運(yùn)動車輛檢測與跟蹤方法研究與實(shí)現(xiàn).pdf

1、隨著檢測與跟蹤運(yùn)動物體的技術(shù)在公共場所安全、智能交通監(jiān)控、軍事等方面的應(yīng)用越來越廣泛，其已作為當(dāng)今至未來計(jì)算機(jī)視覺領(lǐng)域的一個不斷研究的熱點(diǎn)，這就使得越來越多的科研人員不斷地聚焦于該項(xiàng)技術(shù)。其中，運(yùn)動車輛的檢測與跟蹤屬于現(xiàn)代智能交通的核心部分，但是由于存在光照變化、物體遮擋、相似物體干擾等諸多因素的影響，降低了現(xiàn)有算法在實(shí)際環(huán)境應(yīng)用中的實(shí)時性和準(zhǔn)確率。因此，研究一種高效率的運(yùn)動車輛檢測和跟蹤算法具有極大的挑戰(zhàn)性。本文在總結(jié)和分析現(xiàn)有的車輛

2、檢測和跟蹤技術(shù)的基礎(chǔ)上，根據(jù)現(xiàn)實(shí)環(huán)境中存在的不同干擾因素，分別提出對應(yīng)的車輛檢測和跟蹤算法。
　　在運(yùn)動車輛檢測方面，通過實(shí)驗(yàn)分析了四種常用的檢測算法:幀間差分法、平均背景差分法、光流法、混合高斯法，總結(jié)出它們自身的優(yōu)缺點(diǎn)。然后針對它們的不足，提出一種基于codebook的運(yùn)動車輛檢測算法。通過對原始模型和顏色空間的分析，將原來需要計(jì)算的三個顏色通道減少為一個顏色通道，舍去三個無關(guān)的時間和次數(shù)變量，用亮度之間的差值代替最大、最小的

3、亮度值，引入codeword的權(quán)重，刪除或者變換一些不必要的參數(shù)，使得該檢測算法在較高準(zhǔn)確率的基礎(chǔ)上加快了處理速度。最后，利用陰影與車體區(qū)域的亮度大小差異來設(shè)置分割閾值，從而消除陰影，為后續(xù)的跟蹤提供更加準(zhǔn)確的目標(biāo)區(qū)域。
　　在運(yùn)動車輛跟蹤方面，針對傳統(tǒng)的基于顏色特征的Cam Shift算法容易受到光照變化、相似顏色背景等環(huán)境因素的干擾而無法有效地跟蹤動態(tài)目標(biāo)的問題，提出一種基于顏色和紋理融合的Cam Shift跟蹤算法，即將局部

4、三值模式(LTP)作為目標(biāo)的紋理特征，與HSV(hue，saturation，value)顏色特征相結(jié)合，建立目標(biāo)模型，有效地提高了Cam Shift跟蹤算法的準(zhǔn)確性。在實(shí)際應(yīng)用過程中，針對實(shí)際環(huán)境中存在遮擋物和相似物的干擾問題，提出一種Kalman濾波與改進(jìn)的Cam Shift算法相結(jié)合的方法。利用Kalman濾波產(chǎn)生的預(yù)測值和CamShift算法產(chǎn)生的測量值，形成一種基于Kalman濾波的Cam Shift的跟蹤算法，有效地克服了這