一种无线视频传感器节点协作目标跟踪方法技术

本发明专利技术涉及一种无线视频传感器节点协作目标跟踪方法，通过PIR传感器检测到目标，并触发若干视频节点作为候选节点；通过自适应高斯混合背景建模，实现运动目标的检测与分割；通过分布式Meanshift与目标关联实现节点的目标跟踪，结合传感器节点的检测效果、通信能耗等因素确定传感器网络效能评估函数，选择最优传感器节点进行目标跟踪，实现了对大范围内复杂场景下运动目标的准确跟踪。

【技术实现步骤摘要】
一种无线视频传感器节点协作目标跟踪方法
本专利技术涉及一种协作目标跟踪方法，尤其涉及一种无线视频传感器节点协作目标跟踪方法。
技术介绍
无线视频传感器网络由大量具有通信和计算能力的视频节点按特定的方式或者随机地布置在监控区域内构成的“智能”自治测控无线网络系统。视频传感器节点间具有很强的协同能力,通过局部的图像数据采集、处理以及节点间的数据交互完成全局任务。与传统监控模式相比，采用无线视频传感器网络构建分布式智能监控系统具有无人值守、覆盖率广、性能稳定、灵活性高、监控场景可以实现任意组合的优点，特别适合在交通路口、机场和地铁站等关键区域或恶劣环境下的目标跟踪和事件监测。目标跟踪是无线视频传感器网络的一个重要应用，与传统的传感器网络相比，利用无线视频传感器网络进行目标跟踪具有两方面优点：1)相较于其它类型的传感器节点，如红外、震动传感器，能够提供更加直观的目标运动图像信息。2)利用图像处理技术和模式识别等技术，能够实现对目标更智能地跟踪，分类以及行为分析。然而，由于视频图像处理以及传输数据量大，受传感器节点资源和能耗的限制，传统的跟踪算法并不适用于无线视频传感器网络。基于无线视频传感器网络的视觉跟踪算法必须是协同的和分布式的，具有较低的通信代价，能实时传输跟踪数据与决策信息，根据节点局部信息估计目标运动状态，其信息的有效获取同时减少能量消耗是国内外研究的热点问题。早期的跟踪算法有分布式粒子滤波(DPF)跟踪算法，但该方法需要假设各传感器节点的观测相互独立，并且在算法执行前需要复杂的学习过程，计算量较大，不适合无线视频传感器网络。有的算法通过比较传感器中目标的外形选择最合适的节点。一些算法基于双图像节点网络的方法。通过颜色直方图的目标识别算法来平衡识别精度与计算效率的矛盾。然而，这些方法没有考虑图像节点的剩余能耗，导致网络生命时间有限。为了能判断目标跟踪的效果，许多相关文献提出了节点协作方法。一些算法对于环境监控的节点选择和管理算法。该算法是节点协作的目标定位算法，该算法分为两步：目标探测和目标定位。利用不同的策略来进行目标的定位，同时最小化能量消耗。该算法将WSN的目标跟踪问题归结为最大化信息效能同时降低平均能耗。该算法通过无迹卡尔曼滤波算法预测目标轨迹来进行最优节点的选择。后有人提出一种采用分布式多视角协同信号处理方法，该方法采用基于效能的分布式数据融合目标函数进行节点的协作。通过视频节点的建模研究，该算法针对于目标跟踪的视频节点的激活策略，该策略很多好地平衡了跟踪精度以及网络计算资源。然而，该方法并没有考虑网络的能耗。上述方法对WSN目标跟踪、网络能耗等问题进行了研究，但都没有考虑目标视觉特性。无线传感器网络的目标跟踪实质是多个节点协作跟踪的过程，其关键问题在于如何管理参与跟踪的节点，比如哪些节点参与跟踪、何时唤醒参与跟踪的节点，如何实现节点跟踪信息的融合等。
技术实现思路
本专利技术的目的在于提供一种无线视频传感器节点协作目标跟踪方法，综合考虑目标跟踪效果和节点能耗因素，通过无线视频传感器节点协作，来提高图像目标跟踪的效能。为了实现上述目的，一种无线视频传感器节点协作目标跟踪方法，包括以下步骤：激活节点步骤：通过PIR传感器检测到目标，并触发若干视频节点作为候选节点；目标检测步骤：通过混合高斯模型对各候选节点的各像素建立至少一个背景模型，用第一帧图像数据对所述背景模型进行初始化，对每个背景模型设定统一的背景阈值，像素点权值大于该背景阈值的背景模型描述的为背景分布，像素点权值小于等于该背景阈值的背景模型描述的为前景分布，用像素值重新初始化权值小于初始化阈值的背景模型；背景模型的分布参数按优先级从大到小与对应的当前像素值逐一匹配检测，判定背景模型均与当前像素值不匹配的像素点为目标区域内的点，对匹配成功的背景模型更新分布参数，对各背景模型更新权重；目标跟踪步骤：对在初次出现的目标区域，计算其特征空间中特征值的概率，通过求相似性函数最大得到关于所述目标区域的MeanShift向量，迭代计算若干帧MeanShift向量，得到所述目标区域的真实位置。较佳地，所述目标跟踪步骤还包括：通过MeanShift向量得到Bhattacharyya系数较佳地，还包括视频节点选择步骤：通过效能函数f(i)来选择最优节点进行目标检测以及目标跟踪，其中a为权值，Sj,t(i)为视频节点i第t帧图像检测到目标像素值，β为调整参数，S是探测到第j个目标的视频节点集合；效能值φcost(i)为：其中dc,i为传输距离，H(si)为网络剩余能耗的熵；剩余能耗Eres(i)为：Eres(i)＝Ei-Es(i)-Etx(i)-Erx(i)-Ecomp，其中Ei为节点总能耗，Es(i)为感知能耗，Etx(i)为发送数据能耗,Erx(i)为接收数据能耗，Ecomp是计算能耗。较佳地，分布参数按优先级与当前像素值进行逐一匹配检测，即判别是否满足|μi,t-xt|＜max(Wσi,t,τ)，式中i＝1,2,…,K，K为各像素高斯分布的个数，μi,t和σi,t分别为在t时刻第i个高斯分布的均值和标准方差，xt为前像素值，W和τ均为阈值常量。较佳地，将上一帧检测出的目标区域经过扩展后作为当前帧的目标区域进行匹配检测，在目标区域外的像素点采用紧的匹配准则，即τ与W均取较大值；在目标区域内的像素点采用松的匹配准则，即τ与W均取较小值，其中，0.5<＝W<＝3.5，3<＝τ<＝20。较佳地，其特征在于，将上一帧目标区域扩展10％作为当前帧的目标区域，在目标区域外的像素点取W＝2.5，τ＝15，在目标区域内的像素点取W＝1.5，τ＝6。较佳地，目标跟踪步骤中，假设其中有n个像素点用{xi}i＝1...n表示，特征值bin的个数为m，则目标模型的特征值估计的概率密度为：其中x0为目标区域中心，k(x)为核函数的轮廓函数，h表示核函数的带宽，u＝1...m为目标特征值；候选区域中心y0移向真实目标区域y的MeanShift向量：其中：g(x)＝-k′(x)，Mh.G(y)是目标中心从起始点y0向y运动的向量。较佳地，给定一个初始点y0核函数G(x)，容许误差ε，循环迭代计算若干帧MeanShift向量并赋值给y，直至满足结束条件：||mh.G(y)-y||＜ε。较佳地，迭代计算若干帧MeanShift向量时，分别对目标区域原框大小、0.9倍的目标区域原框大小和1.1倍的目标区域原框大小进行计算，取三个框中相关系数最大的框作为下一帧中的初始框的大小。较佳地，初始化至少一个背景模型时，通过第一帧各点像素值用来初始化高斯分布均值μK,0，第一帧各点像素值的标准方差σK,0取15<＝σK,0<＝25，权重为1/Kmax，Kmax为每个像素点的最大高斯分布个数。本专利技术由本文档来自技高网...

