專利名稱：無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤測量方法
技術(shù)領(lǐng)域：
本發(fā)明屬于機器視覺與模式識別技術(shù)領(lǐng)域，涉及一種目標(biāo)監(jiān)測和 定位方法，具體涉及一種無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤測量 方法。
背景技術(shù)：
基于視頻圖像序列的目標(biāo)跟蹤技術(shù)，是機器視覺與模式識別領(lǐng)域 的重要研究內(nèi)容之一，在工業(yè)生產(chǎn)、軍事、社區(qū)安全、交通監(jiān)控等領(lǐng) 域具有廣泛的應(yīng)用前景。實際應(yīng)用中，通常采用單視角測量方法實現(xiàn) 目標(biāo)跟蹤。但由于單視角測量方法受環(huán)境噪聲影響大，目標(biāo)容易被障 礙物遮擋產(chǎn)生觀測干涉，實際測量中對視頻圖像采集裝置的可靠度要 求高，且在無背景先驗知識的前提下，僅能獲得目標(biāo)方位信息，無法 完成對目標(biāo)三維位置的準(zhǔn)確跟蹤。
隨著無線網(wǎng)絡(luò)技術(shù)的發(fā)展，網(wǎng)絡(luò)化協(xié)作測量己經(jīng)逐漸成為一種受 到廣泛關(guān)注的現(xiàn)代化測量手段。針對視頻圖像測量的特點，多視角協(xié) 作測量有利于擴大跟蹤范圍，減少觀測干涉，提高目標(biāo)跟蹤的準(zhǔn)確性 和魯棒性。而無線網(wǎng)絡(luò)相比于有線網(wǎng)絡(luò)在靈活性、適用性和動態(tài)性上 都更具優(yōu)勢。如何通過多個視頻圖像監(jiān)測節(jié)點的有效協(xié)作，在無線網(wǎng) 絡(luò)條件下自主、智能、高效地完成對目標(biāo)的準(zhǔn)確跟蹤己經(jīng)成為一個倍 受關(guān)注的研究領(lǐng)域。為了闡述基于無線網(wǎng)絡(luò)測量的視頻圖像多視角協(xié) 作目標(biāo)跟蹤測量方法，給出如下基本概念-
1、無線視頻圖像監(jiān)測節(jié)點無線視頻圖像監(jiān)測節(jié)點(下文簡稱 節(jié)點)是一種具有無線通信能力、視頻圖像采集能力和基本信號處理 能力的設(shè)備，具有網(wǎng)絡(luò)通信帶寬小、能量有限、計算能力低等特點， 能夠在接收到測量指令好，獨立實時地完成對指定區(qū)域的圖像采集、 存儲、預(yù)處理、目標(biāo)提取和信號傳輸。
2、 中心處理節(jié)點中心處理節(jié)點是一種具有無線通信能力和較 強信號處理能力的設(shè)備，其網(wǎng)絡(luò)帶寬高、能量充足(可采用外部供能)、 計算能力強，能夠周期性地向無線視頻圖像監(jiān)測節(jié)點發(fā)送指令完成測 量任務(wù)，并接收各無線視頻圖像監(jiān)測節(jié)點發(fā)回的信號，通過多視角協(xié) 作跟蹤測量方法實現(xiàn)對多目標(biāo)的定位和跟蹤。
3、 無線視頻圖像監(jiān)測網(wǎng)絡(luò)典型的無線視頻圖像監(jiān)測網(wǎng)絡(luò)由多 個無線視頻圖像監(jiān)測節(jié)點和一個中心處理節(jié)點組成。測量過程中，各 無線視頻圖像監(jiān)測節(jié)點獨立完成不同視角的圖像采集、目標(biāo)提取等工 作；中心處理節(jié)點根據(jù)測量需求周期性地向無線視頻圖像監(jiān)測節(jié)點發(fā)
送測量指令，獲取后對各視頻圖像監(jiān)測節(jié)點的監(jiān)測結(jié)果進(jìn)行融合，實 現(xiàn)對多目標(biāo)的準(zhǔn)確跟蹤。
4、 測量指令測量指令是由中央處理節(jié)點向各無線視頻圖像監(jiān) 測節(jié)點發(fā)布的指令，指明在特定時間內(nèi)執(zhí)行的特定測量任務(wù)。
5、 多視角協(xié)作測量多視角協(xié)作測量是指需要兩個或多個無線 視頻圖像監(jiān)測節(jié)點根據(jù)一定策略協(xié)作，共同對目標(biāo)實施監(jiān)測的測量方 法。由于單個無線視頻圖像監(jiān)測節(jié)點的能量、帶寬資源、感知范圍和 信號處理能力有限，因此無線視頻圖像監(jiān)測節(jié)點間的協(xié)作對于提高無 線視頻圖像監(jiān)測網(wǎng)絡(luò)的測量性能和容錯能力至關(guān)重要。
