重疊畸變區(qū)域下PTZ主從攝像機定標(biāo)方法研究

胡 瑋，潘 林

（福州大學(xué)計算機圖形圖像研究所，福州350100）

重疊畸變區(qū)域下PTZ主從攝像機定標(biāo)方法研究

胡 瑋，潘 林

（福州大學(xué)計算機圖形圖像研究所，福州350100）

針對傳統(tǒng)攝像機覆蓋面不足、鏡頭成像畸變等問題，結(jié)合PTZ攝像機可靈活控制的特性，采用鏡頭畸變處理算法，提出一種重疊畸變區(qū)域下PTZ主從攝像機系統(tǒng)的定標(biāo)方法。利用PTZ攝像機的預(yù)置位點對場景進行分區(qū)域采集，提取區(qū)域視圖中的特征點進行重構(gòu)處理，使用鏡頭的徑向校正算法完成區(qū)域視圖的校正，將主攝像機視圖與重構(gòu)視圖依據(jù)映射關(guān)系函數(shù)進行定標(biāo)，通過預(yù)置位點調(diào)整來提高精度，并引入混淆矩陣的概念驗證定標(biāo)的有效性。實驗結(jié)果表明，該方法不用考慮攝像機中心偏差等問題，與傳統(tǒng)定標(biāo)方法相比速度快、精度高，適合應(yīng)用于居民小區(qū)等監(jiān)控環(huán)境。

重疊區(qū)域；PTZ攝像機；畸變；定標(biāo)；預(yù)置位；混淆矩陣

1 概述

近年來視頻監(jiān)控系統(tǒng)在日常生活中發(fā)揮著越來越重要的作用，被廣泛應(yīng)用于安防監(jiān)控、工業(yè)控制、智能交通等領(lǐng)域［1］。隨著視頻監(jiān)控系統(tǒng)應(yīng)用范圍的不斷拓展，對視頻圖像的監(jiān)控范圍和分辨率提出了更高的要求。受到攝像機有限視野和分辨能力的限制，當(dāng)監(jiān)測一個較大的場景時，需要布置多個攝像機對其進行監(jiān)測，以避免目標(biāo)漏檢并保證較高的分辨率。主從攝像機監(jiān)控系統(tǒng)是多攝像機方案中的一種，該系統(tǒng)利用固定攝像機作為引導(dǎo)者，控制PTZ（Pan Tilt Zoom）攝像機去聚焦跟蹤感興趣的目標(biāo)，系統(tǒng)實現(xiàn)的關(guān)鍵是主從攝像機坐標(biāo)關(guān)系的建立。目前的定標(biāo)方法大致分為2類，一類利用攝像機間的內(nèi)外硬件參數(shù)進行相互關(guān)聯(lián)，文獻［2］采用的方法是將外界顯示的三維場景坐標(biāo)直接轉(zhuǎn)換為攝像機的轉(zhuǎn)動參數(shù)，并通過控制參數(shù)和變換焦距來實現(xiàn)定標(biāo)過程；文獻［3］在硬件參數(shù)控制的基礎(chǔ)上，結(jié)合2幅圖之間的對極幾何關(guān)系完成坐標(biāo)之間的關(guān)聯(lián)。但上述2種方法采取的定標(biāo)參數(shù)較為復(fù)雜，過程繁瑣，容易受到安裝條件、溫度和與光照等因素的變化，不同程度上影響到參數(shù)的計算。另一類方法是利用靜態(tài)場景的圖片與PTZ攝像機的場景圖片進行弱定標(biāo)操作，結(jié)合插值算法獲取2個場景之間的坐標(biāo)映射關(guān)系，如文獻［4］中提到的方法，該定標(biāo)方法優(yōu)點在于方法簡便，但需要長時間的人工操作，且精度較低，適用范圍較窄；文獻［5］在基于兩攝像機的光心重合的假定前提下，利用特定情況計算主從攝像機的坐標(biāo)變換公式來進行定標(biāo)，但該方法的缺點是光心位置誤差與假定條件相差較大，容易導(dǎo)致定標(biāo)公式不準(zhǔn)確，進而影響定標(biāo)的準(zhǔn)度。

