CN115361503A - 一种基于特征值拓扑网络的跨摄像头调度方法 - Google Patents

一种基于特征值拓扑网络的跨摄像头调度方法 Download PDF

Info

Publication number
CN115361503A
CN115361503A CN202211264021.5A CN202211264021A CN115361503A CN 115361503 A CN115361503 A CN 115361503A CN 202211264021 A CN202211264021 A CN 202211264021A CN 115361503 A CN115361503 A CN 115361503A
Authority
CN
China
Prior art keywords
camera
scheduling
point
function
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211264021.5A
Other languages
English (en)
Other versions
CN115361503B (zh
Inventor
白一川
吉祥宇
刘子祯
谢宇涛
江熠
郭丰瑞
赵书磊
唐铭
李国良
宋乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Innovation Research Institute Of Tianjin University
Original Assignee
Sichuan Innovation Research Institute Of Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Innovation Research Institute Of Tianjin University filed Critical Sichuan Innovation Research Institute Of Tianjin University
Priority to CN202211264021.5A priority Critical patent/CN115361503B/zh
Publication of CN115361503A publication Critical patent/CN115361503A/zh
Application granted granted Critical
Publication of CN115361503B publication Critical patent/CN115361503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Abstract

本发明提供一种基于特征值拓扑网络的跨摄像头调度方法，跨摄像头分析技术领域，包括场景的抽象建模、使用模型进行摄像头调度和保存图论模型的步骤；所述场景的抽象建模，包括生成S图和C图和构建偏序关系的子步骤；所述使用模型进行摄像头调度包括根据边权重函数B计算图像特征差值、设起始点为
Figure DEST_PATH_IMAGE002
，并计算和
Figure 171124DEST_PATH_IMAGE002
有偏序关系的下阶C图的边权重，并保留最小权重边所连接的点作为本阶的保留点和选取本阶C图的保留点，直至最后一阶或者所有下阶C图的边权重高于上限阈值b时停止的子步骤。本方法使灵活部署在不同场景中的分布式摄像头或服务器能相互知道彼此之间部署位置，建立了摄像头拓扑网络图。

