7、智能相机网络中的多视图目标识别系统

智能相机网络中的多视图目标识别系统

1. 引言

目标识别在计算机视觉领域已得到广泛研究。传统的目标识别系统会从一组目标类别中捕获目标的多个实例，然后对可能包含一个或多个已知目标类别的新测试图像进行分类。过去已经有许多成功的方法，如行人检测、通用目标检测（如车辆和动物）以及场景标注（如建筑物、高速公路和社交活动）。这些方法大多基于对局部图像块的分析，这些图像块对图像缩放、仿射变换和视觉遮挡具有鲁棒性和不变性，而这些正是基于图像的目标识别中常见的干扰因素。局部图像块通常通过视点不变的兴趣点检测器结合描述符（如SIFT）来提取。

如今，我们面临一种新的场景：智能相机网络被设置为从多个视角同时获取图像。传统上，研究人员通常假设相机可靠地连接到中央计算机，且带宽不受限制。因此，多视图图像（或其SIFT表示）会被传回计算机，整个识别过程以集中方式进行。

近期分布式目标识别的研究主要集中在两个方向：
- 建立特征对应关系 ：当多个图像共享一组共同的视觉特征时，可以在不同相机视图之间建立对应关系。这也是SIFT框架的初衷。最近，有研究提出利用特定特征的先验空间分布来指导多视图匹配过程，提高识别率。还有研究使用随机投影，认为在速率受限的相机通信中，可以在低维空间中估计可靠的特征对应关系。
- 分布式数据压缩 ：当相机传感器没有足够的带宽来传输高维视觉特征并进行特征匹配时，可以利用分布式数据压缩来编码和传输这些特征。已经有几种方法被提出用于直接压缩二维视觉特征，如PCA、熵编码和语义哈希。对于SIFT类型的视觉直方图，有研究提出了一种高效的编解码器来压缩描述直方图层次结构的可扩展树结构。还有研究探讨了多视