基于交通視頻圖像序列的運(yùn)動(dòng)車(chē)輛檢測(cè)與跟蹤算法研究.pdf

1、隨著當(dāng)今經(jīng)濟(jì)的高速發(fā)展,交通運(yùn)輸行業(yè)得到了顯著的發(fā)展,機(jī)動(dòng)車(chē)保有量迅速地增長(zhǎng),僅僅依靠修建道路設(shè)施和人工管理很難解決現(xiàn)存的交通問(wèn)題(交通事故頻發(fā)、嚴(yán)重的道路壓車(chē)等等)。因此,基于視頻監(jiān)控技術(shù)下的交通視頻圖像序列的運(yùn)動(dòng)車(chē)輛檢測(cè)與跟蹤技術(shù)能夠?qū)崿F(xiàn)交通管理上的自動(dòng)化和智能化,充分利用現(xiàn)有的交通設(shè)施保證更大交通運(yùn)輸能力的同時(shí)提高交通運(yùn)輸?shù)陌踩?實(shí)現(xiàn)交通運(yùn)輸行業(yè)的集約化發(fā)展。
　　本文基于高斯模型,對(duì)運(yùn)動(dòng)車(chē)輛檢測(cè)算法進(jìn)行了研究;基于卡爾曼

2、濾波理論、Mean Shift迭代理論,對(duì)運(yùn)動(dòng)車(chē)輛跟蹤算法進(jìn)行了研究。取得的研究成果如下:
　　在比較單高斯模型和混合高斯模型建模優(yōu)缺點(diǎn)的基礎(chǔ)上,利用視頻圖像幀中的邊緣像素點(diǎn)建立混合高斯模型,首先得到能夠描述背景像素點(diǎn)模型的高斯分布,然后根據(jù)像素點(diǎn)值與混合高斯模型中各個(gè)高斯分布的匹配關(guān)系來(lái)更新匹配的高斯分布參數(shù),最后根據(jù)像素點(diǎn)值與最佳描述背景高斯分布的匹配關(guān)系實(shí)現(xiàn)運(yùn)動(dòng)車(chē)輛的檢測(cè)。
　　在Mean Shift跟蹤算法中,由于核

3、窗寬固定不變,車(chē)輛在其窗寬范圍內(nèi)進(jìn)行縮放、平移運(yùn)動(dòng)并不影響Mean Shift跟蹤算法空間定位的準(zhǔn)確性,但是會(huì)導(dǎo)致極大的尺度定位誤差,采用加減10％核函數(shù)帶寬的方法實(shí)現(xiàn)核窗寬的自動(dòng)更新。傳統(tǒng)核窗寬固定的Mean Shift跟蹤算法對(duì)逐漸增大尺寸的車(chē)輛進(jìn)行跟蹤時(shí),不僅會(huì)導(dǎo)致尺度定位偏差,同時(shí)也導(dǎo)致空間定位偏差。由于車(chē)輛在其窗寬范圍內(nèi)進(jìn)行縮放、平移運(yùn)動(dòng)時(shí),Mean Shift跟蹤算法的空間定位是準(zhǔn)確的,所以首先采用后向跟蹤法進(jìn)行形心配準(zhǔn),然

4、后,根據(jù)形心配準(zhǔn)后矩形跟蹤框內(nèi)角點(diǎn)的匹配建立仿射模型,最后根據(jù)仿射模型解得的伸縮幅值實(shí)時(shí)更新核窗寬。
　　針對(duì)Mean Shift算法不能跟蹤快速運(yùn)動(dòng)車(chē)輛的缺陷,本文采用Mean Shift和卡爾曼濾波器相結(jié)合的算法,首先利用卡爾曼濾波器來(lái)獲得每幀 Mean Shift算法的起始位置,然后再利用Mean Shift算法得到跟蹤位置。
　　運(yùn)動(dòng)車(chē)輛出現(xiàn)大面積遮擋(在同一幀圖像中卡爾曼預(yù)測(cè)的位置和Mean Shift收斂的位置之

5、間的距離大于設(shè)定的閾值)時(shí),Mean Shift算法不能有效跟蹤,首先關(guān)閉卡爾曼濾波模型,然后根據(jù)前幾幀中Mean Shift收斂點(diǎn)的位置線性預(yù)測(cè)在當(dāng)前幀中進(jìn)行Mean Shift迭代可能的起始點(diǎn)位置,即車(chē)輛位置的線性預(yù)測(cè)替代了卡爾曼的作用,最后利用Mean Shift算法得到跟蹤位置。
　　經(jīng)實(shí)驗(yàn)驗(yàn)證:本文采用的基于邊緣信息的混合高斯模型的運(yùn)動(dòng)車(chē)輛檢測(cè)算法通過(guò)背景更新技術(shù),在光線突變的情況下獲取良好背景的同時(shí)較好地檢測(cè)到了前景運(yùn)