曹凱悅 阮秋琦

(1. 北京交通大學信息科學研究所，北京 100044; 2. 現(xiàn)代信息科學與網(wǎng)絡技術北京市重點實驗室，北京100044)

1 引言

無重疊視域的多攝像頭目標追蹤是計算機視覺領域的研究熱點之一，在刑偵工作等公共安全領域有著廣泛的應用。目前該項研究分為很多方向，如行人檢測[1]，目標跟蹤[2- 4]，行人再識別[5]，以及實時高效的多攝像頭協(xié)同。而實時高效的多攝像頭協(xié)同是保障一系列行人檢測等算法可以高效運行的基礎。

多攝像頭協(xié)同，即通過多個攝像頭間信息的交互，融合多攝像頭端信息，為每個攝像頭分配最適合當前環(huán)境的任務，協(xié)同完成系統(tǒng)總目標。多攝像頭結構主要分為集中，分布，混合，多層次結構。傳統(tǒng)多攝像頭結構多為集中式結構，利用C/S的軟件架構方式，通過Socket進行數(shù)據(jù)上行下行傳輸，服務器端作為決策層對攝像頭集中控制，實現(xiàn)攝像頭端的協(xié)同[6]，但該方法系統(tǒng)擴展性差，部署難度高，造成服務器端的大量運算，不能很好的滿足監(jiān)控系統(tǒng)實時性要求。在此基礎上，業(yè)界發(fā)展出很多的多攝像頭協(xié)同策略，通過分布式計算技術，將一個問題分解為許多小的部分，在不同部分間互享信息，協(xié)同解決問題。文獻[7]提出一個基于MPC(Model Predictive Controller，模型預測控制器)的多傳感器控制框架，結合特征的合作和競爭以得到最優(yōu)的傳感器協(xié)同。但是其面對復雜的監(jiān)控任務，很難有普遍適用的轉移函數(shù)，同時系統(tǒng)不能達到很好的穩(wěn)定性。文獻[8]提出了一種基于MDP(Markov Decision Process，馬爾科夫決策過程)框架的決策理論方法來控制和協(xié)調多個主動攝像機以實現(xiàn)對運動目標的觀察，但是隨著傳感器的增多，狀態(tài)空間成倍增加，很難計算最佳的決策。文獻[9]分析了在多攝像頭協(xié)同中所需的攝像頭選擇以及攝像頭間的目標交接技術，考慮幾何，統(tǒng)計及博弈論的方法，并使用集中式和分布式的計算模型提供理論和實驗的比較，總結出基于效用的博弈論更加魯棒，計算量也更小，然而該方法是集中式的，當系統(tǒng)復雜時，擴展性較差。文獻[10]研究了一類網(wǎng)絡化多智能體的主從式預測編隊控制問題，提出了一種主從式預測編隊控制架構，主動補償各通訊通道中的定常時滯，但不是所有智能體都可以進行數(shù)據(jù)交互，不能保證系統(tǒng)的實時交互。

多Agent是一種分布式人工智能技術。在文獻[11]中，Agent技術被引入VSAM(Video Surveillance and Monitoring)，將系統(tǒng)分為中央處理Agent和幾個傳感器Agent，圖形界面Agent等，傳感器Agent利用背景減除法進行運動目標檢測，中央處理Agent進行數(shù)據(jù)融合，作為決策層。但其主要操作均在中央處理Agent完成，沒有很好的發(fā)揮多Agent的分布式計算優(yōu)勢。文獻[12]從智能體驅動層，感知層，控制層和通信系統(tǒng)出發(fā)設計智能體，實現(xiàn)復雜系統(tǒng)的信息共享，協(xié)同合作，但仍為主從結構的協(xié)同控制模式。

