多摄像头接力跟踪综述

吴雨迪

（广州市第十六中学，广东 广州 510000）

1 引言

计算机视觉技术是指利用摄像头等输入设备充当人类眼睛获取图像信息，并采取一系列图像处理算法对输入图像进行研究、分析，提取出有用信息并给出反馈的一种技术，是人工智能的一个重要分支。随着计算机视觉技术的迅猛发展，摄像机已经广泛应用于人类工作、生活的各个方面，例如视频监控、人机交互、车牌识别、路标检测、行人检测等，尤其是随着人们对无人驾驶智能车需求的日益增长，基于摄像头的目标检测成为了当下研究的热门方向。伴随着视频监控网络的不断壮大，单摄像头目标检测逐渐被多摄像头接力目标追踪检测所替代。如何利用计算机视觉技术代替人工，实现多个摄像头之间目标的接力检测追踪，已经成为目前视频检测中的一个关键问题。典型的多摄像头接力追踪过程如图1 所示。

图1 多摄像头接力追踪示意图

2 多摄像头目标追踪检测的应用价值

2.1 大场景或大范围内实现可疑目标检测和连续跟踪

现如今，随着时代的发展，公共安全面临着越来越多的考验与挑战。公共环境下的智能监控技术是保障公共场合安全性的一个重要手段和途径，其关键在于如何在大量大摄像头提取的视频中找出指定的犯罪嫌疑人，并且对其进行实时、连续接力追踪。该项技术的发展，可以为公共财产安全或人们的公共生命安全提供保障，同时也能为公安部门的案件审理提供有效的技术支持。

2.2 智能家居中的目标追踪

随着数字化、信息化时代的到来，一些智能家居产品逐渐走入人们的生活。由于单个摄像头的范围有限，而居住环境相对复杂，所以对多个居室的住宅而言，需要多个摄像头协同合作，对某个特定用户进行接力追踪识别，才能有效地为后续指令动作的读取奠定基础，从而可以在不同的房间对某智能家居发布指令，并进行控制。

2.3 智能交通

多摄像头在智能交通中发挥着巨大的作用，其可以应用在无人车自动驾驶领域，通过不同地点不同摄像头的协调工作，调度无人车行驶路径。其也可以应用在肇事车辆的追踪中，为公安部门破案节省大量财力物力人力。

3 多摄像头接力跟踪内容

完整的多摄像头接力跟踪包括目标定位、单摄像头机内追踪和多摄像头间交接三个部分。

3.1 目标定位

目标定位是根据目标描述确定目标的位置，是多摄像头接力跟踪的初始步骤。在实际应用中，多采用目标检测算法进行目标初始定位，包括静态背景下的目标检测和复杂背景下的目标检测。

静态背景下目标检测多采用差分法、模板匹配法、减除背景法。差分法的理论依据是静态背景的像素值不会发生变化，所以可以读取每一帧的像素，根据帧与帧之间像素的差确定背景之中的目标。模板匹配法是提取图片的某些特征，例如颜色特征、直方图特征、Haar 特征等，与检测目标的特征进行匹配，从而检测出目标。减除背景法则是用当前帧的像素值减去该背景的像素模型，从而定位目标。

复杂背景下的目标检测包括运动背景下的目标检测和大场景下目标检测。运动背景下的目标检测考虑到摄像头会随着时间或物体运动而发生旋转、平移等变化，拍摄的背景也会随之而变化。大场景下目标检测则是需要多个摄像头对大区域进行拍摄。无论是运动背景下的目标检测还是大场景下的目标检测，都需要利用一定的算法对背景进行估计和补偿，将一系列拍摄所得的背景图像拼接为完整的背景，然后再根据每一帧的像素锁定背景区域，实现目标的定位。