如何有效地協(xié)調(diào)網(wǎng)絡(luò)資源，實現(xiàn)網(wǎng)絡(luò)化協(xié)作測量已成為當(dāng)前測量 領(lǐng)域的研究熱點之一。目前，網(wǎng)絡(luò)化協(xié)作測量領(lǐng)域的研究工作大部分 停留在理論框架研究和系統(tǒng)仿真上。對于視頻圖像目標(biāo)跟蹤這類復(fù)雜 應(yīng)用，如何協(xié)調(diào)無線視頻圖像監(jiān)測節(jié)點信號處理、網(wǎng)絡(luò)傳輸和中心節(jié) 點信號處理的關(guān)系仍是一個難題，如何從系統(tǒng)角度出發(fā)，有效實現(xiàn)無 線視頻圖像監(jiān)測節(jié)點和中心處理節(jié)點的協(xié)作，平衡網(wǎng)絡(luò)能耗和目標(biāo)跟 蹤精度的關(guān)系都是亟待研究的課題。

發(fā)明內(nèi)容
本發(fā)明的目的是提出一種用于無線網(wǎng)絡(luò)條件下視頻圖像目標(biāo)跟 蹤的多視角協(xié)作測量方法，通過多個無線視頻圖像監(jiān)測節(jié)點的協(xié)作， 實現(xiàn)對目標(biāo)位置的準(zhǔn)確定位，減少觀測干涉，提高目標(biāo)跟蹤的準(zhǔn)確性 和魯棒性。
本發(fā)明通過以下技術(shù)方案實現(xiàn)多視角協(xié)作跟蹤測量，首先通過動
態(tài)背景構(gòu)建方法在單個無線視頻圖像監(jiān)測節(jié)點中實現(xiàn)目標(biāo)測量，得到
僅含有目標(biāo)的最小矩形邊界；然后通過節(jié)點間的協(xié)作，采用漸進(jìn)分布 式數(shù)據(jù)融合方法，融合各無線視頻圖像監(jiān)測節(jié)點的測量結(jié)果，實現(xiàn)對 移動目標(biāo)的協(xié)作式定位測量，在協(xié)作過程中綜合采用了基于能量熵和 馬氏距離的能耗、剩余能量、信息有效性、節(jié)點特性、信息反饋等多 參數(shù)評價方法；如進(jìn)行多目標(biāo)監(jiān)測，則還需要在融合定位之前對各節(jié) 點多目標(biāo)測量信號進(jìn)行基于最優(yōu)似然估計的數(shù)據(jù)關(guān)聯(lián)；完成目標(biāo)定位 后，采用無跡卡爾曼濾波和最優(yōu)似然估計方法實現(xiàn)對多移動目標(biāo)的定 位跟蹤和數(shù)據(jù)關(guān)聯(lián)，以獲得多目標(biāo)運動軌跡。
以下對本發(fā)明方法作進(jìn)一步說明，具體步驟如下
(1) 基于動態(tài)背景構(gòu)建的目標(biāo)測量動態(tài)背景構(gòu)建過程主要包 含兩個階段，首先采用基于像素的中值濾波方法，通過多幀連續(xù)識別 區(qū)分圖像中的靜態(tài)像素點和動態(tài)像素點，并采用靜態(tài)像素點初始化背 景模型；然后在監(jiān)測過程中，通過對實際圖像序列的分析，從像素和 對象兩個層次更新背景模型參數(shù)，以解決光照和背景物體的變化對背 景模型造成的影響。獲得當(dāng)前時刻的動態(tài)背景圖像后再將原圖像減去 圖像背景，則可獲得包含目標(biāo)的前景圖像。
(2) 多視角協(xié)作融合目標(biāo)定位在單個無線視頻圖像監(jiān)測節(jié)點 完成基于動態(tài)背景構(gòu)建的目標(biāo)測量后，即可獲得包含移動目標(biāo)的最小 矩形邊界。假設(shè)目標(biāo)位置的測量不確定度可采用2維Gaussian分布表 示，則可將各無線視頻圖像監(jiān)測節(jié)點從不同視角測得的目標(biāo)位置概率 分布映射為最小矩形邊界中的概率分布。通過融合投影在目標(biāo)運動平 面上的多視角目標(biāo)位置概率分布結(jié)果，即可獲得目標(biāo)在運動平面上實 際位置的概率分布。若各節(jié)點工作正常，融合后的概率分布精度將高 于或等于最精確的節(jié)點精度；但若部分節(jié)點失效，或在節(jié)點的對應(yīng)視 角中目標(biāo)被遮擋，則這些節(jié)點的目標(biāo)方位信息則不能用于融合。
多視角測量信息融合由中心處理節(jié)點發(fā)起，中心處理節(jié)點根據(jù)評 價參數(shù)選擇某個節(jié)點作為激活節(jié)點，向其傳遞測量指令；然后該節(jié)點 根據(jù)當(dāng)前節(jié)點狀況，動態(tài)選擇下一激活節(jié)點，并將本節(jié)點獲取的初步 處理信息傳遞給新的激活節(jié)點。該節(jié)點將接收到的信息與自身決策信 息融合得到不完全融合結(jié)果后再次選擇新激活節(jié)點，并將不完全融合 結(jié)果傳遞給該節(jié)點。如此不斷循環(huán)節(jié)點選擇和漸進(jìn)融合過程直至結(jié)果 滿足精度要求，最后將融合結(jié)果傳遞至中心處理節(jié)點。由于實際測量