本文針對多攝像頭協(xié)同的實時高效性需求，利用多Agent系統(tǒng)實現(xiàn)分布式人工智能，提出并設計了一種基于多Agent的多攝像頭目標軌跡追蹤方法。提出了一種多Agent代理多攝像頭系統(tǒng)的BDI模型，使每個攝像頭都成為可根據(jù)外界及自身信息自主決策當前狀態(tài)改變的智能體，構造了完全分布式的多Agent通信形式以及狀態(tài)控制過程。利用JADE(Java Agent Development Framework)[13]進行本文的基于多Agent的多攝像頭系統(tǒng)的搭建，有效的實現(xiàn)了多個攝像頭的協(xié)同合作，克服了多個攝像頭之間信息無法進行及時交互，狀態(tài)無法及時準確更新的困難，為系統(tǒng)實現(xiàn)實時的目標追蹤提供了條件。

2 多Agent系統(tǒng)

2.1 多Agent系統(tǒng)

Agent即智能體，可以作為某一環(huán)境下的實體，在感知外界環(huán)境以及接收外界消息的同時，可以依據(jù)自身知識做出判斷，從而對環(huán)境做出最合適的反應，或者向外界發(fā)送消息。多個Agent可以通過特定的通信機制形成一個多Agent系統(tǒng)。

多Agent系統(tǒng)起源于分布式人工智能，是由多個Agent組成的以求解問題為目的的分布式智能系統(tǒng)。系統(tǒng)中的每個Agent都是具有自治性、社會性、反應性、能動性等性質的獨立的智能個體，同時具備一些人類的特性，如知識、信念、意圖等[13]。Agent的知識模型用BDI(Belief、Desire、Intention)模型進行表示。

關于BDI模型詳細介紹的文獻有很多[14-16]。簡單概括為，信念是對自身以及外界環(huán)境的知識。愿望代表Agent期望達到的或者期望保持的狀態(tài)[16]。意圖是當前最需要或者最適合完成的一個愿望，是當前Agent將要實現(xiàn)的目標。通過對BDI模型的設置，可以使得Agent更加智能化，目的性更加明確，進而更好的選擇最合適的狀態(tài)來匹配當前系統(tǒng)的狀況。

多Agent系統(tǒng)在多攝像頭監(jiān)控中的應用，21世紀初就有學者進行相關研究，但對于其具體設計各有不同。例如，文獻[17]中將目標跟蹤的算法封裝在追蹤Agent中，自主決定什么時候轉到下一個智能攝像頭進行追蹤等。

2.2 多Agent系統(tǒng)通信

FIPA(The Foundation for Intelligent Physical Agents)[13]對Agent平臺應為系統(tǒng)提供的若干服務進行了定義，如圖1為基于FIPA規(guī)范下Agent的管理參考模型。圖1所示的消息傳輸服務，為不同Agent之間的通信提供了ACL(Agent Communication Language)[13]消息交互機制。

圖1 Agent管理參考模型

在Agent通信中，每一條通訊消息都是繼承自JADE下ACLMessage類的一個對象，包含一系列消息屬性(FIPA定義)，本文主要包含消息發(fā)送者、消息接收者、消息原語(如REQUEST表示發(fā)送方請求接收方執(zhí)行某種操作)、消息的具體內容等。圖2為兩個本文用到的ACL消息示例。(a)為QUERY-IF類，用于查詢目標，(b)為INFORM類，用于通知目標狀態(tài)。

圖2 ACL Message示例

一般利用一個Behaviour類處理發(fā)送給Agent的所有消息。但是大量的消息會影響Agent間的實時通信。因此，為了更好的對消息進行有效過濾，本文使用JADE提供的消息模板MessageTemplate類和接收方法，該接收方法將消息模板作為參數(shù)，并且只返回與消息模板匹配的消息。MessageTemplate類利用消息模板(MessageTemplate)可針對ACLMessage的每個屬性設置過濾條件，從而進行消息過濾，屬性模式包括通信行為、發(fā)送者等。

