原文传递
基于贝叶斯估计的低空对地多车辆跟踪方法
| 论文题名： | 基于贝叶斯估计的低空对地多车辆跟踪方法 |
| 关键词： | 低空对地多车辆跟踪;卡尔曼滤波;粒子滤波;视觉关注机制;直方图匹配算法;贝叶斯估计 |
| 摘要： | 随着机动车数量的不断增加，城市交通拥堵问题日益严重，传统的人工监控已经不能满足城市发展的需要。因此，发展智能交通监控系统至关重要。车辆跟踪技术是交通监控系统的重要组成部分，其目的是在视频序列中持续不断地定位移动车辆。近年来，低空对地车辆跟踪系统吸引了许多研究人员的关注，其核心是利用安装在无人飞机上的传感器去获取交通信息，再利用图像处理技术、计算机视觉等技术去跟踪目标车辆，达到监控交通的目的。与摄像头安装在路边建筑物的静态跟踪系统相比，低空对地车辆跟踪系统具有机动性高、维护成本低和监控范围大等优点。但是，由于平台的运动性和车辆运动的不确定性，低空对地车辆跟踪系统的设计仍然是一个具有挑战性的难题。 本文以低空对地多车辆跟踪为研究对象，引入部分车辆之间的关联特性，提出了一种基于贝叶斯估计的低空对地多车辆跟踪方法。 首先，由于低空对地多车辆跟踪过程中环境复杂，目标较多，对每个目标进行单独跟踪速度并不理想；同时，当前的成组跟踪方法并没有对分组结构进行更新。因此，本文提出了一种基于卡尔曼滤波和分组策略的低空对地多车辆跟踪方法。这个方法包括两层结构：高层跟踪器根据车辆的状态信息计算目标之间的相关性，基于相关性实现目标车辆的分组，每个小组被独立地跟踪；同时实时更新目标车辆的状态信息，实现小组的动态分割和合并。底层跟踪器由卡尔曼滤波和直方图匹配算法构成，负责对目标的预测和定位并获取它们的状态信息。通过两层跟踪器的结合，目标车辆被分为不同的小组进行跟踪，大大减少了摄像机抖动造成的影响，提高了多车辆跟踪的效率，实现了精确度和速度的平衡。 其次，分组跟踪方法仍然需要对每个小组进行独立的跟踪。为了进一步改进系统的效率，本文引入视觉关注机制，将粒子滤波算法与改进的卡尔曼滤波算法进行融合，实现对车辆的整体跟踪。基于视觉显著度判定车辆跟踪难易程度将滤波器分为两类：第一类是独立的，即对于容易跟踪的车辆，本文用单独的滤波器独立跟踪；第二类是非独立的，即对于较难跟踪的车辆，借助于第一类的结果来简化跟踪过程，提高精确度。结合滤波器粒子数的自适应调整，进一步优化了跟踪性能。 |
| 作者： | 施峥嵘 |
| 专业： | 信息安全 |
| 导师： | 曹先彬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 中国科学技术大学 |
| 学位年度： | 2012 |
| 正文语种： | 中文 |
检索历史
应用推荐