過程中，處于不同視角的無線視頻圖像監(jiān)測節(jié)點所能獲得的目標(biāo)運動 信息質(zhì)量不同，為平衡無線視頻圖像監(jiān)測網(wǎng)絡(luò)的跟蹤性能和能耗，多 視角協(xié)作融合目標(biāo)定位方法在選擇激活節(jié)點時，綜合考慮了網(wǎng)絡(luò)狀 態(tài)、各節(jié)點工作狀態(tài)、節(jié)點位置、節(jié)點剩余能量、節(jié)點測量能力和預(yù) 測的節(jié)點測量信息有效性等因素。
(3) 目標(biāo)跟蹤與預(yù)測當(dāng)目標(biāo)定位完成后，中心處理節(jié)點采用 無跡卡爾曼濾波方法根據(jù)定位信息實現(xiàn)目標(biāo)跟蹤與預(yù)測。無跡卡爾曼 濾波方法建立在無跡變換理論基礎(chǔ)上，通過確定地選取少量樣本
(Sigma點)描述隨機變量分布，對各樣本進(jìn)行非線性變換，計算樣 本均值和方差，作為實際隨機變量通過非線性系統(tǒng)后均值和方差的近 似值。通過對噪聲均值和方差的精確估計，無跡卡爾曼濾波能夠有效 地對目標(biāo)運動進(jìn)行跟蹤與預(yù)測。
(4) 多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)由于復(fù)雜環(huán)境中，多目標(biāo)測量信號 經(jīng)常出現(xiàn)不同程度的交疊與重合，使目標(biāo)跟蹤難度加大，應(yīng)采用數(shù)據(jù) 關(guān)聯(lián)技術(shù)確定各測量值與各跟蹤軌跡間的對應(yīng)關(guān)系，實現(xiàn)多目標(biāo)定位 與跟蹤。在多視角協(xié)作融合定位過程中，根據(jù)前一時刻的無跡卡爾曼 濾波目標(biāo)跟蹤和預(yù)測結(jié)果，通過最近鄰法實現(xiàn)測量結(jié)果和軌跡間的最 大似然關(guān)聯(lián)。
本發(fā)明同傳統(tǒng)的單視角多目標(biāo)跟蹤方法相比，通過采用多視角跟 蹤測量擴大跟蹤范圍，減少觀測干涉，提高目標(biāo)跟蹤的準(zhǔn)確性和魯棒 性；同時，各無線視頻圖像監(jiān)測節(jié)點間的協(xié)作通過采用漸進(jìn)式數(shù)據(jù)融 合方法，平衡了目標(biāo)跟蹤精度和網(wǎng)絡(luò)能耗，避免了不必要地數(shù)據(jù)傳遞。 與集中式數(shù)據(jù)融合方法相比，本發(fā)明具有能耗低、網(wǎng)絡(luò)延遲少、定位 精度高等特點，可以滿足地形復(fù)雜、環(huán)境惡劣條件下的應(yīng)用需求，可 廣泛應(yīng)用于各類軍、民用系統(tǒng)，具有廣闊的市場前景和應(yīng)用價值。


圖1為無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤測量方法的系統(tǒng)框
圖2為單視角目標(biāo)測量結(jié)果；
其中圖(a)是動態(tài)構(gòu)建的單視角背景；圖(b)是待分析的單視 角測量前景；圖(c)是去除背景后得到的目標(biāo)測量二值結(jié)果；
圖3為單視角目標(biāo)位置測量不確定度的2維Gaussian分布示意； 圖4為多視角融合定位方法的基本原理；
圖5為基于目標(biāo)跟蹤與預(yù)測的最近鄰法多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)基本 原理；
圖6為驗證系統(tǒng)的布置圖； 圖7為多視角目標(biāo)測量結(jié)果；
其中，圖(a) 圖(d)分別為4個不同無線視頻圖像監(jiān)測節(jié)點 的多目標(biāo)檢測結(jié)果；
圖8為漸進(jìn)分布式多視角協(xié)作融合多目標(biāo)跟蹤結(jié)果。
具體實施例方式
以下結(jié)合附圖對本發(fā)明的實施方式作進(jìn)一步描述。 如圖1所示，無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤測量方法首 先在各無線視頻圖像監(jiān)測節(jié)點中通過動態(tài)背景構(gòu)建方法實現(xiàn)目標(biāo)測 量，得到僅含有目標(biāo)的最小矩形邊界；然后通過節(jié)點間的協(xié)作，采用 漸進(jìn)分布式數(shù)據(jù)融合方法，融合各無線視頻圖像監(jiān)測節(jié)點的測量結(jié) 果，實現(xiàn)對移動目標(biāo)的協(xié)作式定位測量；如進(jìn)行多目標(biāo)監(jiān)測，則還需 要在融合定位之前對各節(jié)點多目標(biāo)測量信號進(jìn)行基于最優(yōu)似然估計 的數(shù)據(jù)關(guān)聯(lián)；完成目標(biāo)定位后，采用無跡卡爾曼濾波和最優(yōu)似然估計 方法實現(xiàn)對多移動目標(biāo)的定位跟蹤和數(shù)據(jù)關(guān)聯(lián)，以獲得多目標(biāo)運動軌 跡。各部分具體實施細(xì)節(jié)如下