Description

一种基于特征值拓扑网络的跨摄像头调度方法
技术领域
本发明涉及跨摄像头分析技术领域，具体涉及一种基于特征值拓扑网络的跨摄像头调度方法。
背景技术
随着AI技术的快速发展，基于各类摄像头的AI视频分析技术逐渐成熟，但跨摄像头的分析仍然是一个行业难题。而跨摄像头分析的第一步便是为摄像头间建立有效的拓扑关系，以此明确摄像头间的空间位置联系，从而实现对摄像头的有效管理和调度。
本方法是为了使灵活部署在不同场景中的分布式摄像头或服务器能相互知道彼此之间部署位置的方法。通过建立摄像头拓扑网络图，可以做到许多基于物理位置的操作和数据分析。
发明内容
本发明的目的在于克服现有技术的缺点，提供了一种基于特征值拓扑网络的跨摄像头调度方法。
本发明的目的通过以下技术方案来实现：
一种基于特征值拓扑网络的跨摄像头调度方法，包括以下步骤：
步骤1：场景的抽象建模；
步骤2：使用模型进行摄像头调度；
步骤3：保存图论模型。
具体的，步骤1所述的场景的抽象建模，包括以下子步骤：
步骤11：生成S图和C图；
步骤12：构建偏序关系。
具体的，步骤11所述的生成S图和C图具体为：
S图中每个节点代表一个摄像头，根据双方摄像头传回图片的特征值是否相似及是否可以直接看见对方摄像头来判定两个节点是否连接；定义S图中一个团为一个可能场景，此团对应一个现实中的场景，将其称为C图。
具体的，步骤12所述的构建偏序关系具体为：
在C图的集合上建立包含关系，所述C图的集合包含零图。
具体的，所述C图的相对阶数是两张C图之间的节点个数之差。
具体的，步骤2所述的使用模型进行摄像头调度包括以下子步骤：
步骤21：根据边权重函数B计算图像特征差值并设置上限阈值b；
步骤22：设起始点为
Figure 623856DEST_PATH_IMAGE001
，并计算和
Figure 649318DEST_PATH_IMAGE001
有偏序关系的下阶C图的边权重，并保留最小 权重边所连接的点作为下阶的保留点；
步骤23：选取下阶C图的保留点作为新的起始点，重复步骤22，直至最后一阶或者所有下阶C图的边权重高于上限阈值b时停止。
具体的，步骤21所述的根据边权重函数B计算图像特征差值并设置上限阈值b具体为：
代入
Figure 694635DEST_PATH_IMAGE002
中的团所涉及到的点f进入函数B，得到B（f），即点 i 中包含的所有摄像头 传回图片特征值的平均值与f中额外的摄像头传回图片特征值相减的值的绝对值；
设置上限阈值b；
定义摄像头的特征值函数E。
具体的，步骤22所述的设起始点为
Figure 152161DEST_PATH_IMAGE001
，并计算和
Figure 514003DEST_PATH_IMAGE001
有偏序关系的下阶C图的边权 重，并保留最小权重边所连接的点作为下阶的保留点还包括：
若B（f）差值高于b，则两个点对应的团象征的场景相差过远，视为不同场景，直接对当前搜索路径剪枝，否则保留B(f)作为i与f相连边上的权重；
如果
Figure 664362DEST_PATH_IMAGE002
中所有点的边权重不小于b，则搜寻终止，本次调度结束；
调度结束时，得到一条起始点为 e 的路，其终点称为
Figure 260558DEST_PATH_IMAGE003
, 则
Figure 521775DEST_PATH_IMAGE003
所包含的摄 像头将是本次调度的最优解。
具体的，还包括一种优先搜索列表，所述优先搜索列表为设置点权重函数H，从而 给函数B设置两个阈值
Figure 925074DEST_PATH_IMAGE004
，在每一次调度结束后更新最优路上团的权重。
具体的，所述在每一次调度结束后更新最优路上团的权重具体为：
若最优路上的点f的边评价函数值B(f)小于
Figure 997067DEST_PATH_IMAGE005
, 则按照
Figure 813713DEST_PATH_IMAGE006
的
比例提升f的H(f)值;
若最优路上的点f的边评价函数值B(f)大于
Figure 550725DEST_PATH_IMAGE007
,则按照
Figure 385694DEST_PATH_IMAGE008
的比
例减小f的H(f)值;
每一个团，除初始团外，都有函数H()的初始值，函数H()值的更新在每一次调度结束后进行。
具体的，还包括引入函数H后，函数B的计算变为在原有的基础上乘以
Figure 877856DEST_PATH_IMAGE009