例如，建立一個模板MessageTemplate類，消息匹配規(guī)則為：消息原語是INFORM并且消息的發(fā)送者是coor，代碼如圖3所示。

圖3 MessageTemplate模板消息示例

3 基于多Agent的多攝像頭目標追蹤系統(tǒng)設計

3.1 系統(tǒng)分析

多攝像頭目標追蹤系統(tǒng)，其目的是實現(xiàn)對某一感興趣目標的持續(xù)追蹤。在該過程中，難免會面臨目標從當前攝像頭消失并出現(xiàn)在其他攝像頭的情況。因此，如何保證在目標交接過程中攝像頭快速調整狀態(tài)并完成目標的追蹤是本文的重點。

本文利用Agent代理攝像頭(camera-agent)，自主感應外界環(huán)境變化、接收外界信息，通過結合自身的先驗知識來調整成為適應當前目標狀況的最佳狀態(tài)，從而更好地完成對目標持續(xù)追蹤任務?；诙郃gent的多攝像頭協(xié)同框架設計如圖4，攝像頭端作為獨立的智能個體，借助多Agent技術的分布式計算，可以實現(xiàn)攝像頭端的分布式處理。通過攝像頭之間快速地信息交互，無需第三方主Agent媒介，及時得到目標狀態(tài)變化，從而迅速調整狀態(tài)，完成目標交接過程，從而實現(xiàn)持續(xù)追蹤的目的。

圖4 基于多Agent系統(tǒng)的多攝像頭追蹤系統(tǒng)結構

本文的多Agent系統(tǒng)在結構上主要利用了其自主性與協(xié)作性[13，18]，包括單Agent層的自主反應以及多Agent層的信息交互等。在單Agent層：單個camera-agent可以對該區(qū)域目標進行獨立的檢測跟蹤，根據(jù)目標狀態(tài)可自主決策當前camera-agent所需進入的行為狀態(tài)；多Agent層：多個camera-agent之間通過信息交互，融合外界環(huán)境信息，并結合自身知識，及時更新每個攝像頭端的內部狀態(tài)，對從當前camera-agent視域消失的目標聯(lián)合搜尋，達到全局的目標追蹤目的。

camera-agent為了適應目標狀態(tài)的改變，須通過自身知識調節(jié)其內部狀態(tài)，從而更好地完成目標追蹤任務。其知識結構即BDI模型設計如下：

1)Belief:分為兩個模塊，第一個是關于camera的Belief，,即關于camera標識號，camera的位置，鄰域，以及當前camera內的目標編號。第二個是關于目標的Belief，,即目標編號，目標特征，目標當前狀態(tài)。目標特征可以是用來識別目標的特征，可以是多個特征的融合，比如HSV顏色直方圖特征，ORB特征點等。目標狀態(tài)主要為兩種狀態(tài)，即正在搜索中，以及正在camera-n中被跟蹤。

2)Desire:由多Agent代理的多攝像頭系統(tǒng)的最終目標是對目標進行持續(xù)追蹤，即保持目標狀態(tài)為在該系統(tǒng)中被跟蹤。

Objectwithisinthestateof

3)Intention:camera-agent有兩個基本的意向，即通知鄰域camera-agent協(xié)作實現(xiàn)對指定目標的搜尋，以及對目標進行持續(xù)跟蹤。該系統(tǒng)中Agent的Intention為該camera-agent當前的運行計劃。對目標進行追蹤，首先需要向鄰域發(fā)送搜尋信號，然后執(zhí)行搜尋計劃，最后將搜尋結果發(fā)回camera-agent及coor-agent，具體設計如圖5。

[track, [[send-to-neighbor],[search-object, [detect]], [send-to-neighbor]]]

圖5 系統(tǒng)意圖計劃圖

3.2 Agent內部狀態(tài)

單Agent層視頻采集部分采用海康威視系列板卡，獲取原始的YUV422格式數(shù)據(jù)。預處理部分將采集到的YUV格式數(shù)據(jù)轉化為RGB格式，并調整其尺寸，便于后續(xù)處理。Agent狀態(tài)主要分為目標檢測，目標跟蹤，目標搜尋三種狀態(tài)。三種狀態(tài)下對應的算法具體設計如圖6。

