现代嵌入式智能摄像机的图像处理和计算机视觉任务

现代嵌入式智能摄像机结构复杂（第2章和第3章）,可以完成各种各样的图像处理任务,比如：图像增强和图像压缩,也可以完成计算机视觉任务,如自校准（第9章）,目标检测,对象分割（第10章）等。本章阐述了基于嵌入式硬件的目标跟踪方法,详细介绍了关于最先进的嵌入式的目标跟踪方法。近年来,由于移动电话和智能摄像机的广泛应用,嵌入式数据处理已成为一个活跃的研究领域。考虑到今天的发展可能产生的影响,本章也阐述了当前发展趋势。

目标跟踪是一个中间层次的计算机视觉任务,目的就是利用位置检测方法找到目标的运动路径或轨迹。这样,每个轨迹反映一个物体的运动规律。这里的运动代表了对象轨迹的时间序列。涉及图像对象,比如低层次的特征（角点、边缘部分、质心坐标）,图像区域（斑点、图像分割）或者其他的空间分组。

遗憾的是,在任意场景的一般情况下,不存在能够适用于跟踪任意目标的统一概念,过去几十年,人们在工作中积累了大量的方法,在具体应用时有很好的性能,但其中缺乏所需的通用性特征。缺点背后有多种原因（许多也应用在整个计算机视觉领域）。

①视觉信息在数据中呈现的丰富性和可变性,使得它们很难以不变的方式来表示一个目标。

②面向应用的视角和制约因素推动着跟踪概念的发展。(www.xing528.com)

③高层次信息的使用引入了一些特性,这通常对特定场景有利,但对其他场景有所限制。

跟踪任务的复杂度源于观察到的数据通常被噪声、观察误差和杂波所污染。因此,把观察到的数据分类引入到轨迹就需要更先进的技术来进行数据关联和状态估计。由于近年来嵌入式硬件技术的发展,夹杂大量重要场景噪声的嵌入式平台使实现多交互式目标的实时数据关联和状态估计成为可能。本章还做了现代目标跟踪算法的综述,这些方法的依据是目标的特征（重心、斑点、轮廓、颜色等）和跟踪方法的类型（确定性和概率的方法,如基于内核的跟踪,多假设跟踪,蒙特卡罗技术）。主要的焦点集中在受限的技术上,如有限的嵌入式硬件计算资源和特定提高速度的实现细节。网络、合作、移动等设备勾勒出了有关嵌入式计算机平台的嵌入式类型驱动的重要部分。这里也讨论了面向应用的观点所带来的相关问题。高目标密度,比如城市中的行人或者汽车的堵塞,明显增加了跟踪任务的复杂程度。本章中提出了更先进的基于部分目标的表示和堵塞处理的技术。此外,由于视觉的限制或者遮挡的原因导致单体摄像机不能充分可靠地探测和追踪目标,这时我们可以采用多摄像机,这里阐述了用多摄像机来处理重叠和非重叠的情况。仿生光学传感器的硬件实现也支持目标跟踪,使用传感器的实现如DVS^[317]（也称作TVS）或者视觉处理芯片^[10]来实现。性能评估和算法比较在评估出最适合的特定应用中充分发挥着重要作用。本章介绍了建立跟踪评估框架,错误测量和数据集,并描述所提出方法的优点和缺点。最后,还确定了该研究的未来趋势和该领域公开的问题。

参考文献[587]是很好的关于跟踪算法的综述。具体而言,关于更简明的视频跟踪综述请参见参考文献[536]。对视觉监控感兴趣的读者可以参考Hu等人的综述^[243]。应用于摄像机网络和视频监控中的追踪算法将在第13,15,17章中详细介绍。