的方式进行计算。
具体的，步骤3所述的保存图论模型具体为：
每个摄像头将保存调度历史，同时作为S图中的节点并记住与之相连的其他节点。
具体的，所述调度历时包括：偏序关系、偏序关系中点的权重和邻近摄像头拍到物体的特征值。
基于上述技术方案，可产生如下技术效果：
本方法创造性地提出了一种基于特征值拓扑网络的跨摄像头调度方法。相较于传统的流程，本方法为摄像头间建立了有效的拓扑关系，以此明确摄像头间的空间位置联系，从而实现对摄像头的有效管理和调度；本方法使灵活部署在不同场景中的分布式摄像头或服务器能相互知道彼此之间部署位置，通过建立摄像头拓扑网络图，可以做到许多基于物理位置的操作和数据分析。
附图说明
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一些实施例，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。
图1 为本发明的方法流程图；
图2 为本发明的S图结构示意图；
图3 为本发明的C图结构示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。且应到注意到，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例，在不冲突的情况下，下述的实施例及实施例中的特征可以相互组合。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。
如图1-3所示，在一个优选的实施例中：
一、场景的抽象建模
1.S图与C图
每个摄像头是图中的一个点，如若两个摄像头可以看见相似的场景，或者它们直接可以看见对方，那么这两个摄像头对应的点将以一条线连接。此构建好的图被称为S图，称S图中一个团为一个“可能场景”，此团有概率对应一个现实中的场景，将其称为C图。显然，C图是S图的子图，且数量可能不唯一。C图若包含n个节点则称其为n阶C图。
所以综述：s图中每个节点代表一个摄像头，根据摄像头传回图片的特征值及是否可以直接看见对方来判定两个节点是否连接；称S图中一个团为一个“可能场景”，此团有概率对应一个现实中的场景，将其称为C图（团指一张图中的完全子图）。
C图的命名方式为
Figure 853902DEST_PATH_IMAGE010
, 其中A为此C图中包含的节点的集合。
请着重参阅图2，图2 为本发明的S图结构示意图，图2为一个S图，点 A ~ H 对应着现实中的摄像头。两个节点中的线代表着它们可能能看见相同的场景。
2.偏序关系
在C图的集合（包含零图和全摄像头的图）上建立包含关系（记为
Figure 207654DEST_PATH_IMAGE011
）：当C
图
Figure 913442DEST_PATH_IMAGE012
包含
Figure 248608DEST_PATH_IMAGE013
且
Figure 289114DEST_PATH_IMAGE012
只比
Figure 367929DEST_PATH_IMAGE013
多-一个点时才称
Figure 928223DEST_PATH_IMAGE014
，显然这是一个偏序关系。
更确切地说，这是一个全下界为零图的有界格。定义元组
Figure 247340DEST_PATH_IMAGE015
为建立好的模
型。
请着重参阅图3，图3 为本发明的C图结构示意图，图3为图2对应模型的格。
C图之间的阶数关系：除了按照节点个数划分的C图阶数，还定义了C图之间的相对阶数。C图的相对阶数是两张C图之间的节点个数之差。（因位一张C图在格里对应一个点，则相对 n 阶将以 n 阶点称呼）
如
Figure 463558DEST_PATH_IMAGE016
是
Figure 408380DEST_PATH_IMAGE017
的第 -1，0，1，2，3 阶点，两张C图只有存在偏序 关系才可互称为对方的n阶点
二、使用模型进行摄像头调度
1.边权重函数
当需要根据模型中的某个场景的信息时进行摄像头调度，此时须有一个初始摄像头。如根据摄像头a的信息选择调度替换摄像头，将a在格中对应的原子记为e。寻找能盖住e的 1 阶点c，并将c作为新的起始点继续迭代。搜索过程中，每阶C图仅保留1个点。如何来确定每一阶C图的点将在以下进行阐述。
若搜索到了第n阶，n-1 阶C图中被选中的点称为i。如下是在i的1阶点的集合
Figure 72448DEST_PATH_IMAGE018
