12、多摄像机网络下的多目标跟踪技术解析

多摄像机网络下的多目标跟踪技术解析

1. 引言

分布式相机网络在众多领域得到了广泛应用，如城市监控以识别恐怖和犯罪事件、建筑/校园监控与异常检测、养老院或幼儿园的健康与安全护理，以及战场或危险区域可视化以辅助决策等。在大面积范围内对多个视频对象进行监控跟踪，需要相机网络协同工作，以确保被跟踪对象能从一个相机可靠地交接至另一个相机。如果单相机内的跟踪效果良好，那么跨相机跟踪的主要任务就是在对象出现在新视角时，建立同一对象轨迹之间的对应关系。

2. 相关工作

多目标跟踪问题可建模为离散时域中的动态系统。以下是不同跟踪方法的介绍：
- 卡尔曼滤波器（KF） ：假设线性状态转移函数、线性观测模型以及高斯噪声，以获得最优状态预测和更新公式。基于一些受限假设，它能实现计算简单性，这是实时跟踪系统所期望的特性。
- 扩展卡尔曼滤波器（EKF） ：放宽了状态转移函数和观测模型的线性限制，系统转移函数和观测模型可以是任何可微函数。
- 粒子滤波器 ：进一步放宽了高斯假设，以模拟非高斯和多模态后验分布。对于更复杂的模型，在处理靠近相机且运动变化剧烈的对象时具有优势，但通常需要大量粒子来捕捉大而剧烈的运动变化，计算复杂度较高，且仍需与遮挡检测和处理技术配合以提高性能。

解决跨相机网络跟踪中一致标记问题的方法大致可分为以下几类：
| 方案类型 | 描述 |
| — | — |
| 特征匹配方案 | 直接匹配被跟踪对象的几何或其他特征，如使用FOV线进行一致标记，也可综合多种特征并利用贝叶斯网络进行更好的相似度