18、多摄像头检测跟踪算法与应用

多摄像头检测跟踪算法与应用

1. 单摄像头目标检测与跟踪算法

1.1 颜色模型

Pérez 等人提出的颜色模型在粒子滤波器中应用广泛。目标的观测由以位置 $x_t$ 为中心的区域 $R(x_t)$ 提取的 $N$ -bin 颜色直方图表示，记为 $Q(x_t) = {q(n; x_t)} {n = 1, \cdots, N}$，其中：
[q(n; x_t) = C\sum {k \in R(x_t)} \delta[b(k) - n]]
这里 $\delta$ 是 Kronecker 德尔塔函数，$C$ 是归一化常数，$k$ 是区域 $R(x_t)$ 内的任意像素。通过归一化颜色直方图，$Q(x_t)$ 成为离散概率分布。当前观测 $Q(x_t)$ 与参考模型 $Q^ $（在初始化步骤手动或由自动检测器构建）之间的相似度基于 Bhattacharyya 系数评估：
[d(x_t, x_0) = \sqrt{1 - \rho[Q(x_t), Q^ ]}]
[\rho[Q(x_t), Q^ ] = \sum_{n = 1}^{N} \sqrt{q(n; x_t)q^ (n; x_0)}]
为了编码观测的空间信息，采用多部分颜色模型，将目标垂直分为两部分，分别构建两部分的颜色直方图并并联连接成新的直方图。然后，似然度评估为：
[p(y_t|x_t) \propto e^{-\lambda d^2(x_t, x_0)}]

1.2 增强粒子滤波器

Okuma 等人提出了将 AdaBoost 检测器与粒子滤波器相结合的方法。提议分布的表达式