圖6 單攝像頭端的算法實現(xiàn)

目標檢測部分，由于本文研究目的為針對行人的追蹤，因此該部分動作為基于ViBe運動目標檢測的DPM行人檢測方法。利用ViBe運動目標檢測部分分割出前景區(qū)域，并通過DPM特征進行行人識別，判斷該前景區(qū)域是否為行人。

目標識別部分，即多攝像頭在目標交接過程中涉及的跨攝像頭行人關聯(lián)，融合了基于HSV直方圖以及感知哈希特征作為特征粗匹配階段，而ORB特征點匹配作為精確匹配階段，該部分作為目標搜尋狀態(tài)下的動作行為。

目標跟蹤部分，嵌入結合了卡爾曼濾波模塊的CamShift算法實現(xiàn)對目標更好的跟蹤。

由這些算法構成的Agent內部的目標檢測、目標跟蹤、目標搜尋三個模塊，其狀態(tài)轉移如圖7所示。在本文BDI模型的基礎上，Agent通過結合外界環(huán)境信息與自身知識自主決策在當前的追蹤過程中，自身需要達到的狀態(tài)。將視頻算法嵌入到接收消息的CyclicBehaviour中，可以實現(xiàn)視頻處理和信息的實時交互。

圖7 Agent內部狀態(tài)轉移圖

Step1camera-agent進行正常監(jiān)控，開啟檢測功能，若收到來自其他camera-agent的目標查詢請求，轉為目標搜尋狀態(tài)；

Step2搜尋到目標，轉為目標跟蹤狀態(tài)，并通知其他camera-agent；

Step3目標從當前攝像頭的視域消失，當前camera-agent轉為目標搜尋狀態(tài)，并向其他camera-agent發(fā)送目標查詢請求；

Step4目標在該camera-agent中搜尋成功，開啟目標跟蹤模式，轉至Step2；若收到其他camera-agent的搜尋成功通知，則恢復目標檢測狀態(tài)，轉至Step1。

3.3 多Agent協(xié)同過程

本系統(tǒng)通信過程中主要運用了兩種消息原語形式，QUERY-IF和INFORM形式。如圖8所示。

圖8 追蹤目標過程中Agent之間的通信過程

1. 目標在當前攝像頭丟失，向鄰域camera-agent發(fā)送QUERY-IF查詢消息；向信息管理Agent(coor)發(fā)送目標狀態(tài)更新通知；同時將自身的狀態(tài)轉為目標搜尋狀態(tài)。

2. 目標在當前攝像頭搜尋成功，向其他camera-agent發(fā)送INFORM消息，通知其停止目標搜尋，恢復正常監(jiān)控狀態(tài)；向信息管理Agent(coor)發(fā)送目標狀態(tài)更新通知；將自身狀態(tài)轉為目標跟蹤狀態(tài)。

4 JADE平臺系統(tǒng)搭建

4.1 系統(tǒng)實現(xiàn)

圖9為該系統(tǒng)實驗環(huán)境的搭建，安裝三個無重疊視域的攝像頭。用三個Agent分別代理三個攝像頭，每個Agent均繼承了JADE下的Agent類， setup()方法啟動Agent并對其進行初始化。在Behaviour類中對Agent的具體行為進行實現(xiàn)，并將事件處理添加在該類下的action()方法中。如圖10，為JADE運行的圖形界面，camera1，camera2，camera3分別為三個攝像頭，coor為信息管理Main Agent，sniffer為監(jiān)視器，可以在Agent傳遞消息時實時地捕獲消息，從而獲得整個追蹤過程中的詳細通信情況。

