10、多相机网络的分布式传感与处理

多相机网络的分布式传感与处理

1. 引言

在过去十年里，相机网络在视频会议、动作捕捉、监控和临床诊断等众多领域的应用愈发广泛。这些网络旨在捕获、分析和存储高带宽视频数据，若配备足够的计算能力，能提供复杂的服务，改善生活质量。

不过，尽管计算机视觉有了进展，但要实现系统的真正自主、实时检测、跟踪和分析行为，仍面临诸多挑战。例如，视觉传感器网络的实时场景和行为分析是理解场景的第一步，而大型视觉网络会产生大量数据，增加处理和通信成本。因此，急需高效且鲁棒的算法，用尽可能少的数据进行视频分析。

分布式视频处理的研究挑战主要集中在以下三个方面：
- 鲁棒统计推断 ：如何融合各个相机节点提取的信息，以解决视觉传感器网络中的检测、跟踪和识别任务。融合算法通常涉及场景模型和成像过程产生的几何约束，推断则需设计合适的统计估计技术，应对成像过程中几何约束下的各种误差源。
- 计算高效的分布式算法 ：多相机网络不仅有分布式传感的特点，每个传感节点（如智能相机）的计算资源也为分布式算法提供了可能。这些算法能降低通信和能源成本，提高对节点故障的鲁棒性，但需要重新设计常用的工具和算法。特别是广泛应用的统计推断技术，要兼顾分布式传感和处理的特性。
- 机会主义和简约传感 ：大型相机网络部署的关键挑战之一是处理和存储大量数据。传统相机在传感时未利用信号的冗余性，造成资源浪费。因此，设计能按场景信息速率传感的新型传感器和传感协议很重要，且传感过程应适应不同应用。

分布式视觉传感算法有众多应用，本文主要关注分布式检测和跟踪问题。分布式网络中的相机数量差异