復雜環(huán)境下視頻運動目標跟蹤算法研究.pdf

1、在過去的十幾年里，目標跟蹤系統(tǒng)已經得到了廣泛的關注，其中基于視覺的目標跟蹤系統(tǒng)尤為突出。然而，基于視覺的目標跟蹤是非常具有挑戰(zhàn)性的。例如，需要跟蹤目標通常具有不同的速度、形狀、尺寸、角度和顏色，目標的外觀還受到目標的姿態(tài)以及它周圍目標物的影響。同時，目標的遮擋和光照條件的不同也改變了目標的整個外觀。 本文總結了多年來目標跟蹤系統(tǒng)中所應用的基于視頻的跟蹤算法，并分析了各種跟蹤算法的特點。同時，對基于圖像信息的相關跟蹤算法進行大量試

2、驗。其中主要包括基于方向紋理模板和基于距離變換的邊緣匹配的目標跟蹤算法?；诜较蚣y理模板依據鄰域內像素灰度變化的趨勢分別提取水平、垂直方向二值化的圖像紋理矩陣，然后根據定義的相似性判別準則，分別度量水平、垂直兩個方向二值化圖像矩陣之間的相關置信度。基于距離變換的邊緣匹配方法，采用拆分模板、多子模板以及動態(tài)更新模板的策略進行序列圖像中目標跟蹤的算法研究。 本文針對安裝在運動車輛上的單個CCD攝像機實時采集的可見光圖像，提出了一種基

3、于分類的多模式車輛跟蹤算法。按照被跟蹤車輛的運行情景(被跟蹤車輛在圖像中的位置，被跟蹤車輛之間的相互位置關系，光照條件等)進行分類，將車輛分為正常行駛狀態(tài)、遮擋狀態(tài)、消失狀態(tài)和光照異常狀態(tài)等四種狀態(tài)。對于不同狀態(tài)的車輛采用相應的跟蹤方法：對于正常行駛狀態(tài)下的車輛，采用基于邊緣特征的定位與模板匹配定位相結合的跟蹤方法。同時，結合這兩種定位方法的特點，提出了一種基于相似性準則的模板更新策略：對于遮擋狀態(tài)的車輛，采用切割分塊模板實現對目標的跟

4、蹤；對于消失狀態(tài)的車輛，采用逆轉模板和預估遞減模板進行跟蹤；對于處于光照異常狀態(tài)下的車輛，提出一種‘暗中更暗’的方法定位車輛的下邊緣，對其它邊的定位則利用邊緣檢測的方法。為了提高匹配速度，采用了改進的金字塔搜索算法進行加速。實驗結果顯示，多模式車輛跟蹤算法具有較好的匹配精度和實時性。 多模式車輛跟蹤算法已經實現并應用于車輛跟蹤系統(tǒng)中。該算法在包括不同天氣，不同光照等評估條件下，都能夠很好地跟蹤車載攝像機拍攝的圖像序列中的車輛。實