7、智能相机网络中的多视图目标识别技术解析

智能相机网络中的多视图目标识别技术解析

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会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。以往已经有许多成功的方法，比如行人检测、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特定局部图像块的分析，这些图像块对图像缩放、仿射变换和视觉遮挡具有鲁棒性或不变性，而这些问题在基于图像的目标识别中很常见。局部图像块通常通过与描述符（如SIFT）相结合的视点不变兴趣点检测器来提取。

如今，出现了一种新的场景，即设置智能相机网络，当一个共同目标可以从多个有利位置观察时，同时获取一组图像。传统上，研究人员通常假设相机可靠地连接到中央计算机，且带宽不受限制。因此，多视图图像（或其SIFT表示）会被精简回计算机，整个识别过程以集中方式构建。

近年来，分布式目标识别的研究主要集中在两个方向：
- 建立特征对应关系 ：当多个图像共享一组共同的视觉特征时，可以在相机视图之间建立对应关系。这实际上是SIFT框架的最初动机。最近，也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并提高识别率。使用随机投影，在速率约束下通信的相机之间可以在更低维空间中估计可靠的特征对应关系。
- 数据压缩 ：当相机传感器没有足够的带宽来精简高维视觉特征并执行特征匹配时，可以利用分布式数据压缩来编码和传输特征。已经提出了几种直接压缩二维视觉特征的方法，如PCA、熵编码和语义哈希。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描述直方图层次结构的可伸缩树结