多相机网络中自感知目标跟踪-算法研究--

智能相机网络（Smart Camera Networks）就是由能够进行图像感知（image sensing）、图像处理（image processing）、存储（storage）和通信（communication）的智能相机相互连接，组成的分布式智能相机网络。如何协调多相机资源进行目标跟踪是实时多相机跟踪中的基本问题，特别是当目标从一个相机视场移动到另一个相机视场中，如何重新识别（re-identify）之前跟踪的物体。布局如下：

在集中式调度系统（centralised coordination）中，每个相机把跟踪到物体的轨迹发送到中心节点，然后由其选择最好的轨迹，这也是其优点所在，可以提高跟踪性能；但是，这种集中式的处理方式会显著增加带宽负载和单节点计算资源消耗，而且也限制了扩展性，如果单节点宕掉会造成整个网络的瘫痪。
在分布式调度系统（distributed coordination）中，每个相机自己决定何时向谁移交跟踪任务，所以计算任务的负载分布在网络中的每个相机上，减少了网络通信负载，使得整个网络可扩展性很强，而且对单相机节点宕机也有很强的鲁棒性，甚至改变网络拓扑都没问题。

上图是自感知（self-aware）和自表达（self-expressive）相机架构图，自我感知包括目标跟踪、资源监控和网络拓扑学习，用来监控自己的状态和行为；自我表达包括目标移交（object handover）和策略选择，用来控制整个系统的行为。

目标跟踪，原图如下：

                                                    模板和匹配到的结果如下：

目标移交，就是目标从一个相机视场移动到另一个相机视场进行的跟踪任务移交，采用基于市场的移交方法（market-based handover approach）。在这个方法中，相机是交易者（trader），目标跟踪任务是商品（goods），每个相机自己用单个密封投标拍卖（single sealed-bid auctions）方式决定何时移交跟踪任务给其他相机，并且采用维克里拍卖机制（Vickrey auction mechanism），以第二高的竞拍价格把商品卖给出价最高的人。当一个相机准备移交一个目标物体时，它就把这个目标物体的描述传递给其他相机来初始化一场拍卖，然后，其他相机在自己的视场（FOV）内搜索该目标，然后基于检测可信度（confidence）和能见度（visibility）对搜索到的目标进行打分，这个分数作为自己的估价投标，接下来，第一个相机（拍卖商 auctioneer）选择最高投标价格的相机把目标跟踪任务移交过去。
拓扑学习，没有网络拓扑的先验知识，执行上面目标移交时就只能采取广播方式，但广播方式占用网络带宽并让每个相机都执行检测目标任务。最简单的方式我们可以通过多相机标定的方式把网络拓扑初始化并赋值给每个相机，但我们可以采用更加自我感知的方法。通过观测一段时间相机竞拍的行为来学习网络拓扑，这样经过一段时间的竞价过程，每个相机都可以感知到自己的邻居相机，而且会随着目标移交过程不断强化这种邻居关系，当很长时间没有目标移交过程时，这种邻居关系也会逐渐淡化消失。