圖10 本實驗多Agent界面

針對上一節(jié)中的系統(tǒng)細節(jié)設計，本文利用Java語言結合JADE開源框架實現(xiàn)多Agent系統(tǒng)框架的開發(fā)，同時，利用C語言結合OpenCV開源視覺庫實現(xiàn)該系統(tǒng)的底層視頻算法，并通過JNI技術嵌入單Agent模塊作為其Agent的行為動作。圖11列列舉了Agent接收消息部分主要代碼。

圖11 接收消息部分代碼

4.2 實驗結果

如圖12為實驗環(huán)境下待追蹤目標的行走軌跡。當待追蹤目標首先出現(xiàn)在Camera3視域時，Camera3開啟對該目標的實時跟蹤，通知其他camera-agent停止對該目標的搜尋，同時將目標狀態(tài)以INFORM消息的形式上傳到信息管理 Agent(coor-agent)，在Main端創(chuàng)建目標軌跡。當目標走出Camera3視域，Camera3會向鄰域發(fā)送QUERY-IF消息對其進行搜尋，同時將目標狀態(tài)以INFORM消息的形式上傳到管理Agent(coor-agent)，管理端更新目標軌跡。同理，進入Camera2，Camera1，Camera2，Camera3。圖13為實驗過程中部分截圖?？梢钥吹?，在多個攝像頭可以實現(xiàn)對系統(tǒng)感興趣目標的持續(xù)追蹤，同時不會受到外來目標的干擾。

圖12 實驗環(huán)境中目標行走路徑

實驗過程中Sniffer-Agent捕捉的多個Agent間詳細的通信過程如圖14，可以看到整個目標追蹤過程中信息的交互情況。

圖13 實驗室搭建的三個攝像頭系統(tǒng)追蹤過程圖片

最終的目標追蹤結果以表格形式進行表達，time表示幀數(shù)，camera為目標經(jīng)過的攝像頭，in/out為進入或者離開當前攝像頭，值為1時對應進入攝像頭狀態(tài)，如圖15?？梢?，多個攝像頭通過多Agent可以實現(xiàn)很好的信息交互，協(xié)同追蹤。

4.3 結果分析

本文的基于多Agent的多攝像頭協(xié)同系統(tǒng)，旨在為目標追蹤提供一個實時高效的多攝像頭協(xié)同。表1比較了該系統(tǒng)與文獻[18]中的多Agent系統(tǒng)的結構，以及通信等方面的不同之處。本文為完全分布式的通信結構，多Agent間的通信無需通過主Agent端的處理進行傳遞。camera-agent作為視頻處理層，決策層，可以直接通信。本方法縮短了多個攝像頭端通信所需的時間消耗，同時將視頻處理以及決策的任務下發(fā)到攝像頭端，可以更好的發(fā)揮基于多Agent系統(tǒng)的分布式計算的優(yōu)勢。

圖14 Sniffer Agent捕獲的消息傳遞過程

圖15 目標追蹤路徑

MAS結構視頻處理層決策層通信方式MAS[18]集中式Camera CoorCoor間接通信本文分布式CameraCamera直接通信

針對本實驗室采集的視頻進行測試，實驗結果如上節(jié)所示。將本文系統(tǒng)與文獻[18]中的多Agent系統(tǒng)的攝像頭端的通信延遲以及對目標的追蹤率進行比較，如表2?？梢钥闯?，本文系統(tǒng)的多個攝像頭交互可以縮短上一個攝像頭消失到攝像頭開啟搜尋模式過程所需的時間，縮小通信的延遲。因此，本文可以實現(xiàn)更加快速的通信，保證攝像頭狀態(tài)的及時更新，有效提高了目標追蹤的準確率。