本文提出一種重疊畸變區(qū)域下的PTZ主從攝像機系統(tǒng)定標(biāo)方法，結(jié)合PTZ攝像機的預(yù)置位點、SURF［6］、圖像特征點拼接［7］和攝像機鏡頭畸變校正［8］算法，在提高系統(tǒng)適用性的同時縮短攝像機定標(biāo)過程中需要人工耗費的時間。系統(tǒng)架構(gòu)簡單靈活，利用廣角攝像機與PTZ攝像機有機結(jié)合即可實現(xiàn)，不僅解決了傳統(tǒng)攝像機定標(biāo)時可能產(chǎn)生的鏡頭畸變問題，而且通過靈活調(diào)節(jié)PTZ攝像機的預(yù)置位點數(shù)，使該方法可以兼容不同條件下的場景監(jiān)控。

2 方法描述

本文中定標(biāo)攝像機分為2種：（1）靜態(tài)廣角攝像機，負責(zé)大范圍的場景監(jiān)控；（2）動態(tài)PTZ云臺攝像機，用于捕獲廣角場景區(qū)域中的細節(jié)。首先，系統(tǒng)通過PTZ攝像機對監(jiān)控場景采集視圖信息，然后對采集得到的視圖進行畸變校正處理，再一步利用特征點提取算法得到場景的特征數(shù)據(jù)，結(jié)合處理得到的視圖進行場景的拼接重構(gòu)工作，之后根據(jù)重構(gòu)得到的場景和廣角攝像機得到的場景進行配準(zhǔn)，最后進行系統(tǒng)定標(biāo)。廣角攝像機根據(jù)之前的靜態(tài)定標(biāo)結(jié)果對鏡頭中的實時圖像進行特征提取，利用特征點對的映射關(guān)系控制PTZ攝像機移動至合適預(yù)置位點，捕獲場景目標(biāo)并完成定標(biāo)。

3 定標(biāo)框架

3.1 主從攝像機模型的建立

空間中某一點P在世界坐標(biāo)系與攝像機坐標(biāo)系下的齊次坐標(biāo)分別為χw=（Xw，Yw，Zw，1）T與χc=（Xc，Yc，Zc，1）T，則有：

其中，R為3×3正交單位矩陣；t=［tχtytz］T為三維平移向量；0T=［0 0 0］T。本文中，設(shè)χw為靜態(tài)攝像機坐標(biāo)系，χc為動態(tài)攝像機坐標(biāo)系，H為靜態(tài)攝像機坐標(biāo)系到動態(tài)攝像機坐標(biāo)系之間的映射，其定標(biāo)原理如圖1所示。其中，H'代表靜態(tài)廣角視圖與重構(gòu)場景視圖之間的映射關(guān)系；C代表廣角攝像機中心；C'代表PTZ攝像頭中心。

圖1 系統(tǒng)定標(biāo)原理示意圖

通常情況下，要直接準(zhǔn)確地得到映射關(guān)系H是比較困難的，因此，先利用廣角場景之間的映射關(guān)系（χ，y）～（χw，yw），再結(jié)合靜態(tài)視圖與重構(gòu)視圖的映射關(guān)系H'，即可間接得到廣角攝像機當(dāng)前場景視圖與重構(gòu)場景的映射關(guān)系H，從而計算出目標(biāo)的位置坐標(biāo)。

3.2 預(yù)置位采集

在利用靜態(tài)場景視圖進行攝像機定標(biāo)時，文獻［4］提到的方法是利用人工方法將攝像機中心移動到目標(biāo)所在區(qū)域，并通過反復(fù)移動和記錄得到靜態(tài)攝像機和PTZ攝像機之間的映射關(guān)系。通過繁瑣的記錄得到一張主從攝像機之間的映射關(guān)系表，這樣PTZ攝像機就可以通過查詢這張表得到獲取相應(yīng)的控制參數(shù)，并通過插值計算得到其他位置的參數(shù)。

