基于多摄像机的跟踪拍摄方法与流程

1.本发明涉及摄像机监控技术领域，特别是涉及一种基于多摄像机的跟踪拍摄方法。


背景技术：

2.随着监控网络的不断发展，越来越多地方通过安装大量的摄像机来保障监控区域的安全。由于摄像机的位置相对固定、视野范围有限，难免会存在监控盲区，而安装多摄像机虽然能够在一定条件下扩大监控的视野范围，但需要监控人员通过视频监控系统对移动对象进行跟踪，往往会因监视器数量多、信息繁杂等因素导致不能进行及时有效地跟踪。


技术实现要素：

3.本发明的主要目的在于提供一种基于多摄像机的跟踪拍摄方法，旨在解决目前无法对可疑目标进行及时有效地跟踪的问题。
4.为实现上述目的，本发明提供了如下技术方案，基于多摄像机的跟踪拍摄方法，包括以下步骤：
5.构建多摄像机的监控网络，并确定各路摄像机的信息；
6.基于所述各路摄像机的信息，确定全局的网络拓扑结构；
7.对目标进行识别和跟踪，获取目标在单路摄像机下的运动轨迹；
8.基于全局的网络拓扑结构，对所述目标的运动轨迹进行预测；
9.对所述单路摄像机下的运动轨迹进行融合，得到目标的全局的运动轨迹。
10.采用上述技术方案，通过合理地设置摄像机的位置，使得摄像机的监控范围覆盖整个需要监控的区域；基于各路摄像机所采集的监控信息，构建全局的网络拓扑结构，用于后续对各路摄像机所采集的图像进行关联；对每路摄像机所采集的图像进行目标识别，当识别到目标是即可开始跟踪，并记录对应摄像机对应场景中的目标的运动轨迹；基于全局的网络拓扑结构的时空约束，对目标的运动轨迹进行预测，并将预测的目标的位置信息发送给对应的摄像机，从而使摄像机提前锁定监控目标的位置，以达到提高跟踪速率的目的；对各路摄像机下的目标的运动轨迹进行融合，即可得到目标的全局的运动轨迹，以便工作人员了解目标的行动路线。
11.在本技术的一实施例中，所述各路摄像机信息包括：各路摄像机的监控区域和/或各路摄像机的监控角度。
12.采用上述技术方案，根据各路摄像机的信息对摄像机的位置进行调整，以对监控区域进行全局监控，进一步确保监控区域的安全。
13.在本技术的一实施例中，基于所述各路摄像机的信息，确定全局的网络拓扑结构还进一步包括以下步骤：
14.获取各路摄像机对应的监控区域的颜色直方图信息；
15.基于所述颜色直方图信息，采用mean shift算法对各路摄像机所采集的图像信息
进行聚类处理，得到各路摄像机对应的图像分割结果；
16.基于所述对应的图像分割结果，确定全局的网络拓扑结构。
17.采用上述技术方案，通过颜色直方图信息构建网络拓扑结构，相对于根据目标追踪构建网络拓扑结构而言，对摄像机的要求较低，当目标出现遮挡时，也可以较为准确地构建网络拓扑结构。确定监控相邻图像的摄像机的对应的区域，采用mean shift算法对各路摄像机所监控的图像信息进行聚类处理，提取所述图像的特征点，并利用光流法对图像进行分割，根据图像分割的结果，对摄像机所监控的图像进行空间变换，从而标定图像重合区域，并基于重合区域作进一步地拼接从而得到全局的网络拓扑结构。
18.在本技术的一实施例中，对目标进行识别和跟踪，获取目标在单路摄像机下的运动轨迹还进一步包括以下步骤：
19.基于otsu分割法对每路摄像机所采集的图像进行检测，以得到运动目标并获取目标的初始信息；
20.基于摄像机所采集的目标的初始图像，提取目标的局部特征，构建目标的初始模型；
21.基于各路摄像机实时采集的图像，对初始模型进行更新，以得到目标的实时模型；
22.基于所述目标的实时模型，在各路摄像机所采集的图像中搜索所述目标。
23.采用上述技术方案，对目标进行检测时，对目标的初始模型进行深度学习，即对目标的模型不断地进行更新，以得到目标的实时模型，并基于实时模型进行进一步的搜索和跟踪，有效提高目标跟踪的准确率。
24.在本技术的一实施例中，基于全局的网络拓扑结构，对所述目标的运动轨迹进行预测还进一步包括以下步骤：采用camshift算法和kalman滤波算法相结合，对目标的运动轨迹进行预测。
25.采用上述技术方案，采用camshift算法并引入kalman滤波算法来预测目标的运动轨迹，此方法具有高实时性，且能有效排除其他干扰，具有有较强的鲁棒性。
26.本发明具有如下有益效果：采用深度学习算法对目标的初始模型进行更新，以获得实时的目标模型，有效提高摄像机的跟踪精度；采用局部特征识别和全局的网络拓扑结构的时空约束相结合的方式对目标进行识别，当目标的一部分被遮挡时，也能正确地识别出目标并进行跟踪，适用性较强。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的示例性的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图，
