在大多数监控情景中,一般假设场景中的兴趣区（即目标移动的区域）是平面的（例如,见第17章）。我们也进行了这样的假设。平面区域中两个传感器Ci和Cj的视场之间的关系,表示为一个单应性矩阵（由一个3×3矩阵给定,称为H矩阵）。如果pi是Ci视场内地平面上的一点的投影,pj是Cj中的对应点（pi所指相同地面位置的投影）,那么pi=Hpj,其中pi和pj都位于齐次坐标系中。对两幅地面图像中的四个以上的对应点进行识别[229]可以得到一个线性系统,并且并不会得到非线性的非理想情况。求解这个线性系统便得到单应性矩阵H。Zi是传感器Ci的观测值的集合,其中Zi=∪tZi（t）,Zi（t）={Zi1（t）,Z2i（t）,…,Zki（t）（t）},Zi（t）是传感器Ci在时间t内的k（t）次观测值的集合。给定传感器对（Ci,Cj）之间的所有共现观测值对的集合定义为Zij=∪tZi（t）×Zj（t）。如果Zai（tk）和Zjb（tk）都属于世界中相同目标的观测值（即满足单应性关系）,则这个观测值对zij=（Zai（tk）,Zjb（tk））∈Zij称为一个内点,否则zij称为一个外点。多传感器校准问题就是同步识别（Ci,Cj）中的映射（单应性）和内点。
在多传感器注册中,根据是否需要训练数据或用户监督可以将数据驱动方法划分为有师的[285,287,439,261]或无师的[310,510,352,507,528,483]。基于它们学习的模型类型,可以将驱动方法进一步划分,比如几何模型[287,310,510,483]和一致模型[285,439,352,528,261]。几何模型中明确地描述传感器（或一个传感器和参照）之间的几何关系,并提供一个共同的坐标体系,从而实现传感器融合和传感器间跟踪。无论传感器间是否有重叠视场,几何模型均可应用于融合传感器（无重叠视场的传感器融合应用于地理注册）。然而,一致模型表示传感器相应观测值之间的似然性,并且当传感器间的视场不重叠并且不可以进行地理注册时,该模型可以实现传感器间的跟踪。
本章中介绍的方法用于估计几何模型,即无师方式的平面单应性,并且与[310],[510]和[483]更加密切相关。[310]中提出了一种无师数据驱动方法,利用RANSAC（随机抽样一致算法）处理同步出现的目标观测数据（检测值）,从而获得视场重叠传感器间的平面单应性。虽然RANSAC可以处理50%以上的外点,但是当这个比例增加时[594],它的代价将变得很高[594],并且有时即使经过成百上千次的迭代也得不到结果[510]。最近,人们尝试提高标准RANSAC（随机抽样一致算法）在应用于带噪数据时的效率[361,393,533,402,554,594]。这些方法虽然很高效,但是在处理大量外点时却有局限性。例如,参考文献[594]介绍的算法在基本矩阵估计问题中可以处理70%的外点,而参考文献[554]中的算法在简单的线性拟合问题中可以处理约85%的外点。在多传感器协作工作的情况下,需要检出绝大部分的外点,为此参考文献[510]中采用了信息跟踪（而不是检测值）的方法。该方法基于场景中目标的数量、当时的目标轨迹对的数量、匹配概率和由RANSAC算法得到的非均匀采样轨迹对,应用启发式似然法去处理两个摄像机共同产生的每对轨迹。虽然这种方法在参考文献[310]的基础上已有所改进,但在带噪数据和业务量密度比较高的场景中,它对跟踪过度依赖无疑是一个缺陷。参考文献[483]中提出了一种基于密度的方法,它不依赖于跟踪数据并且能够处理数据中的大量外点。通过内核密度估计方法计算出目标位置同时出现的联合概率密度估计,并且通过均值漂移获得模式。然后使用皮尔森相关系数对这些模式进行加权并使用RANSAC算法对它们进行非均匀采样。由于如果使用与原始数据相反的模式,则该算法在RANSAC应用之前便可剔除大部分外点,因此该算法可以应用在带噪场景中。该文中还介绍了一种检测和适应拓扑结构变化的方法,它基于模式与已得单应性的一致性。参考文献[483]中的密度估计假设目标观测中长期观测和冗余的可用性。不过,在很多实际情况下,其中的一个或两个假设不成立,例如,在视场面积很大或漂移相当频繁的场景中,获得冗余数据和连续数据是非常困难的。(www.xing528.com)
本文所提出的算法并没有做这些假设,而是通过几何拓扑结构不变性来限制RANSAC采样,从而处理了小数据集中的大量外点。参考文献[361,393,533,402,554,594]中均尝试改进RANSAC算法,从而实现在几何模型估计问题中的应用。相反,本算法却利用特定模型的知识实现了外点比例为95%以上的数据处理。该算法的高效性以及极少的数据要求也使它能够适应网络拓扑结构的变化。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