為提高系統(tǒng)效率，結(jié)合PTZ攝像機的置位靈活特性，將采集和主從攝像機定標(biāo)利用預(yù)先設(shè)置好的預(yù)置位點自動完成，根據(jù)事先設(shè)置好的預(yù)置位點讓攝像機自動轉(zhuǎn)置預(yù)定角度采集場景信息，節(jié)省了人工控制轉(zhuǎn)動鏡頭以及記錄數(shù)據(jù)的時間。

3.3 特征點提取及處理

常用的特征點提取方法有Harris角點檢測、Hessian-Laplace、SUSAN［9］、強角點檢測等。SIFT算法［10］是一種魯棒性的特征檢測方法，然而其算法復(fù)雜度高、計算量大。而SURF算法同樣具有尺度不變性和旋轉(zhuǎn)不變性的特點，并且計算速度快，魯棒性好。SURF算法主要利用Hessian矩陣的行列式判斷圖像上是否為極值點來獲取感興趣信息。在圖像上，I（χ，y）代表圖像的像素值，利用尺度歸一化的二階高斯濾波器計算圖像的二階偏導(dǎo)，則尺度為σ的Hession矩陣表示為：

其中，Lχχ（χ，y，σ）是圖像在P（χ，y）處與高斯函數(shù)二階偏導(dǎo)的卷積。L（χ，y，σ）和L（χ，χyyyy，σ）與此類似。通過Hession矩陣的行列式即可計算出圖像中的特征信息。表1是實驗中對SIFT與SURF算法的數(shù)據(jù)比較結(jié)果。

表1 SIFT與SURF算法結(jié)果比較

由于SURF算法提取出的特征點仍然可能有誤匹配點的產(chǎn)生，因此需要進行錯誤點的剔除。RANSAC（Random Sam ple Consensus）［11］是一種利用數(shù)學(xué)迭代的方式估計模型的參數(shù)，通過得到的參數(shù)模型對不能適應(yīng)模型的數(shù)據(jù)進行排除的方法。實際測試中，對于100個樣本點平均約經(jīng)過5次～6次的迭代之后，即可得到較準(zhǔn)確的特征數(shù)據(jù)集。

3.4 畸變校正

本文基于鏡頭徑向畸變模型［12］的校正方法，通過構(gòu)建定標(biāo)模板，將畸變中特征點的排列構(gòu)造出理想特征點圖像，然后計算特征點的畸變和理想矢徑坐標(biāo)，建立方程組求解或多項式擬合求出理想矢徑ru與畸變矢徑rd之間的映射關(guān)系，最后取矢徑均方誤差最小的畸變中心和對應(yīng)的多項式系數(shù)作為校正函數(shù)，進一步校正圖像。

文獻［13］中針對魚眼鏡頭并結(jié)合魚眼相機的成像函數(shù)，通過SIFT算子進行全景匹配，將畸變的情況直接合并到坐標(biāo)變換中，繼而得到一個全局的旋轉(zhuǎn)變換矩陣T。本文出于一種弱定標(biāo)重構(gòu)方法的考慮，在特征提取（以及拼接）的過程中需要將PTZ的畸變考慮在內(nèi)，因此需要對畸變的場景圖像進行校正。

