專利名稱：：多相機協(xié)同運動目標檢測方法
技術領域：
：本發(fā)明涉及一種目標檢測方法，特別是多相機協(xié)同運動目標檢測方法。文獻"Amultiviewapproachtotrackingpeopleincrowdedscenesusingaplanarhomographyconstraint，LectureNotesinComputerScience,ComputerVision-ECCV2006，3954LNCS(7)，pl33_146，January2006"公開了一種基于平面映射約束的多相機運動目標檢測跟蹤方法。該方法首先選定某一個相機視角作為參考視角，通過基于混合高斯模型的背景差對各個視角獲得的圖像數(shù)據(jù)進行前景提取，然后將獲得的各個前景概率圖像按照地面約束投影到參考視角的坐標系下。將變換后的各個視角概率圖進行連乘得到綜合的前景概率圖，采用一個給定的閾值對綜合前景概率圖進行分割即可獲得最終目標的腳所在的位置，從而在目標個數(shù)少于相機個數(shù)的情況下可以較好的解決遮擋問題。擁擠場景下，目標數(shù)目是未知并且動態(tài)變化的，當目標個數(shù)大于相機個數(shù)時，這種方法檢測結果中會出現(xiàn)大量虛警，在3個相機6個人的場景中，錯誤率高達69.8%。為了克服現(xiàn)有技術多相機運動目標檢測跟蹤方法錯誤率高的不足，本發(fā)明提供一種多相機協(xié)同運動目標檢測方法，在充分利用多視角信息的基礎上，不依賴于標定信息，解決目標個數(shù)多于相機個數(shù)條件下運動目標檢測定位問題，即在一定的范圍內，用增加約束平面?zhèn)€數(shù)代替增加相機個數(shù)，實現(xiàn)虛警的去除，可以降低檢測錯誤率，提高檢測精度。本發(fā)明解決其技術問題所采用的技術方案一種多相機協(xié)同運動目標檢測方法，其特點是包括下述步驟(a)任選定view皿m個相機中一個相機視角作為參考視角，首先計算參考視角與俯視平面之間的映射矩陣H，選定從地面到頭頂均勻分布的K個水平面=1，2，...，K)作為投影約束平面，并分別計算=1，2，...，K)約束下第j個視角到參考視角的映射參數(shù)Hij，即第i個水平面i約束下第j個視角到參考視角的映射矩陣；(b)采用基于混合高斯模型的背景差算法對viewnum個相機視角中每一個視角輸入圖像IO，.根據(jù)公式進行前景提取，得到前景圖Ij，j=1，2，，viewn咖；式(1)中，〈Wi，Model,為混合高斯模型Model=(〈w丄，Model,,i=1，2，，皿ml中第i個高斯模型，權重為Wi，9為前景提取閾值；(c)利用步驟(a)計算的映射參數(shù)Hij，依次在K個不同水平面投影約束下將各個視角的前景圖像映射到參考視角
背景技術：
：
發(fā)明內容13/e[1，"訓],使得/0乂(x，_y)e<w，楊tfe/,>&w,>6*0e/se4<formula>formulaseeoriginaldocumentpage5</formula>得到映射后的前景圖Iij，并將同一個水平面下投影后的各個視角前景圖連乘，獲,K:得K個不同水平面約束下的綜合前景圖Foregroundm即i，i=(d)將所述K個綜合前景圖利用H投影到俯視平面<formula>formulaseeoriginaldocumentpage5</formula>OverlookingvieWi(x，y)=ForegroundmaPi(u，v)得到K個俯視前景圖OverlookingvieWi，i=1，2，(e)分別計算俯視前景圖中前m個相乘附Afo/">/^bregro2^/w/m=nover/(9oA7力，,，,.，m=1，2，…，尺式(7)中m二1，2，...，K，相乘的結果MultipleForegroundmaPm再做加權求和得到最終的前景圖FinalForegroundmap，加權系數(shù)滿足am>am—丄；(f)對最終前景圖FinalForegroundm即進行閾值處理和聯(lián)通區(qū)域標記完成檢測。<formula>formulaseeoriginaldocumentpage5</formula>本發(fā)明的有益效果是由于采用了多層平面約束的多相機協(xié)同運動目標檢測，用多視角冗余信息解決遮擋問題；在不增加相機數(shù)目的前提下，用多層平面的約束有效的去除多相機的冗余信息，達到去除虛警的目的，從而降低檢測錯誤率，在3個相機6個人的場景下，平均錯誤率從現(xiàn)有技術的69.8%降低到21.8%。下面結合具體實施方式對本發(fā)明作詳細說明。具體實施例方式本發(fā)明具體方法步驟如下(1)初始化及參數(shù)的計算。假定有view皿m個相機，本實施例選取view皿m二3，選定視角1作為參考視角，首先計算視角1與俯視平面之間的映射矩陣H，然后選定從地面到頭頂均勻分布的K個水平面作為投影約束平面，記為、，i=1，2，...，K(本實施例取K=5)，并分別計算在=1，2，...，K)約束下第j個視角到參考視角的映射參數(shù)Hi，.，i代表第i個平面，j代表第J個視角，此處采用透視變換模型進行的計算(Hij表示第i個水平面i約束下第j視角到參考視角的映射矩陣)。[OO32](2)前景提取。采用基于混合高斯模型的背景差算法對各個視角進行前景提取，得到的前景圖記為Ij，j=1，2，...，view皿m?！磜，Model〉表示一個權重為w的單高斯模型，假設對圖像中坐標為(x，y)的點處混合高斯模型為Model={〈Wi，Model,,i=1，2，...