【技术保护点】
一种无线视频传感器节点协作目标跟踪方法，其特征在于，包括以下步骤：激活节点步骤：通过PIR传感器检测到目标，并触发若干视频节点作为候选节点；目标检测步骤：通过混合高斯模型对各候选节点的各像素建立至少一个背景模型，用第一帧图像数据对所述背景模型进行初始化，对每个背景模型设定统一的背景阈值，像素点权值大于该背景阈值的背景模型描述的为背景分布，像素点权值小于等于该背景阈值的背景模型描述的为前景分布，用像素值重新初始化权值小于初始化阈值的背景模型；背景模型的分布参数按优先级从大到小与对应的当前像素值逐一匹配检测，判定背景模型均与当前像素值不匹配的像素点为目标区域内的点，对匹配成功的背景模型更新分布参数，对各背景模型更新权重；目标跟踪步骤：对在初次出现的目标区域，计算其特征空间中特征值的概率，通过求相似性函数最大得到关于所述目标区域的Mean Shift向量，迭代计算若干帧Mean Shift向量，得到所述目标区域的真实位置。

【技术特征摘要】
1.一种无线视频传感器节点协作目标跟踪方法，其特征在于，包括以下步骤：激活节点步骤：通过PIR传感器检测到目标，并触发若干视频节点作为候选节点；目标检测步骤：通过混合高斯模型对各候选节点的各像素建立至少一个背景模型，用第一帧图像数据对所述背景模型进行初始化，对每个背景模型设定统一的背景阈值，像素点的权值大于该背景阈值的背景模型描述的为背景分布，像素点的权值小于等于该背景阈值的背景模型描述的为前景分布，用像素值重新初始化权值小于初始化背景阈值的背景模型；背景模型的分布参数按优先级从大到小与对应的当前像素值逐一匹配检测，判定背景模型均与当前像素值不匹配的像素点为目标区域内的点，对匹配成功的背景模型更新分布参数，对各背景模型更新权重；目标跟踪步骤：对在初次出现的目标区域，计算其特征空间中特征值的概率，通过求相似性函数最大得到关于所述目标区域的MeanShift向量，迭代计算若干帧MeanShift向量，得到所述目标区域的真实位置；所述目标跟踪步骤还包括：通过MeanShift向量得到Bhattacharyya系数其中分别为目标模型概率密度和候选模型概率密度；还包括视频节点选择步骤：通过效能函数f(i)来选择最优节点进行目标检测以及目标跟踪，其中a为权值，Sj,t(i)为视频节点i第t帧图像检测到目标像素值，β为调整参数，S是探测到第j个目标的视频节点集合；效能值φcost(i)为：其中dc,i为传输距离，H(si)为网络剩余能耗的熵；剩余能耗Eres(i)为：Eres(i)＝Ei-Es(i)-...

【专利技术属性】
技术研发人员：方武，冯蓉珍，宋志强，
申请(专利权)人：苏州经贸职业技术学院，
类型：发明
国别省市：江苏;32