监控干扰器的回放网络校准

   使用协作摄像机网络进行场景监控正迅速成为自动监控的主流模式。在资料中，我们描述了一个摄像头干扰器设计框架，该框架可以通过这样一个网络协同生成对场景的连贯理解。我们考虑的周密情况下，相机视野重叠或不重叠，我们讨论如何可以共同估计对象的外观和运动的相机。

    为了处理对象从一个摄像机移动到另一个摄像机时观察到的外观变化，我们证明了从一个给定摄像头到另一个摄像机的所有亮度传递函数都位于一个低维子空间中，我们证明了该子空间可用于计算外观相似性。为了基于运动关联对象，我们在不假设任何先验校准信息的情况下，利用监控画面中对象运动之间关系的几何约束来测试多个关联假设。最后给出了一个场景模型，我们提出了一个似然函数，用于评估多个监控干扰器中观测值之间的假设关联，同时使用外观和运动。各种研究人员获取的各种数据集的详细信息。我们从未校准的视频片段中远程校准和重建人类演员。还报告了摄像机网络图中精确的极线几何估计数和度量重建后的最终重投影误差。

 

    尽管所有实验都涉及观察人体的视频流，但我们的校准和重建方法都是完全通用的，可以用于重建涉及任何实体非刚性形状的时变事件。我们在一个合成的25视图数据集和8个真实数据集上测试了我们的方法，这些数据集是由不同的计算机视觉研究人员在他们自己的实验室使用不同的监控视频配置获得的。在所有这些情况下，我们都能够恢复摄像头网络的完全校准，而无需事先了解或控制输入数据。监控屏蔽器使用就是一个例子。因此，我们表明，在没有摄像机或场景的先验信息的情况下，可以远程校准摄像机网络，并从存档的视频片段重建时变事件。