中 找第 n 阶C图中要保留的点的方法。搜索
Figure 14997DEST_PATH_IMAGE018
中的团所涉及到的点f，针对未被调度的摄像 头，评价其对于本次路径提供的额外信息，称其为 边权重函数B()。边评价函数可选择图 像特征差值作为其函数值，即 B(f)为点 i 中包含的所有摄像头传回图片特征值的平均值 与f中额外的摄像头（f中有而i中没有的摄像头，有且仅有一个）传回图片特征值相差的值， 并设置函数B()的上限阈值b。若相差高于b，则两个点对应的团象征的场景相差过远，视为 不同场景，直接对当前搜索路径剪枝，否则保留B(f)作为i与f相连边上的权重。对
Figure 515248DEST_PATH_IMAGE018
中团与 i相连边的权重进行排序，选择
Figure 748914DEST_PATH_IMAGE018
中具有最低边权重的点作为下一阶迭代起点。如果
Figure 221484DEST_PATH_IMAGE018
中所 有点的边权重不小于b，则搜寻终止，称为本次调度的结束。调度结束时会产生一条起始点 为 e 的路，其终点称为
Figure 131671DEST_PATH_IMAGE019
, 则
Figure 374346DEST_PATH_IMAGE019
所包含的摄像头将是本次调度的最优解。
更进一步的，在图 1 中我们发现了摄像头C拍摄到了我们需要的物体。在真实的场景中摄像头C, F, G, H 均能提供与此物体有关的图像（即它们所能拍摄到的地点部分上重和，而此物体在这重合的部分上，正好可以被它们拍到）。请着重参阅图1，图1 为本发明的方法流程图，以下为本方法的流程。
首先定义特征值函数E()。举个例子，E(C) 是摄像头C所能提供的关于物体以及周围环境的特征值。我们还需要给出特征值的上限b。
Step1
起始点为
Figure 598654DEST_PATH_IMAGE020
，并计算和
Figure 988047DEST_PATH_IMAGE020
有偏序关系的2阶C图的边权重
计算得知，
Figure 272398DEST_PATH_IMAGE021
的值大于b, 直接进行搜索剪枝。现在对除了
Figure 497974DEST_PATH_IMAGE022
外的点按其
所连接的边的权重进行排序，发现B(Ccc)最小， 那么2阶C图就保留
Figure 322710DEST_PATH_IMAGE023
。
Step2
2阶C图仅保留点
Figure 504293DEST_PATH_IMAGE023
作为新的出发点并重复上述方法:
首先计算其1阶点的边权重。
这一 次我们发现并没有边权重大于b,那就没有被排除的点。正常进行排序筛选，
选取
Figure 271129DEST_PATH_IMAGE024
为3阶C图的保留点。
Step3
还是同上述方法一 -样，从
Figure 233269DEST_PATH_IMAGE025
出发选取
Figure 799380DEST_PATH_IMAGE026
作为4阶C图的保留点。
Step4
Ccrc作为出发点时，计算与其相连的所有边权重。此时只有
Figure 648518DEST_PATH_IMAGE027
。 但
Figure 336989DEST_PATH_IMAGE027
大于上限阈值b,所以达成条件:所有的
Figure 724108DEST_PATH_IMAGE028
的1阶点全部大于b。
搜索于是便不再进行，所谓
Figure 139914DEST_PATH_IMAGE029
在此例中为
Figure 358406DEST_PATH_IMAGE030
， 其为最优解。于是我们对
摄像头C、G、F、H进行调度，使其拍摄我们需要的物体。
由上述步骤可得，最优路为:
Figure 155461DEST_PATH_IMAGE031
上文只给出一种计算方式，可以酌情为其开发并替换其他的计算方式，计算方式的替换就像插件一样。
先回顾一下之前给出的 B() 的方法：边评价函数可选择图像特征差值作为其函数值，即 B(f)为点 i 中包含的所有摄像头传回图片特征值的平均值与f中额外的摄像头（f中有而i中没有的摄像头，有且仅有一个）传回图片特征值相减的值的绝对值。
还需要回顾一下 E() 的定义：E(C) 是摄像头C所能提供的关于物体以及周围环境的特征值。
现给求 B() 具体的的例子：
利用 E() 求 B() 。在 Step2 中，CCG 指向 CCEG 的边的权重 B(CCEG) 如下：
