)a和b的主要顏色直方圖中相對(duì)應(yīng)顏色柱的權(quán)值；d(Ca，Cb)表示顏色柱Ca和Cb之間的距離，相似度數(shù)值越小，相似度越大；對(duì)于尺度不變特征，兩個(gè)待匹配目標(biāo)間的相似度采用提取尺度不變特征方法獲取，相似度數(shù)值越大，相似度越大；將獲得的相似度構(gòu)成特征相似度矩陣S，其表示為其中，si，j表示特征i中跟蹤目標(biāo)與第j個(gè)待匹配目標(biāo)間的相似度；i＝1，2，…，Nj＝1，2，…，M；3)確定置信度指數(shù)對(duì)于顏色直方圖特征，UV色度特征及主要顏色譜特征，兩個(gè)待匹配目標(biāo)間的置信度指數(shù)根據(jù)相似度矩陣，由下式計(jì)算得到<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><msub> <mi>C</mi> <mi>rij</mi></msub><mo>=</mo><mfrac> <mfrac><mn>1</mn><msub> <mi>S</mi> <mi>ij</mi></msub> </mfrac> <mrow><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>0</mn> </mrow> <mi>N</mi></munderover><mfrac> <mn>1</mn> <msub><mi>S</mi><mi>ij</mi> </msub></mfrac> </mrow></mfrac> </mrow>]]></math></maths>其中，Sij表示相似度矩陣每行的元素；i＝1，2，…，M j＝1，2，…，N；對(duì)于尺度不變特征，兩個(gè)待匹配目標(biāo)間的置信度指數(shù)根據(jù)相似度矩陣，由下式計(jì)算得到<maths id="math0004" num="0004" ><math><![CDATA[ <mrow><msub> <mi>C</mi> <mi>rij</mi></msub><mo>=</mo><mfrac> <msub><mi>S</mi><mi>ij</mi> </msub> <mrow><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>0</mn> </mrow> <mi>N</mi></munderover><msub> <mi>S</mi> <mi>ij</mi></msub> </mrow></mfrac> </mrow>]]></math></maths>如果Cir的值小于 id="icf0006" file="A2008100412170003C4.tif" wi="6" he="8" top= "181" left = "62" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>則將置信度指數(shù)最小值設(shè)為 id="icf0007" file="A2008100412170003C5.tif" wi="6" he="8" top= "181" left = "121" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>置信度指數(shù)最大值為1；將置信度指數(shù)構(gòu)成置信度指數(shù)矩陣，置信度指數(shù)矩陣與相似度矩陣行列數(shù)相同；4)進(jìn)行疊代加寬的特征融合，通過以下步驟實(shí)現(xiàn)(1)設(shè)置w為疊代寬度閾值，設(shè)置疊代寬度初值a＝1；(2)在相似度矩陣中搜索每個(gè)特征行中前a個(gè)相似度最大的目標(biāo)，如果某一列且只有一列中的所有N個(gè)特征行的元素都被搜索到，則該列所對(duì)應(yīng)的待匹配目標(biāo)即表示目的目標(biāo)，疊代終止；(3)如果有大于1的m列中所有N個(gè)特征行的元素都被搜索到，則分別計(jì)算置信度指數(shù)矩陣中與此m列所對(duì)應(yīng)的每一列的期望值，期望值最高的一列所對(duì)應(yīng)的待匹配目標(biāo)即表示目的目標(biāo)，疊代終止；(4)如果沒有一列中的所有特征行的元素都被搜索到，即在當(dāng)前寬度下未找到任何目的目標(biāo)，則更新疊代寬度a＝a+1；若a≤w，轉(zhuǎn)步驟(2)，進(jìn)行下一次疊代；(5)若a＞w，則在當(dāng)前寬度下搜索第二相似的目的目標(biāo)，即取被搜索到的元素最多的那一列所對(duì)應(yīng)的待匹配目標(biāo)作為目的目標(biāo)，疊代終止。
全文摘要
本發(fā)明公開了一種多攝像機(jī)目標(biāo)匹配特征融合方法，用于多攝像機(jī)視頻監(jiān)控領(lǐng)域中的信息處理，利用疊代加寬的算法進(jìn)行實(shí)時(shí)特征融合，包括(1)提取被跟蹤目標(biāo)的外觀特征，包括顏色直方圖特征，UV色度特征，主要顏色譜特征，以及SIFT特征；(2)分別針對(duì)各種特征計(jì)算兩個(gè)待匹配目標(biāo)間的相似度，并建立特征相似度矩陣；(3)根據(jù)相似度矩陣計(jì)算確定待匹配目標(biāo)間的置信度指數(shù)；(4)采用疊代加寬的特征融合算法獲取目的目標(biāo)。本發(fā)明具有易于實(shí)現(xiàn)、魯棒性強(qiáng)、可靠性高、實(shí)時(shí)性強(qiáng)等優(yōu)點(diǎn)，可以為多攝像機(jī)目標(biāo)匹配提供實(shí)時(shí)可靠的信息。
文檔編號(hào)G06T7/00GK101329765SQ20081004121
公開日2008年12月24日 申請(qǐng)日期2008年7月31日 優(yōu)先權(quán)日2008年7月31日
發(fā)明者劉允才, 呂曉威, 孔慶杰, 菲 翁 申請(qǐng)人:上海交通大學(xué)