表2 算法準確率對比

5 結論

在本文中，我們設計了一種基于多Agent的多攝像頭的目標軌跡追蹤框架，針對該系統(tǒng)提出其適應目標追蹤任務的BDI模型，使其成為可根據(jù)外界環(huán)境及自身知識進行自主決策的智能體，構造了完全分布式的多Agent通信形式，以及自主決策控制過程。通過構造多Agent的系統(tǒng)框架及每個Agent內部結構，多個攝像頭之間可以實現(xiàn)快速高效的信息交互及協(xié)同控制。利用JADE平臺，開發(fā)了一套三個攝像頭的簡單追蹤系統(tǒng)，可以對單目標進行持續(xù)的跟蹤。該方法縮短了系統(tǒng)通信的延遲，使得攝像頭狀態(tài)及時更新，提高了目標追蹤率。因此，本文的將多Agent系統(tǒng)應用在多攝像頭目標追蹤中的方法是可行且高效的。

本文的優(yōu)化方向包括目標檢測、目標跟蹤、跨攝像頭行人關聯(lián)等計算機視覺類算法的優(yōu)化以及多攝像頭協(xié)同方向的改進。計算機視覺算法方向，包括對算法實時性及準確率的不斷提升，如識別模塊添加更有辨識度的人臉特征、跟蹤模塊添加角點特征等。多攝像頭協(xié)同方向，考慮在本文研究基礎上添加對攝像頭時空模型的自動學習模塊，包括進出口分布模型、路徑關系、轉移時間概率等，通過實際環(huán)境下采集的數(shù)據(jù)無監(jiān)督學習到攝像頭的知識模型，以便更好地進行目標搜尋。

[1] 湯義, 黃建軍, 賴勉力. 模板自適應的積分通道特征行人檢測算法[J].信號處理, 2016, 32(9):1009-1014.

Tang Yi, Huang Jianjun, Lai Mianli. Template Adaptively Integral Channel Feature Algorithm for Pedestrian Detection[J]. Journal of Signal Processing, 2016, 32(9):1009-1014. (in Chinese)

[2] Valmadre J, Bertinetto L, Henriques J, et al. End-to-End Representation Learning for Correlation Filter Based Tracking[C]∥IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,2017:5000-5008.

[3] 封萬里, 岑翼剛, 王艷紅,等. 特征在線更新與加權的壓縮跟蹤算法[J]. 信號處理, 2017, 33(4):533-539.

Feng Wanli, Cen Yigang, Wang Yanhong, et al. Compressive Tracking Based on Online Feature Updating and Weighting[J]. Journal of Signal Processing, 2017,33(4):533-539. (in Chinese)

[4] 馮星辰, 阮秋琦. 行人跟蹤的多特征融合算法研究[J]. 信號處理, 2016, 32(11):1308-1317.

Feng Xingchen, Ruan Qiuqi. The Research for Pedestrian Tracking Algorithm with Multi-feature Fusion[J]. Journal of Signal Processing, 2016,32(11):1308-1317. (in Chinese)

[5] Rahbi M S A, Edirisinghe E, Fatima S. Multi-agent based framework for person re-identification in video surveillance[C]∥Future Technologies Conference. IEEE, 2017:1349-1352.

[6] 熊江江, 朱民耀. 多攝像頭協(xié)同跟蹤機制的研究與實現(xiàn)[J]. 電視技術, 2011, 35(7):98-100.

Xiong Jiangjiang，Zhu Minyao. Research and Realization of Collaborative Tracking Mechanism with Multi-Camera[J]. Video Application&Project, 2011, 35(7):98-100. (in Chinese)

[7] Singh V K, Atrey P K, Kankanhalli M S. Coopetitive multi-camera surveillance using model predictive control[J]. Machine Vision & Applications, 2008, 19(5- 6):375-393.

[8] Natarajan P, Low K H, Kankanhalli M. Decision-theoretic approach to maximizing fairness in multi-target observation in multi-camera surveillance[C]∥International Conference on Autonomous Agents and Multi-Agent Systems. International Foundation for Autonomous Agents and Multiagent Systems, 2014:1521-1522.

