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一直是研究热点。传统的目标识别系统，通常是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，这些局部图像块对图像缩放、仿射变换和视觉遮挡具有鲁棒性或不变性。

近年来，出现了一种新的场景：使用智能相机网络同时从多个视角获取图像。传统方法通常假设相机与中央计算机可靠连接且带宽无限制，多视图图像（或其SIFT表示）会被集中传输到计算机进行识别。而分布式目标识别的研究主要集中在两个方向：
- 特征对应建立 ：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。例如，SIFT框架最初的动机就是建立这种对应关系。后来，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，提高识别效果。还有研究通过随机投影，在速率受限的相机通信中，在低维空间中估计可靠的特征对应关系。
- 分布式数据压缩 ：当相机传感器带宽不足时，可利用分布式数据压缩对特征进行编码和传输。已经有多种方法用于直接压缩二维视觉特征，如PCA、熵编码和语义哈希等。对于SIFT类型的视觉直方图，也有提出高效的编解码器来压缩直方图的层次结构。另外，有研究提出多视图SIFT特征选择算法，通过考虑多个相机视图中特征直方图的联合分布来减少需要传输的SIFT特征数量，但该方法需要学习不同相机视图之间的互信息，且相机相对位置必须固定。

2. 主要贡献

<