摄像头干扰器应对运动目标的能力

    摄像机运动估计在一系列应用中都很有用。通常，摄像头特征跟踪是通过图像序列来确定对应关系的。此外，稳健的统计技术通常用于处理通信中的大量异常值。本文提出了一种新的方法，避免了这两种情况。运动是在两个连续的立体图像之间计算的，没有任何关于特征位置或可能的大摄像机运动的预先知识或预测。这允许较低的帧速率和几乎任意的移动。欧几里德约束用于从一组初始对应中增量选择内联线，而不是使用干扰器必须同时处理所有内联线和异常值的稳健统计。

    这些约束非常强，以至于初始对应集包含的异常值比内联线多出数倍。在最坏情况下的立体声序列上的实验表明，该方法鲁棒性强、精度高，并且可以实时使用。在本文中，我们提出了一种新的方法来检测和跟踪摄像头对运动目标从一个运动摄像机图像序列使用鲁棒统计和活动轮廓模型。我们假设两个连续图像帧之间的视背景运动可以通过监控仿射变换来近似。为了对静态背景进行配准，我们采用稳健统计的LMedS（最小二乘中值）方法估计仿射变换参数。分割和合并轮廓模型用于跟踪多个运动目标，这是作者最近提出的。轮廓模型的图像能量是基于图像定义的，图像由屏蔽器当前帧减去经过估计仿射参数变换的前一帧获得。

    我们已经在一个图像处理系统上实现了该方法，该系统由DSP板组成，用于实时跟踪运动摄像机图像序列中的运动目标由于死区时间效应，伽马相机在“列表模式”下记录的衰减事件的时间分布不同于泊松分布。我们提出了一种新的伽马相机监控摄像头死区行为模型。我们的模型最重要的特点是，由于所谓的“堆积”效应，事件的损失以成对或更高的倍数发生。我们分析了堆积对伽马照相机记录的事件时间分布的影响。摄像机记录的事件之间的时间间隔的概率分布是根据第一原理计算的。我们构造了新分布参数的估计量。我们区分总计数率的估计和总计数率的某个子集的估计。计算机模拟证实，我们的估计器比标准估计器受死区效应的干扰器影响更小。