1、基于動態(tài)背景構(gòu)建的目標(biāo)測量
動態(tài)背景構(gòu)建方法主要包含兩個階段初始化背景模型和更新背 景模型參數(shù)。在初始化背景模型階段，首先采用基于像素的中值濾波 方法通過多幀連續(xù)識別區(qū)分圖像中的靜態(tài)像素點和動態(tài)像素點；然后 采用靜態(tài)像素點初始化背景模型。假設(shè)r(:c)為第i幀圖像中像素點jc 的亮度值，0"(x)和;i(x)為像素點x在所有7V幀連續(xù)圖像中的標(biāo)準(zhǔn)差和 均值，則像素點x的初始背景模型構(gòu)建如下-<formula>formula see original document page 9</formula>
(1)
其中，m(x)代表圖像序列("，hl,K TV中所有圖像像素點;c的亮度最 小值，"(x;代表圖像序列irj,"l,K TV中所有圖像像素點x的亮度最
大值，^xj代表圖像序列irj，^i,K W中所有相鄰兩幅圖像像素點x
的亮度差值的絕對值最大值。
目標(biāo)測量過程事實上就是從圖像序列中區(qū)分前景目標(biāo)和背景圖 像的過程，也就是區(qū)分圖像序列中各像素點屬于前景像素和背景像素 的過程。其中，前景像素即指該像素點對應(yīng)的像素信息在當(dāng)前的背景 模型下被判定屬于前景目標(biāo)；背景像素則指該像素點對應(yīng)的像素信息 在當(dāng)前的背景模型下被判定屬于背景圖像。理論上，在構(gòu)建背景模型 后，通過當(dāng)前圖像和背景模型的差值比較即可獲得前景目標(biāo)的分布區(qū) 域。然而，監(jiān)測過程中，光照的影響和背景物體的變化將改變背景模 型，將影響前景像素和背景像素的區(qū)分和識別。動態(tài)背景構(gòu)建方法分 別采用基于像素和基于對象的更新方法解決光照和物體變化的影響。 跟蹤過程中，通過構(gòu)建背景變化圖決定是否更新背景模型。背景變化 圖包含三個主要部分檢測圖feS)，運動圖(m5)和歷史信息圖(/ 5)， 三類圖的定義方式如下
<formula>formula see original document page 9</formula>如x是背景像素 如x是前景像素
(2)
附,
附S(x，<formula>formula see original document page 9</formula>(3)<formula>formula see original document page 10</formula>
255 如x是前景象素
255
其他
(4)
其中，/(W)代表圖像序列在/時刻像素點x的亮度值。7V為圖像 序列所包含的圖像數(shù)量。跟蹤過程中，由前景像素 (m《jc)，"《x)，W(x))、背景像素(V(x)乂(x)，W(x》和當(dāng)前背景模 型信息(m1:c)，^(x)，,(jc》構(gòu)建新背景模型信息
<formula>formula see original document page 10</formula>
(5)
其中，參數(shù)&和&通常分別設(shè)為0.8和1。 JV為圖像序列所包含的圖像
如背景光照突然發(fā)生變化，則目標(biāo)檢測過程將出現(xiàn)錯誤。因此， 當(dāng)圖像的80%像素被檢測為前景像素時，動態(tài)背景構(gòu)建方法將停止背 景更新，并重新構(gòu)建新的背景模型。完成背景模型構(gòu)建后，再通過各 像素點的最小像素值m(x)、最大像素值"(x)和最大幀間差《提取前
<formula>formula see original document page 10</formula>(6)
、1前景 其他. 其中，/'為當(dāng)前圖像信息，幀間差參數(shù)&取值為2。采用動態(tài)背景構(gòu) 建方法進(jìn)行目標(biāo)檢測的結(jié)果如圖2所示。 2、多視角協(xié)作融合目標(biāo)定位
多視角融合定位是由各無線視頻圖像監(jiān)測節(jié)點完成不同視角的 圖像采集和目標(biāo)測量，由中心處理節(jié)點融合不同視角方位信息的目標(biāo) 定位方法。如圖3所示，假設(shè)目標(biāo)位置的測量不確定度可采用2維 Gaussian分布表示。則多視角融合方法將各節(jié)點的2維Gaussian分布映 射為相應(yīng)目標(biāo)區(qū)域內(nèi)的概率分布，然后融合映射后的概率分布獲取目 標(biāo)位置的分布結(jié)果，相關(guān)原理如圖4所示
V '.=1 乂
(7)
