12、多摄像头网络下的多目标跟踪技术解析

多摄像头网络下的多目标跟踪技术解析

1 引言

分布式摄像头网络在众多领域得到了广泛应用，如城市监控、建筑/校园监测、养老院或幼儿园的健康与安全护理，以及战场或危险区域的可视化决策等。在大面积的视频监控中，多摄像头网络需要协同工作，以实现被跟踪对象在不同摄像头之间的可靠交接。

单摄像头内的多目标跟踪是多摄像头跟踪的基础，具有重要的研究价值。卡尔曼滤波器（KF）在满足一定假设条件下，能实现计算的简便性，适合实时跟踪系统。而粒子滤波器则因对象运动的非线性，特别是在遮挡或分割错误的情况下，受到了研究者的关注。不过，粒子滤波器在处理这些问题时，需要解决测量更新的难题。通过在基于KF的跟踪中采用自适应粒子采样技术，可以在出现遮挡或分割错误时，有效地选择测量值，同时保留KF的数学可处理性和闭式解。

多摄像头跟踪中，常见的两种场景是摄像头视野重叠和非重叠（即“盲区”），这涉及到一致标记问题。通过有效的图像配准技术，可以自动建立相邻摄像头之间的视野（FOV）线，而无需使用训练视频序列。同时，结合单摄像头跟踪中的外观测量来验证标记结果，而不仅仅依赖FOV线进行一致标记，并且标记结果还可用于持续更新预计算的FOV线。

2 相关工作

多目标跟踪问题可建模为离散时间域中的动态系统。不同的跟踪方法有各自的特点和适用场景：
- 卡尔曼滤波器（KF） ：假设线性状态转移函数、线性观测模型和高斯噪声，以获得最优的状态预测和更新公式。基于受限假设，能实现计算简单性，适用于实时跟踪系统。但如果放松线性和高斯假设，通常无法解析确定解，只能得到次优近似。
- 扩展卡尔曼滤波器（EKF）