3.2 单摄像头机内追踪

一旦目标确定，为了实现在多个摄像头之间对该目标进行追踪，首先要实现在单摄像头内进行稳定准确的目标跟踪。通常利用运动估计来实现。常用的运动估计算法包括：①遍历搜索。最经典的遍历搜索算法是示例学习跟踪（MIL），该算法预设目标出现在前一帧图像某临近区域内的概率相同，在下一帧的检测中遍历该区域，从而获得目标位置。②概率高斯模型。该算法以前一帧图像目标位置为中心，利用高斯概率密度函数对下一帧的目标进行锁定。③光流法。光流法是由Gibson 最早提出的，它是根据视频流中像素强度的时域变化来确定各个像素的‘运动’情况，从而分析出目标的运动。

3.3 多摄像头间交接

多摄像头间接力追踪需要将一个摄像头内锁定的目标正确地‘交接’给另一摄像头。其技术难点在于：①不同摄像头由于位置、角度、光照等外在因素，或镜头色差等内在因素的差异，导致了统一目标在不同摄像头间的特征参数有所不同。②摄像机只能获取二维信息，目标时空信息无法获取。③由于摄像机的差异性，噪声的来源、种类、特性也各不相同，视频帧的预处理难度增大。

一般情况下，多摄像头的交接跟踪分为有重叠视觉区域的多摄像机目标跟踪和无重叠视觉区域的多摄像机目标跟踪。有重叠视觉区域的多摄像机目标跟踪可以利用不同摄像机内的重叠区域进行标定，其核心思想是建立不同摄像机之间的三维拓扑关系。该方法通过摄像头获得其周围环境信息，通过映射函数将某一摄像机坐标下的目标信息映射到另一摄像机的坐标中。该算法只利用了摄像机间的位置信息，没有利用目标物体的特征模型，是一种计算复杂度相对较低的方法。

无重叠视觉区域的多摄像机目标跟踪中存在视觉盲区，难度比有重叠视觉区域的追踪要大得多。由于摄像机间视野不重叠，多个摄像机的相对位置关系难以确定，无法在视觉交界处进行目标的传递。因此，在这种情况下，多采用基于目标特征匹配的算法。例如，可利用颜色直方图进行目标匹配，或是利用纹理和形状特征来建立模型，最大化概率关联融合器（JPDAF）来进行跨越视野的追踪。不同摄像机所处环境的不同导致了目标特征的选取存在一定困难，容易引起特征提取不准确、不完整。同时，同一目标特征模型的参数在不同摄像机下也不尽相同，进一步加大了多摄像机交接的困难，该类算法的计算复杂度相对较高。

目前，Cai、Chang 等人采取了位置信息与目标特征匹配相结合的算法，该算法综合了两者的优点，充分利用了环境监理摄像机的拓扑位置关系，并且提取了目标的特征，最后利用适合的并联算法对不同摄像机发现的目标进行对应，是一种结尾有效的方法。

4 总结与展望

多摄像机接力追踪问题经过了几十年来大量科研人员的不懈努力已经取得了一定的进展。常用方法是将其拆分为目标定位、摄像头内目标跟踪和摄像机间交接三个部分。其中目标定位多采用特征提取结合特征匹配的方法，摄像机内目标跟踪多采用运动估计法，而摄像机间的目标交接则根据有无重叠区域分为基于空间约束拓扑位置关系的算法和基于特征匹配的算法等。目前仍然存在一定的困难，上述各类算法都是以单摄像头内目标跟踪为基础，单摄像头内的目标追踪尚存在未能解决的难点，例如摄像头本身产生的噪声、清晰度等；物体的复杂性特异性、被树木或是周围环境遮挡、物体运动时发生姿态变化等；周围环境光照变化等。多摄像头的接力追踪覆盖的范围更为广阔，摄像机之间的拓扑结构往往比较复杂，它面临着更多新的问题。

在未来发展中，我们可以考虑用新的更加准确的特征来描述复杂的目标物体，还可以引入机器学习算法如boosting算法，甚至可以考虑引入目前最流行的卷积神经网络算法来提高目标追踪的准确性和确定性，未来硬件设备也会进一步发展。