，num}(皿m表示混合高斯模型所包含的單高斯模型的數(shù)目)，那么前景提取公式如下<formula>formulaseeoriginaldocumentpage6</formula>使得/0,(x，力e〈w,.,Afotfe(>&w,.>6>,、式(1)中，IOj為第j個視角當前輸入原始圖像，e為前景提取閾值，可以為固定閾值，本實施例將e取為自適應的，取所有權重中的次小值。(3)前景圖映射及平面內協(xié)同。對任意的i=1，2，，K，j=2，3，，viewn咖，利用Hu按照水平面i約束將Ij投影到參考視角得到變換后的前景圖Iij。對于V(x,力處，有水<formula>formulaseeoriginaldocumentpage6</formula>對于每個視角j，將按照同一平面約束變換后的前景圖像Iij，j=2，3，view皿m進行連乘，從而獲得K個水平面約束下的綜合前景圖ForegroundmaPi，i2，.，K;<formula>formulaseeoriginaldocumentpage6</formula>(4)(4)參考視角前景圖到俯視場前景圖的映射。利用映射矩陣H將K個綜合前景圖Foregro皿dm即i投影到俯視平面，得到俯視前景圖OverlookingvieWi，i=1，2，，K。對于V(x,力處，有:<formula>formulaseeoriginaldocumentpage6</formula>，K，相乘的結果分別記OverlookingvieWi(x，y)=Foregro皿dmaPi(u，v)(5)不同平面約束條件下俯視場前景圖之間的協(xié)同。分別將K個俯視前景圖中前m個相連乘，其中m=1，2，，為MultipleForegroundmaPm。Mw/印/eForeg-cw"d應/^=noi;er/ooA:/"gV7'ew,.,w=1,2，.."《(7)對MultipleForegroundm即m，m=1，2，，K再做加權求和得到最終的前景概率圖，權重系數(shù)分別為O<am<l，m=1，2，...，K，加權求和F/"a/ForegrazWma;=Zx"W""/一eForegroimdm"/^(8)由于約束越多，判定的前景點越可信，所以加權系數(shù)滿足am〉am—"取一1<其中am為歸一化因子，S卩"—^°am="-e2，(6)閾值處理及檢測結果顯示輸出。對俯視前景概率圖FinalForegroundmap進行閾值處理，得到俯視前景圖FinalForegro皿dmap'，thresh為二值化閾值，本實施例取0.7:F/wa/Foregrowwc/maj(X力="{(9)對FinalForegroundm即'進行聯(lián)通區(qū)域標記，面積大于100像素的聯(lián)通區(qū)域作為檢測到的運動目標，顯示輸出檢測結果。本實施例在對3000幀的實際視頻數(shù)據(jù)測試的基礎上達到21.8%的平均錯誤率，相比于現(xiàn)有技術69.8%的平均錯誤率，檢測性能有極大的提高。權利要求一種多相機協(xié)同運動目標檢測方法，其特征在于包括下述步驟(a)任選定viewnum個相機中一個相機視角作為參考視角，首先計算參考視角與俯視平面之間的映射矩陣H，選定從地面到頭頂均勻分布的K個水平面πi(i＝1，2，...，K)作為投影約束平面，并分別計算在πi(i＝1，2，...，K)約束下第j個視角到參考視角的映射參數(shù)Hij，即第i個水平面πi約束下第.j個視角到參考視角的映射矩陣；(b)采用基于混合高斯模型的背景差算法對viewnum個相機視角中每一個視角輸入圖像I0j根據(jù)公式進行前景提取，得到前景圖Ij，j＝1，2，...，viewnum；式(1)中，<wi，Modeli>為混合高斯模型Model＝{<wi，Modeli>，i＝1，2，...，num}中第i個高斯模型，權重為wi，θ為前景提取閾值；(c)利用步驟(a)計算的映射參數(shù)Hij，依次在K個不同水平面投影約束下將各個視角的前景圖像映射到參考視角<mrow><mfencedopen='('close=')'><mtable><mtr><mtd><mi>u</mi></mtd></mtr><mtr><mtd><mi>v</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>=</mo><msub><mi>H</mi><mi>ij</mi></msub><mo>·</mo><mfencedopen='('close=')'><mtable><mtr><mtd><mi>x</mi></mtd></mtr><mtr><mtd><mi>y</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>2</mn><mo>)</mo></mrow></mrow>Iij(x，y)＝Ij(u，v)(3)得到映射后的前景圖Iij，并將同一個水平面下投影后的各個視角前景圖連乘，獲得K個不同水平面約束下的綜合前景圖Foregroundmapi，i＝1，2，...