若采用以畸變中心為原點的極坐標(biāo)系，則徑向畸變模型表示為：

其中，ru是理想圖像點的矢徑坐標(biāo)；rd是對應(yīng)畸變圖像點的矢徑坐標(biāo)。多數(shù)鏡頭畸變函數(shù)的表示形式為：

圖2（a）是攝像機所獲取到的場景圖片，圖片邊緣附近可以看到鏡頭的畸變情況，實際測試中取70個～80個點的點陣作為畸變柵格模板，依據(jù)柵格模板的畸變狀況計算各項多項式的畸變系數(shù)。校正后的圖像如圖2（b）所示。圖2（c）表示的是該場景中采用的多項式函數(shù)階數(shù)與均方誤差、中心誤差分別對應(yīng)的擬合曲線關(guān)系。從圖中可以看出，針對某種固定畸變程度的鏡頭，選取合適的階層的多項式即可擬合出高精度的圖像畸變模型，以本文為例，當(dāng)多項式階層取4時，中心誤差為0.06，矢徑均方誤差為0.5左右，即可得到結(jié)果較為準(zhǔn)確的校正圖。而且通過圖像校正，增加了一定條件下本來在畸變視圖下判定失效的匹配對，對后續(xù)的拼接以及定標(biāo)都有很大的幫助。

圖2 鏡頭校正模板與效果比較

3.5 場景拼接

本文圖像拼接的基本思路是通過利用n（n≥3）對特征匹配點對2幅圖之間進行匹配，然后計算出2幅圖之間的仿射矩陣M，使2幅圖像融合?；镜姆律渥儞Q公式為：

為了使仿射變換得到的效果更佳，對變換結(jié)果進行雙線性插值，將原圖像目標(biāo)像素點附近的4個鄰近象素的值兩次加權(quán)平均后替換變換圖像中的新象素點，以確保不同圖像之間的平滑過渡。

3.6 定標(biāo)及偏差調(diào)整

定標(biāo)通過視圖與視圖之間的仿射變換關(guān)系實現(xiàn)。設(shè)定P（a′，b′）表示靜態(tài)場景的坐標(biāo)點，P（χ，y）表示重構(gòu)場景的預(yù)置位點，P（a，b）表示重構(gòu)場景的坐標(biāo)點。完成場景的拼接建模后，提取廣角場景和拼接場景之間的匹配關(guān)系，得到一系列特征點匹配對P（mK，nK）～P（mK′，nK′）。根據(jù)P（mK，nK）～P（mK′，nK′）之間的映射關(guān)系計算出仿射矩陣M，依此得到：

通過變換矩陣M，進一步得到靜態(tài)攝像機到PTZ攝像機的映射關(guān)系P（χ，y）～P（a，b）。對于靜態(tài)場景中任意一點P（a，b），映射到重構(gòu)場景的每一個預(yù)置位點P（χ，y），有：

定標(biāo)過程中由于預(yù)置位點相對于整個場景的記憶位置是固定的，因此定標(biāo)結(jié)果可能把完整的目標(biāo)物體顯示在視圖中央（如圖3（a）所示），也可能會產(chǎn)生目標(biāo)物體不能完整顯示在攝像機視圖中（如圖3（b）所示）。通過設(shè)計2組不同的預(yù)置位點集合來分別應(yīng)用與采集和定標(biāo)2個過程，可以在不影響系統(tǒng)復(fù)雜度的前提下提高定標(biāo)精度。

圖3 預(yù)置位定標(biāo)的偏差調(diào)整

如圖4（a）所示，深色預(yù)置位點為采集時所使用的部分預(yù)置位點集，淺色預(yù)置位點作為定標(biāo)時額外使用的預(yù)置位點集。在系統(tǒng)采集初始場景信息時，使用深色預(yù)置位點足以獲取到整個場景的各部分信息，但若僅以深色預(yù)置位點為中心進行定標(biāo)，有可能使定標(biāo)視圖中的目標(biāo)無法完整顯示（虛線方框）。若在定標(biāo)時同時結(jié)合淺色預(yù)置位點進行計算，就可能提高定標(biāo)結(jié)果的精度，使目標(biāo)更完整的出現(xiàn)在攝像機中央（實線方框）。圖4（b）說明了該方法的主要流程，由于在坐標(biāo)轉(zhuǎn)換后可供分析的預(yù)置位點數(shù)增加了，PTZ攝像機在定標(biāo)空間時的可選擇點數(shù)也增多了，因此一定程度上增強了系統(tǒng)的可靠性。