Figure 577346DEST_PATH_IMAGE032
CCG指向CCFG的边的权重为：
Figure 813155DEST_PATH_IMAGE033
而在Step3中，CCFG指向CCFGH的边的权重为
Figure 135421DEST_PATH_IMAGE034
2.点权重函数
方法同时维护一个优先搜索列表，即
Figure 165694DEST_PATH_IMAGE035
上每个点的权重。设置点权重函数H()。设 置函数B()的另外两个上限阈值
Figure 261826DEST_PATH_IMAGE036
，在每一次调度结束后更新最优路上团的权重。
若最优路上的点f的边评价函数值B(f)小于
Figure 520900DEST_PATH_IMAGE037
，则按照
Figure 713984DEST_PATH_IMAGE038
的
比例提升f的H(f)值;
若最优路上的点f的边评价函数值B(f)大于
Figure 852841DEST_PATH_IMAGE039
,则按照
Figure 741994DEST_PATH_IMAGE040
的比
例减小f的H(f)值;
每一个团（除了零图）都有函数H()的初始值，函数H()值的更新在每一次调度结 束后进行，一般来说之前提到的阈值 b,
Figure 54027DEST_PATH_IMAGE041
都是视情况而定的。
引入了此方法后B()的计算就要发生一些变化了，引用数学上的一个函数 sigmoid()，B(f)的计算将在原有的基础上乘以
Figure 39301DEST_PATH_IMAGE042
进行计算。
更进一步的，在 Step2 中，CCG 指向 CCEG 的边的权重 B(CCEG) 如下：
Figure 162109DEST_PATH_IMAGE043
因为是第一次进行调度，上述
Figure 295150DEST_PATH_IMAGE044
都等于 0。
调查结束后，我们发现
Figure 348556DEST_PATH_IMAGE045
则点权重的新值
Figure 499921DEST_PATH_IMAGE046
与原来保持一致，而
Figure 42898DEST_PATH_IMAGE047
就被更新为：
Figure 335339DEST_PATH_IMAGE048
其中k1, k2 是大于 0 的比例常数，根据实际情况设定。
在下一轮调度开始之时，此模型将采用按照上述步骤更新过的新的点权重。点权重的更新只会作用在每一次调度选出的最优路上的点上，正是这些不断更新的点权重使得此模型具有学习功能。
总的来说，函数H()的值代表着摄像头在以往的可靠度，代表着模型的学习过程，而函数B()的值决定这一阶中哪个图最终被选定。模型保留并更新的是点权重，而边权重只在每一次调度过程中临时计算。
三、图论模型的保存及使用对于集中式服务器模型的保存十分容易。集中式服务器使用每个摄像头传回来的拍摄照片的特征值来绘制S图并保存S图，调度方法的执行也是由集中式服务器进行的。
而对于分布式部署的设备，作为分布式服务器的AI摄像头，则需要与能进行通信 的摄像头之间互相传递拍摄到图片的特征值并进行比对，如果特征值相近判定为双方在物 理位置上相近并记住对方。每个AI摄像头只需要作为S图中的节点，并记住与之相连的其他 节点即可。而偏序关系中的点权重则记录在每一个被其包含的摄像头中，比如上述最终保 留图中点
Figure 5486DEST_PATH_IMAGE049
的权重就被保留在摄像头C、F、G中。而调度方法的执行也是由AI摄像头来执 行的。还是我们一开始的例子。调度是由摄像头C开始的，那说明是由摄像头C发起的。而有 关调度方法需要的一切信息 —— 偏序关系、偏序关系中点的权重、邻近摄像头拍到物体 的特征值，都是保存在发起调度的AI摄像头中或是可以由其与周边邻近摄像头通信得到 的。所以分布式部署设备建立、保存拓扑图，使用、调度拓扑图的问题都迎刃而解了。
本文揭露的结构、功能和连接形式，可以通过其它方式实现。例如，以上所描述的实施例仅是示意性的，例如盖板和压板可以有其他安装方式，例如多个组件可以结合或者集成于另一个组件；另外，在本文各个实施例中的各功能组件可以集成在一个功能组件中，也可以是各个功能组件单独物理存在，也可以两个或两个以上功能组件集成为一个功能组件。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