其中，Z為目標(biāo)位置隨機變量，P(XlZ,.)代表節(jié)點i測得的Gaussian分 布，P(ZJ為相關(guān)系數(shù)，此處為目標(biāo)與節(jié)點距離的倒數(shù)，《是歸一化 算子。Z的數(shù)學(xué)期望即為目標(biāo)位置的估計結(jié)果
豐)^，(x,) (8)
由(7)式可知，若各節(jié)點工作正常，融合后的概率分布精度將 高于或等于最精確的節(jié)點精度；但若其中部分節(jié)點失效，或在節(jié)點的 對應(yīng)視角中目標(biāo)被遮擋(如圖4中的節(jié)點4)，則這些節(jié)點的目標(biāo)方位 信息不能用于融合。針對網(wǎng)絡(luò)化視頻圖像測量的特點，可以假設(shè)若節(jié) 點提供的方位信息存在以下任何一種情況則認(rèn)為該節(jié)點信息不可用 不提供方位信息；提供的方位信息與其余方位信息融合后使目標(biāo)概率 分布為零(即無交集)；融合后(歸一化前)的目標(biāo)概率分布值偏小 (即只有少部分邊界區(qū)域存在交集)。
對于無線網(wǎng)絡(luò)化應(yīng)用而言，網(wǎng)絡(luò)能耗、網(wǎng)絡(luò)傳輸數(shù)據(jù)量以及網(wǎng)絡(luò) 延時是決定網(wǎng)絡(luò)化測量的重要因素。傳統(tǒng)的集中式數(shù)據(jù)融合方法，通 過將大量原始圖像數(shù)據(jù)傳遞到中心處理節(jié)點中完成數(shù)據(jù)融合，導(dǎo)致網(wǎng) 絡(luò)中將產(chǎn)生大量通信負(fù)擔(dān)，從而引起無線網(wǎng)絡(luò)聯(lián)接的擁塞，增加網(wǎng)絡(luò) 延時。因此，此處采用漸進(jìn)分布式數(shù)據(jù)融合方法實現(xiàn)網(wǎng)絡(luò)化多視角協(xié) 作融合目標(biāo)定位。在實際測量中，多視角測量信息融合由中心處理節(jié) 點發(fā)起，并在網(wǎng)絡(luò)中反復(fù)循環(huán)激活節(jié)點選擇和漸進(jìn)融合過程，直至融 合結(jié)果滿足精度要求，最后將融合結(jié)果傳遞至中心處理節(jié)點。激活節(jié) 點的選擇將決定無線視頻圖像監(jiān)測網(wǎng)絡(luò)的融合精度和網(wǎng)絡(luò)能耗。為平 衡融合精度與能耗，在節(jié)點選擇中采用如下目標(biāo)函數(shù)
M (《)=-" i,") + (1 - "). L (S ) ( 9 ) 其中，《指第/個節(jié)點，^M,為能耗參數(shù)，^,%是信息有效性參數(shù)，" 為調(diào)節(jié)系數(shù)。節(jié)點選擇可定義為如下優(yōu)化問題
z、argm，(M(S)) (10)
能耗參數(shù)^w,包括三個部分測量能耗^，通信能耗仍和信息能
耗^，其中通信能耗占網(wǎng)絡(luò)總能耗的比例最高。根據(jù)Friis自由空間傳 播模型，在無線通信過程中，節(jié)點&.接收的信號強度/>,.與節(jié)點&發(fā)
送的信號強度^關(guān)系為
其中(^,為節(jié)點《發(fā)射系數(shù)，G^為節(jié)點^的接收系數(shù)，/l為無線通
信波長，/ 為系統(tǒng)功耗因子，《,為節(jié)點5;和A間的空間距離。由式
(11)得知，可采用空間距離的平方作為單位數(shù)據(jù)傳輸能耗的評價指標(biāo)。
另外，根據(jù)無線視頻圖像監(jiān)測網(wǎng)絡(luò)應(yīng)用情況應(yīng)盡可能平均地消耗 各節(jié)點能量以延長網(wǎng)絡(luò)壽命。采用能量熵理論評價節(jié)點剩余能量的平
均性；熵值越大，則剩余能量分布越平均。當(dāng)f時刻完成數(shù)據(jù)傳輸后， 無線視頻圖像監(jiān)測網(wǎng)絡(luò)的剩余能量熵//(&)定義如下
雄》-2X五"》og來) (12)
綜上，無線視頻圖像監(jiān)測網(wǎng)絡(luò)傳輸能耗評價參數(shù)為
L(S,Hi維) (13)
^M,越大表示信息傳輸對網(wǎng)絡(luò)能耗造成的影響越大。
信息有效性參數(shù)^^一可用各節(jié)點對融合精度的貢獻(xiàn)度衡量。實
驗表明如目標(biāo)位置的置信狀態(tài)可用Gaussian分布預(yù)測，則采用馬氏距 離作為評價參數(shù)能準(zhǔn)確預(yù)測節(jié)點對當(dāng)前置信狀態(tài)更新效果的貢獻(xiàn)度 大小，由此可得貢獻(xiàn)度因子^^。/為<formula>formula see original document page 13</formula>
