12、分布式移动计算机视觉：进展、挑战与应用

分布式移动计算机视觉：进展、挑战与应用

一、基于RANSAC的目标匹配与特征提取

RANSAC（随机抽样一致性）输出的变换用于将检测到的RPR（感兴趣区域）与候选目标的RPR对齐，这样可以稳健地提取全局特征。这些全局特征与局部特征一起，用于计算当前帧与候选目标之间的匹配度。当检测到有效匹配时，RANSAC输出的相同单应性变换会将额外内容叠加到当前帧上。该方法在公开图像数据集上进行了评估，取得了显著成果。

二、协作式人员重识别

随着移动设备性能的指数级提升，计算机视觉算法在移动设备上的发展得到了推动。然而，标准计算机视觉算法移植到移动设备上时，由于计算成本高和资源有限，其适用性受到了限制。目前，利用移动设备和摄像头网络进行协作式监控的工作还比较有限。传统的闭路电视监控系统在监控大面积区域时仍被广泛使用，但静态摄像头基础设施存在视野受限、分辨率低和通信带宽有限等缺点。

为应对这些挑战，引入了一种客户端 - 服务器系统，专注于人员重识别任务，即给不同摄像头在不同时刻拍摄到的同一人分配相同的标签。该系统具有诸多优势，它可以利用移动摄像头监控大面积环境，更好地利用资源并降低重识别的计算成本。其目标是找到移动客户端设备的最佳配置，以实现实时处理并保持高重识别性能。为节省网络资源，系统将设备与服务器之间交换的信息限制为小维度的数据向量。

（一）系统架构

系统流程如下：
1. 网络中的摄像头获取可疑人员的图像，服务器计算其特征签名并发送给所有移动设备（客户端）。
2. 客户端收到签名后开始捕捉场景，将第一个捕捉到的人员帧以及设备的计算和网络能力信息发送给服务器。
3. 服务器分析收到的数据，根据离线