圖4 預(yù)置位調(diào)整原理及流程

由于本文定標(biāo)方法是借助預(yù)置位點進行場景目標(biāo)中心的定位，如何將目標(biāo)中心歸類到正確的預(yù)置位點決定了場景定標(biāo)的精確度。若將空間點陣類比為聚類中心，對于大場景中的目標(biāo)定位，是否合理的歸類于最近的的置位點影響到定標(biāo)結(jié)果的有效性。以實驗中的拼接模板為例，取前9個點作為聚類中心點，對于大場景中的任意一點，通過人工統(tǒng)計并結(jié)合實際定標(biāo)結(jié)果，若該點經(jīng)過映射并處于視圖的中心的3/4方格區(qū)域內(nèi)，則認為該聚類是正確的，否則認為是錯誤的（如圖5所示）。利用混淆矩陣［14］（Confusion Matrix）的概念分類、統(tǒng)計和比較定標(biāo)結(jié)果的準(zhǔn)確度?；煜仃囍饕糜诒容^分類結(jié)果，可以把分類結(jié)果的精度顯示在一個矩陣之中。本文實驗中將每張拼接模板（對應(yīng)一個置位中心）等價為一個類，每一列中的數(shù)值等于測得定標(biāo)位置在分類圖象中對應(yīng)于相應(yīng)預(yù)置位點的統(tǒng)計概率，各矩陣單位中顏色的深淺程度代表了定標(biāo)到該置位點的概率的大小。

圖5 定標(biāo)分類決策

4 實驗與結(jié)果分析

本文在基于VC++6.0的開發(fā)環(huán)境下進行實驗，主監(jiān)控端為650TVL的CCD彩色攝像機，可清晰獲取場景圖像，從監(jiān)控端為紅外高速球PTZ云臺。實驗中選取了32組預(yù)置位點，其中12個預(yù)置位點作為采集點使用，20個點作為定標(biāo)輔助點使用，并在實驗室場景下結(jié)合主從攝像機進行小區(qū)域的定標(biāo)實驗，其中重構(gòu)場景效果如圖6所示，圖中的數(shù)字代表PTZ攝像機采集實驗室場景時對各個視圖區(qū)域的編號。

圖6 場景定標(biāo)匹配效果

廣角場景視圖如圖7（a）和圖7（b）所示，圖7（a）根據(jù)廣角場景和拼接場景的坐標(biāo)映射關(guān)系在場景圖7（b）中進行定位。在檢測到移動的目標(biāo)物體后，將場景中的人物中心的坐標(biāo)轉(zhuǎn)換到拼接場景的坐標(biāo)系中，PTZ攝像機根據(jù)映射得到的目標(biāo)物體坐標(biāo)信息，計算出對應(yīng)的預(yù)置位中心（見圖7（c）），完成目標(biāo)的捕獲。

圖7 場景追蹤視圖及中心偏離程度

本文中PTZ攝像機截取的圖像大小為352× 288，若該點落在264×216的視圖中心區(qū)域內(nèi)（75%），則判定該點在其對應(yīng)區(qū)域的定標(biāo)結(jié)果是合理的，在混淆矩陣中則表示為area_i映射到area_j中（其中i==j），相對應(yīng)的概率結(jié)果如圖8中深色對角線所表示的情況。

圖8 混淆矩陣偏差分類比對

從圖中矩陣可以看出，可能產(chǎn)生匹配錯誤的視圖基本是離正確的視圖在空間距離上較為接近的視圖，同時在實驗結(jié)果分析中也可得出，定標(biāo)視圖的重疊度對分類的結(jié)果也有一定影響，若拼接圖片之間的重疊區(qū)域較大，則點落在75%的區(qū)域內(nèi)的概率越高，則混淆矩陣的分類結(jié)果就越好?？傮w來說，該矩陣在一定程度上準(zhǔn)確反映了定標(biāo)算法的準(zhǔn)確度。

