車輛特征點(diǎn)3D參數(shù)估計(jì)及聚類算法研究.pdf

1、利用車輛特征點(diǎn)聚類分析車輛目標(biāo)是機(jī)器視覺領(lǐng)域一個重要應(yīng)用。目前已有的特征點(diǎn)聚類方法大都基于二維圖像平面，利用特征點(diǎn)之間的位置關(guān)系及特征點(diǎn)軌跡的運(yùn)動約束進(jìn)行聚類。這種方法在攝像機(jī)架設(shè)較高，視覺較開闊的情況下可以得到有效的聚類結(jié)果，但在攝像機(jī)架設(shè)較低、視角偏差較大、車輛擁堵較嚴(yán)重的視頻場景中，由于存在車輛遮擋、車輛粘連等現(xiàn)象，這類方法并不適用。
　　本文研究了車輛特征點(diǎn)的3D參數(shù)估計(jì)方法，并提出一種迭代的聚類算法框架，通過對特征點(diǎn)進(jìn)行

2、初聚類、精細(xì)聚類和類間合并完成聚類分析。初聚類過程中首先分析特征點(diǎn)的逆投影變換，再采用改進(jìn)的K-means聚類算法對特征點(diǎn)的逆投影點(diǎn)進(jìn)行初聚類，得到初步類別?；诔蹙垲惤Y(jié)果對特征點(diǎn)的逆投影速度和三維高度的關(guān)系進(jìn)行分析，估計(jì)特征點(diǎn)的3D參數(shù)。將3D參數(shù)與設(shè)定的車輛三維模型相匹配，對特征點(diǎn)進(jìn)行剔除和重分配，實(shí)現(xiàn)精細(xì)聚類。最后利用特征點(diǎn)的三維軌跡間運(yùn)動約束，判定兩兩類別是否屬于同一車輛目標(biāo)，完成類間合并，得到最終的聚類類別。
　　將該算