交通環(huán)境目標(biāo)跟蹤.pdf

1、多目標(biāo)跟蹤是智能交通系統(tǒng)中最重要的模塊,它是實(shí)現(xiàn)交通監(jiān)控智能化和其他視覺領(lǐng)域?qū)崟r(shí)應(yīng)用的關(guān)鍵所在。傳統(tǒng)跟蹤方法通常限定在特定的場(chǎng)景設(shè)計(jì),對(duì)于各種復(fù)雜環(huán)境的變化難以應(yīng)對(duì),并很難平衡實(shí)時(shí)性和準(zhǔn)確性。
　　為了滿足上述各方面需求,本文以交通環(huán)境的視頻圖像序列為對(duì)象,以視頻中的車輛目標(biāo)檢測(cè)和跟蹤為內(nèi)容,研究實(shí)現(xiàn)交通環(huán)境中實(shí)時(shí)精確的基于檢測(cè)的目標(biāo)跟蹤方法。
　　數(shù)量變化的目標(biāo)跟蹤問題主要有兩個(gè)難點(diǎn):首先,觀測(cè)模型和目標(biāo)分布有極大的可能是

2、非線性和非高斯的;其次,數(shù)目變化的大量目標(biāo)出現(xiàn)在一個(gè)場(chǎng)景中,很容易造成一些復(fù)雜的情況,如重疊、遮擋、模糊等。為了克服這些問題,本文改進(jìn)了一種可以學(xué)習(xí)、檢測(cè)并且跟蹤興趣目標(biāo)的系統(tǒng)——BPF跟蹤算法,該系統(tǒng)結(jié)合了兩個(gè)非常成功的算法的優(yōu)點(diǎn):混合粒子濾波和AdaBoost。混合粒子濾波方案設(shè)計(jì)的關(guān)鍵兩點(diǎn)是建議分布的選取和目標(biāo)進(jìn)出場(chǎng)景的處理。已經(jīng)學(xué)習(xí)好的AdaBoost車輛檢測(cè)器可以快速的檢測(cè)到車輛目標(biāo)進(jìn)入場(chǎng)景,而濾波的處理可以讓我們持續(xù)跟蹤每個(gè)

3、獨(dú)立的車輛。結(jié)合AdaBoost和混合粒子濾波,并輔之以車輛目標(biāo)軌跡預(yù)測(cè)處理出現(xiàn)車輛互相遮擋的情況,我們得到了一種強(qiáng)大并且全自動(dòng)的多方向多目標(biāo)跟蹤系統(tǒng)。該系統(tǒng)在跟蹤交通環(huán)境中跟蹤車輛時(shí)表現(xiàn)良好。
　　主要工作如下:
　　1.為了避免目標(biāo)團(tuán)塊之間的粘連和漏掉靜止的目標(biāo)(沒有前景),本文中目標(biāo)檢測(cè)的基本方法采用的是AdaBoost車輛檢測(cè),而非傳統(tǒng)的基于前景分割的目標(biāo)檢測(cè)。通過各方向上車輛特征的學(xué)習(xí)和訓(xùn)練,構(gòu)建了自適應(yīng)的車輛檢測(cè)

4、系統(tǒng)。
　　2.在車輛檢測(cè)系統(tǒng)的基礎(chǔ)上,本文將本用于行人跟蹤的 BPF框架應(yīng)用到交通環(huán)境車輛跟蹤中,并根據(jù)交通環(huán)境車輛的特點(diǎn)對(duì)整個(gè)系統(tǒng)進(jìn)行改造,使得其更加適合車輛多目標(biāo)跟蹤。
　　3.在深入理解 BPF算法的基礎(chǔ)上,本文針對(duì)其所存在的若干問題分別進(jìn)行了相應(yīng)改進(jìn)提出IBPF算法,在目標(biāo)相似或者相互遮擋的跟蹤場(chǎng)景下,IBPF算法都有相應(yīng)的解決方案。
　　4.由于BPF算法時(shí)間性能深受目標(biāo)數(shù)量和大小的影響,本文在IBPF算法