其中，s,是節(jié)點a的位置，i和i是目標(biāo)位置置信狀態(tài)的均值和協(xié)方 差。除置信狀態(tài)概率分布外，觀測過程還受節(jié)點特性的影響，如節(jié)點 對不同材料的敏感度、測量范圍、測量可靠度等因素。將節(jié)點特性對 信息有效性造成的影響統(tǒng)一稱為特性因子^^ 。
信息有效性不僅取決于節(jié)點和目標(biāo)，還受環(huán)境影響，但由于環(huán)境 影響難以直接衡量，因此以節(jié)點預(yù)測結(jié)果與融合結(jié)果的相似性為置信
因子^vw，用于評價環(huán)境對節(jié)點測量產(chǎn)生的影響，定義如下<formula>formula see original document page 13</formula>
其中z二是前一時刻節(jié)點/的測量結(jié)果，i'和i:'是前一時刻最終融合 結(jié)果的^j值和協(xié)方差。
將能耗參數(shù)和信息有效性參數(shù)帶入式(9)可得節(jié)點選擇的目標(biāo)函
數(shù)為<formula>formula see original document page 13</formula>
漸進(jìn)分布式多視角融合在各節(jié)點中不斷循環(huán)節(jié)點選擇和漸進(jìn)融 合過程，直至結(jié)果滿足一定精度要求。由于概率分布越集中表明結(jié)果 越確定，因此可以將融合結(jié)果概率分布的熵作為融合過程中止閾值
<formula>formula see original document page 13</formula>
與集中式融合方法相比，漸進(jìn)分布式融合方法能夠根據(jù)各節(jié)點當(dāng) 前狀態(tài)動態(tài)選擇最佳節(jié)點序列完成融合，并通過順序信息傳遞和漸進(jìn) 信息融合降低網(wǎng)絡(luò)擁塞，減少能耗和延時。當(dāng)系統(tǒng)延時低于一個測量 周期且跟蹤目標(biāo)移動速度較慢時，由系統(tǒng)延時產(chǎn)生的位置測量誤差可 以忽略，此時可將順序信息傳輸視為同步過程，從而減少融合過程中 產(chǎn)生的測量信息序列紊亂現(xiàn)象，提高融合精度。另外，由于漸進(jìn)分布
式融合是動態(tài)選擇的過程，因此可以有效避免網(wǎng)絡(luò)故障的影響，從而 提高網(wǎng)絡(luò)的適應(yīng)性和穩(wěn)定性。
3.目標(biāo)跟蹤與預(yù)測
當(dāng)目標(biāo)定位完成后，中心處理節(jié)點采用無跡Kalman濾波方法， 根據(jù)定位信息實現(xiàn)目標(biāo)跟蹤與預(yù)測。無跡Kalman濾波建立在無跡變 換的基礎(chǔ)上，通過確定地選取少量樣本(Sigma點)描述隨機變量分 布，對各樣本進(jìn)行非線性變換，計算樣本均值和方差，作為實際隨機 變量通過非線性系統(tǒng)后均值和方差的近似值。Sigma點和權(quán)值的選擇 方法為<formula>formula see original document page 14</formula>
(18)
其中，；c,.為Sigma點，^為可調(diào)參數(shù)，反映樣本散布范圍大??； 為矩陣平方根的第冽。根據(jù)Sigma點和權(quán)值求解j^一和尸雄—,，可推得，' Sigma點的樣本均值和方差均以二次精度逼近狀態(tài)變量的均值和方 差
<formula>formula see original document page 14</formula> (20)
4.多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)
采用最近鄰法實現(xiàn)多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)，根據(jù)目標(biāo)跟蹤和預(yù)測實 現(xiàn)測量結(jié)果與軌跡間的最大似然關(guān)聯(lián)。其基本原理如圖5所示，方位 融合的不確定性使測量過程中出現(xiàn)了4個可選位置，根據(jù)最優(yōu)似然估 計原則，采用馬氏距離方法進(jìn)行各目標(biāo)數(shù)據(jù)關(guān)聯(lián)
arg^"腳(尸—乂義，)=(尸—-A) V((尸—-A)) (21)
其中^^是預(yù)測目標(biāo)位置，f,和i,是第f個可選位置概率分布的均值 和協(xié)方差，W是可選位置數(shù)量，最大值為AUxAU一，其中^U 是當(dāng)前節(jié)點測量的目標(biāo)個數(shù)，A^^,是不完全融合結(jié)果包含的目標(biāo)個 數(shù)。
5.驗證系統(tǒng)及實驗結(jié)果