，K；<mrow><msub><mi>Foregroundmap</mi><mi>i</mi></msub><mo>=</mo><msub><mi>I</mi><mn>1</mn></msub><mo>·</mo><munderover><mi>Π</mi><mrow><mi>j</mi><mo>=</mo><mn>2</mn></mrow><mi>viewnum</mi></munderover><msub><mi>I</mi><mi>ij</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>4</mn><mo>)</mo></mrow></mrow>(d)將所述K個綜合前景圖利用H投影到俯視平面<mrow><mfencedopen='('close=')'><mtable><mtr><mtd><mi>u</mi></mtd></mtr><mtr><mtd><mi>v</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>=</mo><mi>H</mi><mo>·</mo><mfencedopen='('close=')'><mtable><mtr><mtd><mi>x</mi></mtd></mtr><mtr><mtd><mi>y</mi></mtd></mtr><mtr><mtd><mn>1</mn></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>5</mn><mo>)</mo></mrow></mrow>Overlookingviewi(x，y)＝Foregroundmapi(u，v)(6)得到K個俯視前景圖Overlookigviewi，i＝1，2，...，K；(e)分別計算俯視前景圖中前m個相乘<mrow><msub><mi>MultipleForegroundmap</mi><mi>m</mi></msub><mo>=</mo><munderover><mi>Π</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>m</mi></munderover><msub><mi>overlookingview</mi><mi>i</mi></msub><mo>,</mo><mi>m</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>K</mi><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>7</mn><mo>)</mo></mrow></mrow>式(7)中m＝1，2，...，K，相乘的結果MultipleForegroundmapm再做加權求和<mrow><mi>FinalForegroundmap</mi><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>m</mi><mo>=</mo><mn>1</mn></mrow><mi>K</mi></munderover><msub><mi>α</mi><mi>m</mi></msub><mo>×</mo><msub><mi>MultipleForegroundmap</mi><mi>m</mi></msub><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>8</mn><mo>)</mo></mrow></mrow>得到最終的前景圖FinalForegroundmap，加權系數(shù)滿足αm＞αm-1；(f)對最終前景圖FinalForegroundmap進行閾值處理和聯(lián)通區(qū)域標記<mrow><mi>FinalForegroundmap</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>=</mo><mfencedopen='{'close=''><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mi>FinalForegroundmap</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><mi>y</mi><mo>)</mo></mrow><mo>></mo><mi>thresh</mi></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>else</mi></mtd></mtr></mtable></mfenced><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>9</mn><mo>)</mo></mrow></mrow>完成檢測。F2009102191394C00011.tif全文摘要本發(fā)明公開了一種多相機協(xié)同運動目標檢測方法，用于解決現(xiàn)有技術多相機運動目標檢測跟蹤方法錯誤率高的技術問題。本發(fā)明采用多層平面約束的多相機協(xié)同運動目標檢測，用多視角冗余信息解決遮擋問題；在不增加相機數(shù)目的前提下，用多層平面的約束有效的去除多相機的冗余信息，達到去除虛警的目的，從而降低檢測錯誤率，在3個相機6個人的場景下，平均錯誤率從現(xiàn)有技術的69.8％降低到21.8％。文檔編號G06T7/20GK101739690SQ200910219139公開日2010年6月16日申請日期2009年11月26日優(yōu)先權日2009年11月26日發(fā)明者仝小敏,張秀偉,張艷寧,楊濤,邵大培申請人:西北工業(yè)大學