[0013] (2)、对重构图像帧建立背景模型时,每个像素点的高斯分布个数K根据各点像素值出现的混乱程度采取不同的值,静态背景像素采用1个高斯分布描述,非静态背景像素则采用多个高斯分布来描述,最大高斯分布个数Kmax设定为4;当没有高斯分布与当前观测值xt匹配,且高斯分布个数K
[0014]
[0015] 其中 对于没有匹配成功的高斯分布,其均值和方差保持不变;此外,高斯分布的权重按下式更新:
[0016] ωi,t+1=(1-αi)ωi,t+αiMi,t
[0017] 其中 对于匹配的高斯成分Mi,t=1,其他不匹配的高斯成分Mi,t=0;式中α、β为常数,根据经验分别设定为0.005和0.2。
[0018] 本发明的方法步骤(三)中所述的单应性映射与色调直方图模型具体表述为:
[0019] (1)、两个传感器节点i,k间的单应性变换为 其中Hi、Hk分别是节点i,k图像平面与地平面间的单应性映射矩阵;假定t时刻目标在像平面与地平面上的目标位置分别为(xt,yt)与(ut,vt),则二者的映射关系可通过单应性变换矩阵H来描述:
[0020]
[0021] 其中λ为尺度参数;
[0022] (2)、统计目标块各像素的色调值,将其分为N个区间并建立直方图;两个色调直方图hl和gl的相似度用巴氏距离来度量,即
[0023]
[0024] 当d大于给定阈值T时认为二者相匹配;该度量作为单应性映射目标关联的补充,能够准确确定多个邻近目标间的对应关系。
[0025] 本发明的方法步骤(四)中所述的节点置信测度定义为:
[0026]
[0027] 其中Sj,i(t)和Pj,i(t)分别是传感器节点i获取的目标块j的尺度与跟踪后验估计的协方差,trace[·]表示矩阵的迹,即求矩阵主对角线元素的和,ρ表示目标尺度的归一化参数;对于检测到目标块j的候选节点集合M,若最大的置信测度表示为:
[0028]
[0029] 则传感器节点m被选定为目标块j的最优节点。
[0030] 本发明的方法步骤(五)中所述的目标的运动轨迹由不同时刻目标在地平面上的位置坐标组成;设最优节点像平面的目标位置为(xt,yt),则目标在地平面上的目标位置(ut,vt)根据单应性映射确定为:
[0031]
[0032]
[0033] 其中Hmn(mn∈1,2,3)为单应性变换矩阵H的元素。
[0034] 本发明的面向视觉跟踪的无线传感器节点优化选择方法与现有技术相比具有的优点是:
[0035] 本发明采用计算开销小、性能良好的目标检测与运动预测算法,结合多视角单应性变换和目标色调直方图匹配,实现了不同图像平面内的目标关联;根据目标检测与跟踪的结果确定视频传感节点的置信测度,在满足触发条件时自动实现节点的优化选择,具有良好的目标跟踪性能同时具有较低的通信开销和计算复杂度。本发明节点选择方法能有效克服目标运动过程中的部分遮挡,平衡跟踪精度与计算复杂度的要求。本发明的方法适用于基于无线视频传感器网络的环境监测、安全监控、交通监管、智能家居、医疗卫生等领域。
附图说明
[0036] 图1为本发明面向视觉跟踪的无线传感器节点优化选择方法流程图。
[0037] 图2为采用本发明方法实现帧重构、自适应背景建模以及目标提取的例图。
[0038] 其中(a)为原始图像,(b)为重构图像,(c)为重构图像的背景模型,(d)为重构图像中提取的目标,(e)为原始图像提取的目标块。
[0039] 图3是本发明方法在三个时刻目标关联的实例。
[0040] 图4为两个时刻不同节点置信测度的实例。
[0041] 其中(a)-(d)分别对应视频传感器节点2、3、5和6。
[0042] 图5为不同时刻视频传感器节点2、3、5和6的置信测度曲线。
[0043] 图6是本发明方法与三种典型算法在跟踪误差(a)、平均计算时间(b)以及跟丢率(c)等性能参数上的对比分析图。
具体实施方式
[0044] 下面结合附图详述本发明的典型实施例。
[0045] 实施例1:本发明提供一种面向视觉跟踪的无线传感器节点优化选择方法,按如下步骤操作:参见图1所示的本发明流程图。
[0046] (一)、对于某一视频传感器节点i在t时刻,检查是否有满足节点选择的触发条件;这里设视频传感器节点i在t时刻满足了一个触发条件;
[0047] (二)、对于某一视频传感器节点i的图像帧进行重构,对重构图像帧采用自适应高斯混合背景建模;对于某一视频传感器节点i的图像帧按照设定尺寸进行分块,计算每个图像块内像素颜色的平均值。以具有该平均值的一个像素替换图像块得到重构图像帧。值得注意的是,图像分块处理的尺寸不能太大,否则将消除或衰减原图像中的区域差别,严重影响目标的提取效果。本实例中,图像块大小为3×3。由于重构帧的像素仅为原图像帧的1/9,对重构帧进行处理相比直接对原图像操作,计算开销将大大降低,而且通过像素值平均处理在一定程度上也降低了噪声对背景建模的影响。对重构帧采用自适应高斯混合背景建模,各像素采用不同个数的高斯分布来描述。将不满足背景模型的像素标记为前景目标。由于重构帧中的一个像素对应原图像中一个3×3的区域,一旦在重构帧中标记出目标块,就可以在原图像帧中提取出对应的目标区域。
[0048] 图2是采用本发明方法进行帧重构与目标块提取的例图。为进一步减小节点计算开销,每5帧图像才进行背景模型的更新。节点提取出目标块后,在此基础上统计目标块尺寸大小(像素点数量)同时根据HSV色彩分量信息建立色调直方图。此外,节点采用无迹卡尔曼滤波(UKF)预测目标运动,选取状态估计的协方差P(t)来描述目标跟踪的不确定性。
[0049] 目标状态向量 和 分别表示像平面的目标位置与速度。采用恒速模型表示目标运动模型:
[0050]
[0051] 其中I2×2为二阶单位矩阵,w(t)是零均值多元高斯随机噪声,其协方差矩阵Σ=diag(σ2x,σ2y)。为了评估目标运动轨迹,测量值选取目标在地平面的目标位置(ut,vt),即观测向量z(t)=[ut,vt]T。观测模型表示为(xt,yt)与(ut,vt)的单应性变换:
[0052]
[0053] (三)、对检测到目标的任意两个传感器节点i,k建立单应性映射,结合目标块的色调直方图模型实现不同传感器节点视角内目标块的对应关系;目标块相距较远时,可以通过节点间单应性映射关系完成目标匹配。两个传感器节点i,k间的单应性变换为其中Hi、Hk分别是节点i,k图像平面与地平面间的单应性映射矩阵。当两个目标相邻或部分遮挡时,仅靠单应性映射无法准确区分不同目标,将目标色度直方图作为一个补充的度量可以较好地解决这个问题。建立两个目标块的色调直方图hl和gl,以巴氏距离来度量二者的相似度:
[0054]
[0055] 当d大于给定阈值T时认为两个目标块相关联。图3是四个节点在三个不同时刻目标关联的结果,不同视角中的同一目标用相同颜色的方框标记。
[0056] (四)、对于特定目标块j,t-1时刻的最优节点接收每个候选节点获取的目标块尺寸与跟踪后验估计的协方差,计算各节点的置信测度,确定t时刻的最优节点。
[0057] 目标块尺度能反映节点目标检测的完整性,而协方差P(t)能反映目标跟踪的不确定性。构建置信测度时应满足:当目标块尺度增加或者跟踪不确定性减小时,对应节点的置信测度应该变大,反之亦然。因此,传感器节点的置信测度可表示为:
[0058]
[0059] 其中Sj,i(t)和Pj,i(t)分别是传感器节点i获取的目标块j的尺度与跟踪后验估计的协方差,trace[·]表示矩阵的迹,即求矩阵主对角线元素的和,ρ表示目标尺度的归一化参数。对于检测到目标块j的候选节点集合M,如果最大的置信测度可以表示为:
[0060]
[0061] 则传感器节点m被选定为目标块j的最优节点。显然,节点m有可能同时作为多个目标的最优节点。为了平衡计算开销,置信测度较小的目标应该从除节点m外的剩余节点中重新选择最优节点。
[0062] 图4给出了四个节点在两个不同时刻的置信测度,其中第一、三行,为两个时刻的图像,第二、四行分别对应其目标块提取的结果,图中的数字为置信测度的大小。
[0063] 图5完整列举了这些节点在50s时间内置信测度的变化曲线,从中可以明显地看出最优节点的选择与转换过程。
[0064] (五)、由新的最优节点确定目标的运动轨迹,并接替上任节点负责后续的跟踪任务。
[0065] 目标运动轨迹由不同时刻地平面的目标位置坐标组成。设最优节点像平面的目标位置为(xt,yt),则目标在地平面的目标位置(ut,vt)可根据单应性映射确定:
[0066]
[0067]
[0068] 为了验证本发明方法的有效性,搭建了由六个视频传感器节点组成的无线传感器网络测试环境,通过改变节点数量与测试次数来评估节点选择方法的综合性能。图6为本发明方法与三种典型算法在跟踪误差(a)、平均计算时间(b)以及跟丢率(c)等性能参数上的对比分析。从图6中可以看出,本发明方法具有较好的目标跟踪精度同时具有较低的通信开销和计算复杂度,综合性能较其他方法具有优势。