主动视觉

计算机视觉的一个领域是主动视觉，有时也称为主动计算机视觉。主动视觉系统是一个可以操纵摄像机视角的系统，以调查环境并从中获得更好的信息。

早在二十年前，人们就开始对主动摄像系统感兴趣。从20世纪80年代末开始，Aloimonos等人提出了第 一个主动视觉的总体框架，以提高跟踪结果的感知质量。

主动视觉对于应对诸如遮挡、有限的视场和有限的相机分辨率等问题尤为重要。其他的优势可以是减少移动物体的运动模糊，并通过将两台摄像机聚焦在同一物体上或移动摄像机来增强物体的深度感知。主动控制摄像机的视点也有助于将计算资源集中在场景的相关元素上。

在这种选择性方面，主动视觉可以被看作是与生物体内的（公开和隐蔽的）视觉注意力严格相关的，它已被证明可以增强对视野中选定部分的感知。

人类（主动）视觉的这种选择性可以很容易地与人眼的眼窝结构联系起来，在大约5%的视网膜上有超过50%的颜色感受器。

也有人认为，视觉注意力和主动相机控制的选择性可以帮助完成其他任务，如用较少的标记样本或自主地学习更强大的物体和环境模型。

自主摄像机方法自主摄像机是可以在其环境中引导自己的摄像机。最近有一些使用这种方法的工作。

在Denzler等人的工作中，被跟踪物体的运动是用卡尔曼滤波器建模的，而使用的焦距是使状态估计的不确定性最小化的焦距，使用了带有两个变焦相机的立体装置。

为数不多的论文是为变焦控制而写的，并没有涉及到物体-摄像机的总位置估计。

在Bagdanov等人的工作中，可以发现在同一框架中加入估计和控制的尝试，其中使用了一个Pan-Tilt-Zoom相机来跟踪人脸。所用的估计和控制模型都是临时性的，而且估计方法是基于图像特征而不是被跟踪目标的三维属性。

在主/从配置中，一个监督性的静态摄像机被用来xxx一个宽阔的视野，并跟踪每个感兴趣的移动目标。然后将这些目标中的每一个随时间变化的位置提供给凹面相机，该相机试图以更高的分辨率观察这些目标。

静态摄像机和主动摄像机都被校准到一个共同的基准上，因此，来自其中一个的数据可以很容易地投射到另一个上，以便协调主动传感器的控制。

主/从方法的另一种可能的使用包括静态（主）相机提取感兴趣的物体的视觉特征，而主动（从）传感器使用这些特征来检测所需的物体，而不需要任何训练数据。

近年来，人们对建立主动摄像机和可选静态摄像机的网络越来越感兴趣，这样就可以覆盖大片区域，同时保持对多个目标的高分辨率。这最终是主/从方法或自主摄像机方法的放大版本。

这种方法可能非常有效，但成本也高得惊人。不仅涉及多个相机，而且你还必须让它们相互通信，这可能是计算上的昂贵。

受控主动视觉可以被定义为视觉传感器的受控运动，可以使任何涉及移动视觉传感器的机器人算法的性能最大化。它是控制理论和传统视觉的混合体。

这个框架的一个应用是围绕静态或移动的任意3-D物体的实时机器人伺服。结合使用多个窗口和数值稳定的置信度量的算法与随机控制器相结合，以便为计算机视觉和控制相结合引入的跟踪问题提供满意的解决方案。在存在不准确的环境模型的情况下，可以引入自适应控制技术。

主动视觉系统的例子通常涉及一个安装在机器人上的摄像机，但其他系统也采用了人类操作员安装的摄像机（又称可穿戴设备）。应用包括自动监 视、人类机器人互动（视频）、SLAM、路线规划等。