Claims (13)

1.一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，包括以下步骤：
步骤1：场景的抽象建模；
步骤2：使用模型进行摄像头调度；
步骤3：保存图论模型。
2.根据权利要求1所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，步骤1所述的场景的抽象建模，包括以下子步骤：
步骤11：生成S图和C图；
步骤12：构建偏序关系。
3.根据权利要求2所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，步骤11所述的生成S图和C图具体为：
S图中每个节点代表一个摄像头，根据双方摄像头传回图片的特征值是否相似及是否可以直接看见对方摄像头来判定两个节点是否连接；定义S图中一个团为一个可能场景，此团对应一个现实中的场景，将其称为C图。
4.根据权利要求2所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，步骤12所述的构建偏序关系具体为：
在C图的集合上建立包含关系，所述C图的集合包含零图。
5.根据权利要求2所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，所述C图的相对阶数是两张C图之间的节点个数之差。
6.根据权利要求1所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，步骤2所述的使用模型进行摄像头调度包括以下子步骤：
步骤21：根据边权重函数B计算图像特征差值并设置上限阈值b；
步骤22：设起始点为
Figure 614365DEST_PATH_IMAGE001
，并计算和
Figure 826166DEST_PATH_IMAGE001
有偏序关系的下阶C图的边权重，并保留最小权重 边所连接的点作为下阶的保留点；
步骤23：选取下阶C图的保留点作为新的起始点，重复步骤22，直至最后一阶或者所有下阶C图的边权重高于上限阈值b时停止。
7.根据权利要求6所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，步骤21所述的根据边权重函数B计算图像特征差值并设置上限阈值b具体为：
代入
Figure 318327DEST_PATH_IMAGE002
中的团所涉及到的点f进入函数B，得到B（f），即点 i 中包含的所有摄像头传回 图片特征值的平均值与f中额外的摄像头传回图片特征值相减的值的绝对值；
设置上限阈值b；
定义摄像头的特征值函数E。
8.根据权利要求6所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于， 步骤22所述的设起始点为
Figure 245439DEST_PATH_IMAGE001
，并计算和
Figure 458245DEST_PATH_IMAGE001
有偏序关系的下阶C图的边权重，并保留最小权 重边所连接的点作为下阶的保留点还包括：
若B（f）差值高于b，则两个点对应的团象征的场景相差过远，视为不同场景，直接对当前搜索路径剪枝，否则保留B(f)作为i与f相连边上的权重；
如果
Figure 288667DEST_PATH_IMAGE002
中所有点的边权重不小于b，则搜寻终止，本次调度结束；
调度结束时，得到一条起始点为 e 的路，其终点称为
Figure 623833DEST_PATH_IMAGE003
,则
Figure 978854DEST_PATH_IMAGE003
所包含的摄像头 将是本次调度的最优解。
9.根据权利要求1所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于， 还包括一种优先搜索列表，所述优先搜索列表为设置点权重函数H，从而给函数B设置两个 阈值
Figure 57668DEST_PATH_IMAGE004
，在每一次调度结束后更新最优路上团的权重。
10.根据权利要求9所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，所述在每一次调度结束后更新最优路上团的权重具体为：
若最优路上的点f的边评价函数值B(f)小于
Figure 309308DEST_PATH_IMAGE005
, 则按照
Figure 205588DEST_PATH_IMAGE006
的
比例提升f的H(f)值;
若最优路上的点f的边评价函数值B(f)大于
Figure 93910DEST_PATH_IMAGE008
,则按照
Figure 664831DEST_PATH_IMAGE009
的比
例减小f的H(f)值;
其中，H（f）为点f进入点权重函数H；
每一个团，除初始团外，都有函数H()的初始值，函数H()值的更新在每一次调度结束后进行。
11.根据权利要求9所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在 于，还包括引入函数H后，函数B的计算变为在原有的基础上乘以
Figure 141948DEST_PATH_IMAGE010
的方式 进行计算。
12.根据权利要求1所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，步骤3所述的保存图论模型具体为：
每个摄像头将保存调度历史，同时作为S图中的节点并记住与之相连的其他节点。
13.根据权利要求12所述的一种基于特征值拓扑网络的跨摄像头调度方法，其特征在于，所述调度历时包括：偏序关系、偏序关系中点的权重和邻近摄像头拍到物体的特征值。
CN202211264021.5A 2022-10-17 2022-10-17 一种基于特征值拓扑网络的跨摄像头调度方法 Active CN115361503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211264021.5A CN115361503B (zh) 2022-10-17 2022-10-17 一种基于特征值拓扑网络的跨摄像头调度方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211264021.5A CN115361503B (zh) 2022-10-17 2022-10-17 一种基于特征值拓扑网络的跨摄像头调度方法