28.其中：
29.图1为本发明的基于多摄像机的跟踪拍摄方法的流程框图。
具体实施方式
30.下面将结合附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描
述的实施例仅仅是本发明的示例性的实施例，而不是唯一的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
31.基于多摄像机的跟踪拍摄方法，如图1所示，包括以下步骤：
32.s1构建多摄像机的监控网络，并确定各路摄像机的信息。
33.具体地，合理配置摄像机与交换机间的连接关系，保证监控的实时性；并基于监控区域的地形和摄像机的物理参数，规划摄像机的安装位置、安装数量及其监控视角，确保监控范围包括整个需要监控的区域，并获取各路摄像机的信息，包括各路摄像机的监控区域、各路摄像机的监控角度、各路摄像机的监控区域的连接关系等。各路摄像机所采集的图像可以存在一定程度的重叠。
34.s2基于所述各路摄像机的信息，确定全局的网络拓扑结构。
35.s21获取各路摄像机对应的监控区域的颜色直方图信息；
36.具体地，对各路摄像机所采集的图像进行分解，并生成相应的颜色直方图。
37.s22基于所述颜色直方图信息，采用mean shift算法对各路摄像机所采集的图像信息进行聚类处理，得到各路摄像机对应的图像分割结果；
38.具体地，基于颜色直方图中的颜色信息，采用mean shift算法对各路摄像机所监控的图像信息进行聚类处理，提取所述图像的特征点。
39.s23基于所述对应的图像分割结果，确定全局的网络拓扑结构。
40.具体地，利用光流法对图像进行分割，根据图像分割的结果，对摄像机所监控的图像进行空间变换，从而标定图像重合区域，并基于重合区域作进一步地拼接从而得到全局的网络拓扑结构。
41.s3对目标进行识别和跟踪，获取目标在单路摄像机下的运动轨迹。
42.s31基于otsu分割法对每路摄像机所采集的图像进行检测，以识别运动目标并获取目标的初始信息；
43.具体地，对各路摄像机所采集的图像进行预处理，即通过预设的归一化植被指数对各路摄像机所采集的图像进行处理，得到对应的灰度图；并采用otsu分割法对灰度图进行处理，得到对应的二值图，并根据对应的二值图对目标进行识别，并获取目标对应的初始信息，初始信息包括目标的定位、目标的尺度等。
44.s32基于摄像机所采集的目标的初始图像，提取目标的局部特征，构建目标的初始模型；
45.具体地，检测初始识别出目标的摄像机所采集的图像，并提取每一帧图像中的局部特征点，构建目标的初始模型。
46.s33基于各路摄像机实时采集的图像，对初始模型进行更新，以得到目标的实时模型；
47.具体地，根据后续各路摄像机实时采集的关于目标的图像信息，提取局部特征点，用于匹配并更新目标的实时模型。
48.优选地，选取图像中的局部特征点，构建初始马尔科夫模型；将实时采集的图像中的局部特征点作为训练样本，输入初始马尔科夫模型中，并对初始马尔科夫模型进行训练，从而获得实时模型，直至获得优化的模型为止。
49.s34基于所述目标的实时模型，在各路摄像机所采集的图像中搜索所述目标。
50.具体地，将当前的目标的实时模型输入至各摄像机中，用于在各路摄像机中搜索目标。
51.s4基于全局的网络拓扑结构，对所述目标的运动轨迹进行预测。
52.具体地，基于全局的网络拓扑结构，即各路摄像机之间的网络拓扑结构，并根据网络拓扑结构获得与发现运动目标相关联的摄像机集合，并通过分析摄像机之间的空间邻近关系和运动目标出现的时间差异，锁定对应的摄像机作为重点监控摄像机对运动目标进行跟踪。再结合采用camshift算法和kalman滤波算法相结合，对运动目标的边缘进行检测，确定与周围环境关系，从而进行定位处理，即采用camshift算法将目标的局部坐标系中的位置转化为室内坐标系数据，对目标的运动轨迹进行预测，即预测目标下一步会出现在哪一路摄像机所采集的图像中。
53.s5对所述单路摄像机下的运动轨迹进行融合，得到目标的全局的运动轨迹。
54.具体地，对识别到运动目标的摄像机所采集的相应的图像进行拼接，进而获得目标的全局运动轨迹。
55.以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。