外文翻譯 --基于背景差值動態(tài)特征分組的實時目標跟蹤（譯文）

1、蘇州大學本科生畢業(yè)設計（外文文獻原文）基于背景差值動態(tài)特征分組的實時目標跟蹤 基于背景差值動態(tài)特征分組的實時目標跟蹤ZuWhan Kim加利福尼亞 PATH(Partners for Advanced Transportation TecHnology)，加州伯克利分校，加州，美國http://path.berkeley.edu/~zuwhan摘要 摘要目標檢測和跟蹤有著寬泛的應用領域，其中包括智能交通系統。我們將介紹一種將背景差值算法

2、和特征跟蹤分組算法相結合的目標檢測和跟蹤算法。首先,我們展示一種增大背景差值的算法，其使用一種低頻特征作為線索。它所獲得的背景差值線索被用來提高特征檢測和分組的結果。然后，我們將闡述一種動態(tài)多級特征分組方法，其可以被用于實時應用和提供高軌跡的質量。一些從富有挑戰(zhàn)性的交通案例的視頻剪輯中得出的實驗性結果將被展示。1.介紹和準備工作 介紹和準備工作目標檢測和跟蹤是計算機視覺中的主要研究領域。這些應用領域中，有一種叫交通傳感分析。因為攝像機比

3、大多數其他傳感器安裝起來更為廉價和容易，所以它們中的許多已被安裝于道路周邊，特別是在交通路口。由此產生的視頻圖像常被用來評估交通流量，檢測車輛、行人的信號時序，和為了安全而跟蹤車輛和行人。數十年來，已有眾多的車輛和行人檢測和跟蹤算法被提出，如[15],[19],[16],[3],[6],[9],[14],[1],[18],還有許多商業(yè)系統用以檢測車輛（如“虛擬循環(huán)檢測器” ）和行人。以上的系統（和許多其他的目標跟蹤應用）大多數是基于背景

4、差值算法。它先從一組圖像中提取出一個靜態(tài)的背景假說，然后計算出背景假說和即時圖像的區(qū)別來找出前景目標。背景差值算法需要的時間消耗較小，且在照明情況良好的時候顯示出強大的檢測能力。然而，在區(qū)分障礙物時僅僅考慮背景差值結果會導致極其復雜的問蘇州大學本科生畢業(yè)設計（外文文獻原文）其給出一種多級特征分組算法用以處理多種型號的目標，以此同時檢測旅游大巴和自行車；而且·它引入了一種能夠適用于實時應用和從不完整的特征跟蹤中產生高質量目標軌跡

5、的動態(tài)特征分組（其與之前的使用優(yōu)質長軌跡的工作截然相反） 。在[10]中,一種將背景差值和特征跟蹤結合起來的方法被發(fā)現了。Kanhere et al.借此通過假設背景差值區(qū)域的下限即是目標下限的方法，用背景差值結果為低角度攝像機估計了角特征的三維高度。雖然這樣的假設通常因遮蔽現象而失敗，但通過對多重圖像的冗余估計我們仍可以從大量的富有挑戰(zhàn)性的高速公路視頻剪輯來獲得良好的結果。然而，一些背景差值和特征跟蹤分組算法的挑戰(zhàn)依然存在，例如路口處

6、的長角軌跡和照明的變法。不僅如此，通過一幀一幀比較而來生成軌跡并不能實現高質量的軌跡。在我們的框架體系中，也包括了一種高度估計算法，以此來作為一個進一步提高結果的線索。在第 2 部分中，我們介紹了一些我們對于背景差值算法做了些擴充。特征分組算法將會在第 3 部分中加以講解。多種應用的結果將會在第 4 部分展示，而總結和前景將會在第 5 部分說明。2.背景差值 背景差值一種經典的背景差值算法對像素密度采用了卡爾曼濾波器（或α混合）以此來發(fā)

7、現背景[11]:, 𝐵𝑡 + 1 = 𝐵𝑡 + ( ∝ 1(1 ? 𝑀𝑡) + ∝ 2𝑀𝑡)𝐷𝑡(1)此處 表示在 t 時刻的背景模型， 是現在的圖像和 的差別，而 是二維 Bt Dt Bt Mt移動目標假設掩膜。這樣的方法在前景目標經常出現的情況下表現的不錯，但在背景被物體遮住