運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤技術(shù)研究.pdf

1、運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)作為圖象處理技術(shù)與計(jì)算機(jī)視覺(jué)領(lǐng)域中的熱點(diǎn)課題，廣泛應(yīng)用于醫(yī)學(xué)檢測(cè)、軍事打擊、運(yùn)動(dòng)編碼、智能監(jiān)控等領(lǐng)域。隨著這方面算法研究的不斷創(chuàng)新，目標(biāo)檢測(cè)與跟蹤技術(shù)的實(shí)用價(jià)值也越來(lái)越高。
　　智能交通系統(tǒng)（ITS）作為最早將該門(mén)技術(shù)應(yīng)用于實(shí)際生活的領(lǐng)域之一，其長(zhǎng)遠(yuǎn)發(fā)展卻因?yàn)闄z測(cè)與跟蹤技術(shù)的一些局限性而受到限制。智能交通監(jiān)控系統(tǒng)需要24小時(shí)不間斷工作，目前傳統(tǒng)的檢測(cè)與跟蹤算法無(wú)法滿足系統(tǒng)對(duì)實(shí)時(shí)性和準(zhǔn)確度的要求，同時(shí)，夜間的低

2、照度情況也使得監(jiān)控系統(tǒng)幾乎無(wú)法工作。本文以智能交通系統(tǒng)中的主要對(duì)象——車(chē)輛的檢測(cè)跟蹤作為研究?jī)?nèi)容，以解決智能交通系統(tǒng)實(shí)際應(yīng)用中存在的問(wèn)題。
　　在運(yùn)動(dòng)目標(biāo)檢測(cè)方面，通過(guò)傳統(tǒng)檢測(cè)方法的學(xué)習(xí)，提出一種基于改進(jìn)的Adaboost算法和幀間差分法的檢測(cè)方法。采用汽車(chē)樣本的Haar-like特征訓(xùn)練級(jí)聯(lián)分類器，通過(guò)三幀差分法得到二值化掩碼圖像，去除干擾噪聲后尋找連通域重建前景掩碼圖；加載分類器在當(dāng)前幀的前景區(qū)域中做多尺度檢測(cè)。對(duì)于夜間等低照

3、度情況下車(chē)輛特征提取困難的情況，采用Gamma變換對(duì)低照度情況下的圖像進(jìn)行處理，以保證檢測(cè)系統(tǒng)在低照度下的檢測(cè)率。本文所使用的車(chē)輛檢測(cè)方法可以很好地減少每幀檢測(cè)時(shí)間，并能很大程度地降低誤檢測(cè)率，對(duì)車(chē)輛陰影及外界的干擾有很好的抑制效果，在車(chē)輛相互遮擋不太嚴(yán)重的情況下，能改觀車(chē)輛粘連的問(wèn)題。檢測(cè)模塊為后續(xù)的車(chē)輛跟蹤提供更多的時(shí)間和更精準(zhǔn)的數(shù)據(jù)。
　　在運(yùn)動(dòng)目標(biāo)跟蹤方面，首先介紹了卡爾曼濾波跟蹤、粒子濾波跟蹤以及Mean Shift跟蹤

4、的相關(guān)理論。其次在分析了HOG特征的基礎(chǔ)上提出一種新的特征用于車(chē)輛跟蹤。本文使用結(jié)合卡爾曼濾波器的Mean Shift跟蹤算法，一方面解決了Mean Shift在跟蹤運(yùn)動(dòng)目標(biāo)只能使用固定大小窗口的問(wèn)題，另一方面克服了卡爾曼濾波器對(duì)模型依賴性強(qiáng)，跟蹤不準(zhǔn)，魯棒性欠缺等問(wèn)題，而且使用針對(duì)車(chē)輛而改進(jìn)的HOG特征作為特征跟蹤的依據(jù)，節(jié)省了計(jì)算量，增加對(duì)特定目標(biāo)的特性描述，使得整個(gè)跟蹤系統(tǒng)在速度、精度和尺度變化等方面的性能均有所提升。