详情

原文传递基于交通视频图像序列的运动车辆检测与跟踪算法研究

论文题名：	基于交通视频图像序列的运动车辆检测与跟踪算法研究
关键词：	运动车辆检测;跟踪算法;卡尔曼滤波;视频图像序列
摘要：	随着当今经济的高速发展,交通运输行业得到了显著的发展,机动车保有量迅速地增长,仅仅依靠修建道路设施和人工管理很难解决现存的交通问题(交通事故频发、严重的道路压车等等)。因此,基于视频监控技术下的交通视频图像序列的运动车辆检测与跟踪技术能够实现交通管理上的自动化和智能化,充分利用现有的交通设施保证更大交通运输能力的同时提高交通运输的安全性,实现交通运输行业的集约化发展。　　本文基于高斯模型,对运动车辆检测算法进行了研究;基于卡尔曼滤波理论、Mean Shift迭代理论,对运动车辆跟踪算法进行了研究。取得的研究成果如下: 　　在比较单高斯模型和混合高斯模型建模优缺点的基础上,利用视频图像帧中的边缘像素点建立混合高斯模型,首先得到能够描述背景像素点模型的高斯分布,然后根据像素点值与混合高斯模型中各个高斯分布的匹配关系来更新匹配的高斯分布参数,最后根据像素点值与最佳描述背景高斯分布的匹配关系实现运动车辆的检测。　　在Mean Shift跟踪算法中,由于核窗宽固定不变,车辆在其窗宽范围内进行缩放、平移运动并不影响Mean Shift跟踪算法空间定位的准确性,但是会导致极大的尺度定位误差,采用加减10％核函数带宽的方法实现核窗宽的自动更新。传统核窗宽固定的Mean Shift跟踪算法对逐渐增大尺寸的车辆进行跟踪时,不仅会导致尺度定位偏差,同时也导致空间定位偏差。由于车辆在其窗宽范围内进行缩放、平移运动时,Mean Shift跟踪算法的空间定位是准确的,所以首先采用后向跟踪法进行形心配准,然后,根据形心配准后矩形跟踪框内角点的匹配建立仿射模型,最后根据仿射模型解得的伸缩幅值实时更新核窗宽。　　针对Mean Shift算法不能跟踪快速运动车辆的缺陷,本文采用Mean Shift和卡尔曼滤波器相结合的算法,首先利用卡尔曼滤波器来获得每帧 Mean Shift算法的起始位置,然后再利用Mean Shift算法得到跟踪位置。　　运动车辆出现大面积遮挡(在同一帧图像中卡尔曼预测的位置和Mean Shift收敛的位置之间的距离大于设定的阈值)时,Mean Shift算法不能有效跟踪,首先关闭卡尔曼滤波模型,然后根据前几帧中Mean Shift收敛点的位置线性预测在当前帧中进行Mean Shift迭代可能的起始点位置,即车辆位置的线性预测替代了卡尔曼的作用,最后利用Mean Shift算法得到跟踪位置。　　经实验验证:本文采用的基于边缘信息的混合高斯模型的运动车辆检测算法通过背景更新技术,在光线突变的情况下获取良好背景的同时较好地检测到了前景运动车辆,该方法能够适应户外复杂的环境,准确率高,鲁棒性强,有着广泛的实用性。对尺度变化的运动车辆进行跟踪时,核窗宽自动更新算法不仅能够有效地跟踪动态车辆,而且其跟踪窗口能够随着车辆的变化而变化,空间定位准确的同时尺度定位也很准确。对快速运动、大面积遮挡的车辆进行跟踪时,采用Mean Shift和卡尔曼滤波器相结合的算法不仅能够有效地对运动车辆进行跟踪,而且实时性也比较好。
作者：	张秀林
专业：	电子与通信工程
导师：	王浩全
授予学位：	硕士
授予学位单位：	中北大学
学位年度：	2014
正文语种：	中文