下面通過一些跟蹤實例驗證無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo) 跟蹤測量方法的有效性。如圖6所示，無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作 目標(biāo)跟蹤驗證系統(tǒng)，由設(shè)置在室內(nèi)的18個無線視頻圖像監(jiān)測節(jié)點和 l個中心處理節(jié)點組成。其中，中心處理節(jié)點為一臺主頻為2GHz的 筆記本電腦，無線視頻圖像監(jiān)測節(jié)點包含一個視角60° 、焦距3.6mm、 圖像釆集速率30幀/秒的彩色CMOS圖像傳感模塊和一個熱釋紅外傳 感模塊，圖像采集分辨率為160X120像素。同時，無線視頻圖像監(jiān) 測節(jié)點還包含一個中央處理模塊，主要由ARM9處理芯片構(gòu)成，其 處理速度為200MHz。
實驗中通過動態(tài)能量管理策略控制各節(jié)點的激活或休眠。目標(biāo)進(jìn) 入無線視頻圖像監(jiān)測網(wǎng)絡(luò)測量區(qū)域后，網(wǎng)絡(luò)測量頻率為10Hz，即每 個漸進(jìn)融合過程的周期為0.1秒，融合圖像的時間差距最大值為0.13 秒，對于數(shù)據(jù)融合可認(rèn)為采集的信息同步。融合過程中傳遞的數(shù)據(jù)包 大小為lkbytes，包含目標(biāo)位置預(yù)測信息、不完全融合跟蹤結(jié)果和已 傳遞節(jié)點列表，為簡化路由，節(jié)點間采用單跳方式傳遞數(shù)據(jù)包。各節(jié) 點根據(jù)通信時間、測量時間和計算時間估算能耗及剩余能量，并與其 他節(jié)點共享剩余能量信息，能量信息共享周期為60秒。無線視頻圖 像監(jiān)測網(wǎng)絡(luò)MAC層采用CSMA/CA協(xié)議，具體網(wǎng)絡(luò)通信參數(shù)設(shè)置如 表1所示。利用無線視頻圖像監(jiān)測網(wǎng)絡(luò)對2個人的移動進(jìn)行跟蹤，具 體場景為其中一個人將物件放在房間中央后向房間的另一側(cè)移動并 隱匿，同時另一人始終坐在房內(nèi)某位置。
表1無線視頻圖像監(jiān)測網(wǎng)絡(luò)通訊參數(shù)設(shè)置
信道參數(shù)參數(shù)值
數(shù)據(jù)率19.2kbps
基頻900MHz
MAC協(xié)議CSMA/CA
帶寬7.2MHz
圖7為驗證系統(tǒng)中節(jié)點Nl、 N8、 N10和N18的多目標(biāo)檢測結(jié)果。 圖8為漸進(jìn)分布式多視角協(xié)作融合多目標(biāo)跟蹤結(jié)果。實驗結(jié)果與實際 目標(biāo)移動一致。實驗結(jié)果表明漸進(jìn)分布式多視角協(xié)作融合跟蹤方法能 有效實現(xiàn)多目標(biāo)的測量和跟蹤。
權(quán)利要求
1、無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤測量方法，其特征是包括下列步驟首先通過動態(tài)背景構(gòu)建方法在單個無線視頻圖像監(jiān)測節(jié)點中實現(xiàn)目標(biāo)測量，得到僅含有目標(biāo)的最小矩形邊界；然后通過節(jié)點間的協(xié)作，采用漸進(jìn)分布式數(shù)據(jù)融合方法，融合各無線視頻圖像監(jiān)測節(jié)點的測量結(jié)果，實現(xiàn)對移動目標(biāo)的協(xié)作式定位測量，在協(xié)作過程中綜合采用基于能量熵和馬氏距離的能耗、剩余能量、信息有效性、節(jié)點特性、信息反饋等多參數(shù)評價方法；如進(jìn)行多目標(biāo)監(jiān)測，則還需要在融合定位之前對各節(jié)點多目標(biāo)測量信號進(jìn)行基于最優(yōu)似然估計的數(shù)據(jù)關(guān)聯(lián)；完成目標(biāo)定位后，采用無跡卡爾曼濾波和最優(yōu)似然估計方法實現(xiàn)對多移動目標(biāo)的定位跟蹤和數(shù)據(jù)關(guān)聯(lián)，以獲得多目標(biāo)運動軌跡。
2、 根據(jù)權(quán)利要求1所述的無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤 測量方法，其特征是所述基于動態(tài)背景構(gòu)建的目標(biāo)測量具體步驟是 動態(tài)背景構(gòu)建過程包含兩個階段，首先采用基于像素的中值濾波方 法，通過多幀連續(xù)識別區(qū)分圖像中的靜態(tài)像素點和動態(tài)像素點，并采 用靜態(tài)像素點初始化背景模型；然后在監(jiān)測過程中，通過對實際圖像 序列的分析，從像素和對象兩個層次更新背景模型參數(shù)，以解決光照 和背景物體的變化對背景模型造成的影響；獲得當(dāng)前時刻的動態(tài)背景 圖像后再將原圖像減去圖像背景，則可獲得包含目標(biāo)的前景圖像。