Publications (2)

Publication Number Publication Date
CN115361503A true CN115361503A (zh) 2022-11-18
CN115361503B CN115361503B (zh) 2023-01-31

Family

ID=84008462

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211264021.5A Active CN115361503B (zh) 2022-10-17 2022-10-17 一种基于特征值拓扑网络的跨摄像头调度方法

Country Status (1)

Country Link
CN (1) CN115361503B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012092144A2 (en) * 2010-12-30 2012-07-05 Pelco Inc. Tracking moving objects using a camera network
US8791947B1 (en) * 2013-12-18 2014-07-29 Google Inc. Level of detail blurring and 3D model data selection
US20150195324A1 (en) * 2014-01-03 2015-07-09 Samsung Techwin Co., Ltd. Network camera and network image surveillance system
CN105472333A (zh) * 2015-12-04 2016-04-06 航天科工智慧产业发展有限公司 视频监控设备拓扑系统的建立方法及关联监控方法
CN106331633A (zh) * 2016-08-30 2017-01-11 长威信息科技发展股份有限公司 一种多种监控资源显示及快速调阅的方法和系统
US20180053389A1 (en) * 2016-08-22 2018-02-22 Canon Kabushiki Kaisha Method, processing device and system for managing copies of media samples in a system comprising a plurality of interconnected network cameras
CN114745501A (zh) * 2022-03-29 2022-07-12 北京航空航天大学 一种基于以太网网络拓扑结构的数据采集方法及系统
WO2022206605A1 (zh) * 2021-03-29 2022-10-06 华为技术有限公司 确定目标对象的方法、拍摄方法和装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012092144A2 (en) * 2010-12-30 2012-07-05 Pelco Inc. Tracking moving objects using a camera network
US8791947B1 (en) * 2013-12-18 2014-07-29 Google Inc. Level of detail blurring and 3D model data selection
US20150195324A1 (en) * 2014-01-03 2015-07-09 Samsung Techwin Co., Ltd. Network camera and network image surveillance system
CN105472333A (zh) * 2015-12-04 2016-04-06 航天科工智慧产业发展有限公司 视频监控设备拓扑系统的建立方法及关联监控方法
US20180053389A1 (en) * 2016-08-22 2018-02-22 Canon Kabushiki Kaisha Method, processing device and system for managing copies of media samples in a system comprising a plurality of interconnected network cameras
CN106331633A (zh) * 2016-08-30 2017-01-11 长威信息科技发展股份有限公司 一种多种监控资源显示及快速调阅的方法和系统
WO2022206605A1 (zh) * 2021-03-29 2022-10-06 华为技术有限公司 确定目标对象的方法、拍摄方法和装置
CN114745501A (zh) * 2022-03-29 2022-07-12 北京航空航天大学 一种基于以太网网络拓扑结构的数据采集方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈天恒等: "基于蚁群算法的变电站视频监控联动方案优化设计", 《电力系统保护与控制》 *
马辰阳等: "基于拓扑结构的多摄像头网络协同跟踪机制", 《天津理工大学学报》 *

Also Published As

Publication number Publication date
CN115361503B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
Daniya et al. Classification and regression trees with gini index
CN111625361B (zh) 一种基于云端服务器和IoT设备协同的联合学习框架
CN112633316B (zh) 一种基于边界估值理论的负荷预测方法和装置
CN111401557B (zh) 智能体决策制定方法、ai模型训练方法、服务器及介质
CN111611488B (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN111708823B (zh) 异常社交账号识别方法、装置、计算机设备和存储介质
CN115688913A (zh) 一种云边端协同个性化联邦学习方法、系统、设备及介质
CN111414842B (zh) 一种视频对比方法、装置、计算机设备和存储介质
CN113177470A (zh) 行人轨迹预测方法、装置、设备及存储介质
CN115361503B (zh) 一种基于特征值拓扑网络的跨摄像头调度方法
Chen et al. Multi-dimensional traffic flow time series analysis with self-organizing maps
CN112148942B (zh) 基于数据聚类的业务指标数据分类方法及装置
CN110084455B (zh) 一种数据处理方法、装置及系统
CN110287351A (zh) 一种三维模型轻量化展示优化方法
CN115883392A (zh) 算力网络的数据感知方法、装置、电子设备及存储介质
CN105760424A (zh) 用于存储企业产品关键数据的数据库建立方法
CN115526267A (zh) 一种配电网运行场景提取方法及装置
CN116258923A (zh) 图像识别模型训练方法、装置、计算机设备和存储介质
CN115423414A (zh) 生成维修器材仓库货位分配方案的工具及方法
CN112766288A (zh) 图像处理模型构建方法、装置、电子设备和可读存储介质
CN112101419A (zh) 基于众包的高效分类系统及其创建、使用方法
CN111190952A (zh) 一种基于图像金字塔提取城市画像多尺度特征并持久化的方法
CN109816228A (zh) 一种企业bim技术应用能力量化评估系统及方法
CN108509487A (zh) 基于脉冲发放皮层模型的图像检索方法、设备及存储介质
CN112381226B (zh) 一种基于粒子群算法的深度卷积神经网络架构搜索方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant