● 摘要
随着视觉监控需求的迅速增长和视觉传感网络的日益扩大，视觉监控技术成为当前最热门的课题之一，其关键在于对不同视觉传感器的观测数据进行数据关联。传统的集中式数据关联已经不能满足应用要求，迫切需要开展分布式数据关联的研究。本论文主要研究分布式的数据关联方法，以提高大规模视觉传感网络下目标跟踪的准确性，鲁棒性与高效性。主要研究工作如下： （1）总结了视觉传感网络数据关联方法中的关键问题以及国内外的研究现状和解决方案，并对该领域未来的应用方向和应用前景进行了展望。 （2）多外观模型的分布式在线算法研究：在目标数目已知的前提下，针对网络中目标未知及节点观测条件差异较大等难题，为同一目标建立不同的外观高斯模型，结合EM算法与贝叶斯推理算在线进行数据关联并学习外观模型参数，并在真实数据集下进行了所提算法其他算法的比较，验证了算法的准确性，鲁棒性与高效性。 （3）分布式贝叶斯推理算法研究：在目标数目未知的情况下，通过在线估计关联变量的取值空间，利用邻居节点上观测的外观与时空特征的相似性，进行关联变量后验概率的贝叶斯推理。算法还对漏检情况展开了研究，通过扩大相邻节点范围的方法，给出了稳定高效的分布式关联算法。 （4）分布式优化算法研究：在目标数目未知的情况下，通过对问题进行低阶与高阶的建模，利用对偶分解的方法，提出了基于优化方法的分布式数据关联算法。算法提高了关联准确率与效率，并能准确的估计出目标总数。 （5）最后，文章对课题研究所取得的成果进行了总结，简要概括了主要工作，同时，对该领域未来的发展趋势、所面临的挑战及需要解决的问题做了展望。 本文从算法研究和具体实现两个方面，对视觉传感网络分布式数据关联方法进行了深入研究，有若干的创新点。仿真和真实实验表明本文所提方法的有效性。