表2統(tǒng)計的是若干個分散目標(biāo)點進行定標(biāo)獲得的數(shù)據(jù)。廣角攝像頭根據(jù)視圖確定目標(biāo)位置并計算出重構(gòu)場景的坐標(biāo)，再進一步映射到最近的預(yù)置位點上，PTZ攝像頭根據(jù)預(yù)置位的坐標(biāo)即可調(diào)用對應(yīng)的預(yù)置位編號。實驗結(jié)果中只有1組數(shù)據(jù)無法位于定標(biāo)視圖的75%區(qū)域內(nèi)，其他點均可映射到滿足要求的位置。

表2 隨機選取目標(biāo)點計算出的定標(biāo)數(shù)據(jù)

圖9統(tǒng)計的是不同預(yù)置位點數(shù)與目標(biāo)顯示效果的統(tǒng)計示意圖。對于任一定標(biāo)視圖，令gi（0%～100%）表示每個視圖中目標(biāo)的顯示程度，則在預(yù)置位點數(shù)固定的情況下，定義gi的加權(quán)平均值G表示平均每個目標(biāo)的顯示程度。針對本文的實驗環(huán)境，當(dāng)預(yù)置位點數(shù)設(shè)置范圍處于30個～40個點的范圍內(nèi)時，平均每張視圖目標(biāo)的顯示程度在90%～95%；但是當(dāng)預(yù)置位數(shù)目較少時，平均每張視圖的顯示程度比較低，而且下降得比較快，只有40%～60%左右，說明有一半左右的視圖無法包含目標(biāo)整體；而在40個點數(shù)以上時，曲線變化趨于平緩，即基本所有視圖都可以包含到目標(biāo)整體。

圖9 預(yù)置位點數(shù)對目標(biāo)顯示程度的影響

由于預(yù)置位點的數(shù)量可靈活調(diào)整，因此本文方法對于不同場景，都可通過控制預(yù)置位點數(shù)提升系統(tǒng)的可靠性，例如針對本文中的實驗室場景時，使用32個預(yù)置位點和定標(biāo)偏差調(diào)整方法基本可以滿足監(jiān)控需求，而對于更大視角的場景（遠景）時，需要設(shè)置更多的預(yù)置位點提高定標(biāo)結(jié)果的精度。無論對于遠景還是近景，只要設(shè)置好合適的預(yù)置位點個數(shù)，就可以在多種情況下滿足實際監(jiān)控應(yīng)用的需求。

5 結(jié)束語

本文針對重疊畸變的定標(biāo)場景，結(jié)合PTZ攝像機預(yù)置位功能實現(xiàn)了一種快速的主從攝像機定標(biāo)方法。相比于一般定標(biāo)方法，避免計算了計算坐標(biāo)角度以及PTZ攝像機移動參數(shù)，且當(dāng)預(yù)置位點足夠多時，主從攝像機定標(biāo)結(jié)果的精度可以進一步提高。該方法對場景以及攝像機擺放位置的要求不高，針對不同場景設(shè)置合適的預(yù)置位點數(shù)即可使用，具有很好的適用性和可靠性。但由于每幀計算預(yù)置位點坐標(biāo)及映射過程中存在位置信息的冗余，因此，下一步研究將主要對目標(biāo)的移動軌跡進行規(guī)劃，根據(jù)軌跡預(yù)測和計算出目標(biāo)的常用預(yù)置位點，對整個定位過程進行優(yōu)化。

［1］ Belden J.Calibration of Multi-camera System s with Refractive Interfaces［J］.Experiments in Fluids，2013，52（2）：1463-1466.

［2］ Zhou Xuhui，Collins R T，Kanade T.A Master-slave System to Acquire Biometric Imagery of Humans at Distance［C］//Proceedings of ACM SIGMM International Workshop on Video Surveillance.New York，USA：ACM Press，2003：113-120.

［3］ Junejo IN，F(xiàn)oroosh H.Optimizing PTZ Cam era Calibration from Tw o Im ages［J］.Machine Vision and Applications，2012，23（2）：375-389.