[9] Li Y, Bhanu B. A Comparison of Techniques for Camera Selection and Hand-Off in a Video Network[C]∥ACM/IEEE International Conference on Distributed Smart Cameras. IEEE, 2009:1- 8.

[10] 張?zhí)煊? 劉國平. 網(wǎng)絡化多智能體主從式預測編隊控制[J]. 控制與決策, 2017, 32(10):1864-1870.

Zhang Tianyong, Liu Guoping. Slave Predictive Formation Control of Networked Multi-agents[J]. Control and Decision,2017,32(10) :1864-1870. (in Chinese)

[11] Abreu B, Botelho L, Cavallaro A, et al. Video-based multi-agent traffic surveillance system[C]∥Intelligent Vehicles Symposium. IEEE, 2000:457- 462.

[12] 陳善星. 實時視覺伺服跟蹤及多智能體協(xié)同控制[D]. 廣州：華南理工大學, 2016.

Chen Shanxing. Real-time Visual Servo Tracking and Multi-agent Coordination Control[D]. Guangzhou: South China University of Technology, 2016.(in Chinese)

[13] 王嬋. 多攝像機無重疊視野域的目標跟蹤[D]. 北京：北京交通大學, 2014.

Wang Chan. object Tracking with Multiple Non-overlapping Cameras[D]. Beijing: Beijing Jiaotong University, 2014. (in Chinese)

[14] 康小強, 石純一. 基于BDI的多Agent交互[J]. 計算機學報, 1999, 22(11):1166-1171.

Kang Xiaoqiang, Shi Chunyi. Multi-agent Interaction Based on BDI[J]. Chinese Journal of Computers, 1999, 22(11):1166-1171. (in Chinese)

[15] 趙國榮. Agent的信念、愿望、意圖模型[J]. 科技信息, 2008(35):186-187.

Zhao Guorong. Belief-desire-intention Model of Agent[J]. Science & Technology Information, 2008(35):186-187. (in Chinese)

[16] 張哲. 基于BDI模型的多Agent交互[D]. 廣州：中山大學, 2010.

Zhang Zhe. The communication of MultipIe Agents based on BDl modeI[D]. Guangzhou: Sun Yat-sen University, 2010. (in Chinese)

[17] Bramberger M, Quaritsch M, Winkler T, et al. Integrating multi-camera tracking into a dynamic task allocation system for smart cameras[J]. Int’l Conf.advanced Video & Signal Based Surveillance.Italy:IEEE,2005:474- 479.

[18] 張丹. 基于Agent和最優(yōu)搜索理論的多攝像機協(xié)同跟蹤[D]. 北京：北京交通大學, 2016.

Zhang Dan. Cooperative Tracking with Multiple Cameras Based on Agent and Optimal Search Theory[D]. Beijing:Beijing Jiaotong University, 2016. (in Chinese)

[19] Chalmers S, Gray P M D. Bdi agents and constraint logic[J]. AISB Journal, 2001, 1(1):21- 40.

[20] Somhorst M. Multi-camera video surveillance system[D]. Netherlands: The University of Technology Delft, 2012.

[21] Marcenaro L, Oberti F, Foresti G L, et al. Distributed architectures and logical-task decomposition in multimedia surveillance systems[J]. Proceedings of the IEEE, 2001, 89(10):1419-1440.

[22] Matsuyama T, Ukita N. Real-time multitarget tracking by a cooperative distributed vision system[J]. Proceedings of the IEEE, 2002, 90(7):1136-1150.

[23] Hwang C L, Shih C Y. A Distributed Active-Vision Network-Space Approach for the Navigation of a Car-Like Wheeled Robot[J]. IEEE Transactions on Industrial Electronics, 2009, 56(3):846- 855.

[24] Bustamante A L, Molina J M, Patricio M A. A practical approach for active camera coordination based on a fusion-driven multi-agent system[J]. International Journal of Systems Science, 2014, 45(4):741-755.