3、 根據(jù)權(quán)利要求1所述的無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤 測量方法，其特征是所述多視角協(xié)作融合目標(biāo)定位具體步驟是在單 個無線視頻圖像監(jiān)測節(jié)點完成基于動態(tài)背景構(gòu)建的目標(biāo)測量后，即可 獲得包含移動目標(biāo)的最小矩形邊界，將各無線視頻圖像監(jiān)測節(jié)點從不 同視角測得的目標(biāo)位置概率分布映射為最小矩形邊界中的概率分布， 通過融合投影在目標(biāo)運動平面上的多視角目標(biāo)位置概率分布結(jié)果，即 可獲得目標(biāo)在運動平面上實際位置的概率分布。
4、 根據(jù)權(quán)利要求3所述的無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤 測量方法，其特征是多視角測量信息融合由中心處理節(jié)點發(fā)起，中心 處理節(jié)點根據(jù)評價參數(shù)選擇某個節(jié)點作為激活節(jié)點，向其傳遞測量指 令；激活節(jié)點根據(jù)當(dāng)前節(jié)點狀況，動態(tài)選擇下一激活節(jié)點，并將本節(jié) 點獲取的初步處理信息傳遞給新的激活節(jié)點，該節(jié)點將接收到的信息 與自身決策信息融合得到不完全融合結(jié)果后再次選擇下一個激活節(jié) 點，并將不完全融合結(jié)果傳遞給該節(jié)點，如此不斷循環(huán)節(jié)點選擇和漸 進(jìn)融合過程直至結(jié)果滿足精度要求，最后將融合結(jié)果傳遞至中心處理 節(jié)點。
5、 根據(jù)權(quán)利要求1所述的無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤測量方法，其特征是所述目標(biāo)跟蹤與預(yù)測具體步驟是當(dāng)目標(biāo)定位完 成后，中心處理節(jié)點采用無跡卡爾曼濾波方法根據(jù)定位信息實現(xiàn)目標(biāo) 跟蹤與預(yù)測。
6、 根據(jù)權(quán)利要求l所述的無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤 測量方法，其特征是所述多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)具體步驟是采用數(shù)據(jù) 關(guān)聯(lián)技術(shù)確定各測量值與各跟蹤軌跡間的對應(yīng)關(guān)系，實現(xiàn)多目標(biāo)定位 與跟蹤，在多視角協(xié)作融合定位過程中，根據(jù)前一時刻的無跡卡爾曼 濾波目標(biāo)跟蹤和預(yù)測結(jié)果，通過最近鄰法實現(xiàn)測量結(jié)果和軌跡間的最 大似然關(guān)聯(lián)。
全文摘要
一種無線網(wǎng)絡(luò)視頻圖像多視角協(xié)作目標(biāo)跟蹤測量方法，能夠?qū)崿F(xiàn)對目標(biāo)位置的準(zhǔn)確定位，減少觀測干涉，提高目標(biāo)跟蹤的準(zhǔn)確性和魯棒性。技術(shù)方案包括下列步驟首先通過動態(tài)背景構(gòu)建方法在單個無線視頻圖像監(jiān)測節(jié)點中實現(xiàn)目標(biāo)測量，得到僅含有目標(biāo)的最小矩形邊界；然后通過節(jié)點間的協(xié)作，采用漸進(jìn)分布式數(shù)據(jù)融合方法，融合各無線視頻圖像監(jiān)測節(jié)點的測量結(jié)果，實現(xiàn)對移動目標(biāo)的協(xié)作式定位測量，在協(xié)作過程中綜合采用基于能量熵和馬氏距離的能耗、剩余能量、信息有效性、節(jié)點特性、信息反饋等多參數(shù)評價方法；為進(jìn)行多目標(biāo)監(jiān)測，在融合定位之前對各節(jié)點多目標(biāo)測量信號進(jìn)行基于最優(yōu)似然估計的數(shù)據(jù)關(guān)聯(lián)；完成目標(biāo)定位后，采用無跡卡爾曼濾波和最優(yōu)似然估計方法實現(xiàn)對多移動目標(biāo)的定位跟蹤和數(shù)據(jù)關(guān)聯(lián)，以獲得多目標(biāo)運動軌跡。
文檔編號H04N7/18GK101179707SQ200710122148
公開日2008年5月14日 申請日期2007年9月21日 優(yōu)先權(quán)日2007年9月21日
發(fā)明者畢道偉, 晟 王, 雪 王, 馬俊杰 申請人:清華大學(xué)