［4］ 李 鈾，宋 利.基于圖像拼接的雙攝像機系統(tǒng)自動定標(biāo)方法［J］.電視技術(shù)，2010，34（4）：96-99.

［5］ Zuo Chenglin，Liu Yu，Li Yongle，et al.A Distortion Correction Algorithm for Fish-eye Panoramic Image of Master-slave Visual Surveillance System［J］.Journal Optical Review，2013，20（5）：367-373.

［6］ Bay H，Tuytelaars T，Gool L V.SURF：Speeded up Robust Features［J］.Computer Vision and Image Understanding，2008，110（3）：346-359.

［7］ 苗立剛.視頻監(jiān)控中的圖像拼接與合成算法研究［J］.儀器儀表學(xué)報，2009，30（4）：857-861.

［8］ 史延?xùn)|，劉海清，寧 飛.大視場景物非線性畸變校正的仿真［J］.計算機仿真，2011，28（7）：268-271.

［9］ Bellavia F，Tegolo D，Valenti C，et al.Im proving Harris Corner Selection Strategy［J］.IET Computer Vision，2011，5（2）：87-96.

［10］ Low e D.Distinctive Im age Features from Scale-invariant Keypoints［J］.International Journal of Computer Vision，2004，60（2）：91-110.

［11］ Fischler M A，Bolles R C.Random Sample Consensus：A Paradigm for Model Fitting with Applications to Im age Analysis and Automated Cartography［J］. Communications of the ACM，24（6）：381-395.

［12］ 孔 斌，方廷健.一種簡單而精確的徑向畸變標(biāo)定方法［J］.中國圖象圖形學(xué)報：A輯，2004，9（4）：429-434.

［13］ 石 皓，賴世銘，劉 煜，等.一種用于魚眼PTZ主從監(jiān)控系統(tǒng)的標(biāo)定方法［J］.系統(tǒng)仿真學(xué)報，2013，25（10）：2412-2417.

［14］ Luis F T，Luis C R.Video Object Matching Across Multiple Independent Views Using Local Descriptors and Adaptive Learning［J］.Pattern Recognition Letters，2009，30（2）：157-167.

編輯金胡考

Research on M aster-slave Calibration Method by PTZ Camera Under OverlaPPing and Distorted Area

HU Wei，PAN Lin
（Institute of Image and Graphics，F(xiàn)uzhou University，F(xiàn)uzhou 350100，China）

In view of the questions of insufficient coverage and lens distortion，combining with the flexible features of Pan Tilt Zoom（PTZ）and distortion processing algorithms，this paper proposes amethod for calibration by the fast and flexible feature of PTZ camera.It collects the areas respectively by using preset points，then uses algorithms to extract the region feature to splice and reconstruct，and tries to correct the distorted view of regional，makes amapping between main view and reconstruction view.It improves the calibration accuracy by using the preset positions，With a statistical of confusion matrix. The method does not have to consider the center deviation with high speed and precision to living area.Experimental results show that the proposed method can be accurate to do calibratation，With good robustness and accuracy.

overlaping region；Pan TiltZoom（PTZ）camera；distortion；calibration；presetpositions；confusionmatrix

10.3969/j.issn.1000-3428.2015.09.047

胡 瑋，潘 林.重疊畸變區(qū)域下PTZ主從攝像機定標(biāo)方法研究［J］.計算機工程，2015，41（9）：255-260.

英文引用格式：Hu Wei，Pan Lin.Research on Master-slave Calibration Method by PTZ Camera Under Overlapping Distortion Area［J］.Computer Engineering，2015，41（9）：255-260.

1000-3428（2015）09-0255-06

A

TP391.41

福建省自然科學(xué)基金資助項目（2012105116）。

胡 瑋（1989-），男，碩士研究生，主研方向：圖像處理；潘 林，講師、博士。

2014-07-16

2014-10-26 E-m ail：670130115@qq.com