車載移動(dòng)目標(biāo)自動(dòng)跟蹤技術(shù)研究.pdf

1、圖像序列中動(dòng)態(tài)目標(biāo)的檢測(cè)與跟蹤已成為計(jì)算機(jī)視覺的一個(gè)重要的研究方向。隨著計(jì)算機(jī)硬件技術(shù)和計(jì)算機(jī)視覺技術(shù)的發(fā)展，基于計(jì)算機(jī)視覺的ITS、無(wú)人偵察技術(shù)等稱為可能，其中視頻移動(dòng)目標(biāo)的實(shí)時(shí)檢測(cè)和跟蹤是核心部分。目前存在的檢測(cè)和跟蹤技術(shù)在復(fù)雜場(chǎng)景下、大范圍、多目標(biāo)的情況下，運(yùn)動(dòng)目標(biāo)的分割和跟蹤的效果不是很理想，需要進(jìn)一步的改善。本文提出了針對(duì)運(yùn)動(dòng)車輛進(jìn)行實(shí)時(shí)檢測(cè)和跟蹤的算法，適用于大面積、多目標(biāo)的復(fù)雜場(chǎng)景，能排除干擾，可應(yīng)用于高速公路和城市交通中

2、。 運(yùn)動(dòng)目標(biāo)檢測(cè)的研究對(duì)象是視頻序列圖像，本文首先介紹了運(yùn)動(dòng)物體的視覺檢測(cè)原理以及序列圖像分析的一般方法。由于車輛等移動(dòng)目標(biāo)采集自真實(shí)的路面環(huán)境，目標(biāo)背景物復(fù)雜多變，目標(biāo)輪廓受光線及角度的影響比較大，并且采集的序列圖像有一定的抖動(dòng)和位移。因此本文研究了序列圖像之間特征點(diǎn)的對(duì)應(yīng)方法，在對(duì)圖像序列的處理過程中采用了利用陰影特征進(jìn)行相關(guān)特征匹配的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。該算法首先在圖像中定位存在陰影的區(qū)域，并用二值化的圖像對(duì)陰影的特征進(jìn)行分

3、析，通過連續(xù)圖像的分析確定同一個(gè)目標(biāo)陰影，然后利用陰影圖像自差分結(jié)果與二值化圖像作圖像與操作，確定陰影區(qū)域的輪廓線，分割出目標(biāo)的運(yùn)動(dòng)區(qū)域，從而獲得目標(biāo)位置。 由于不僅僅是車輛會(huì)產(chǎn)生陰影，所以目標(biāo)檢測(cè)后產(chǎn)生多個(gè)陰影區(qū)域，其中不完全是車輛目標(biāo)，為此本文采用了目標(biāo)識(shí)別的方法，將目標(biāo)從眾多的可疑區(qū)域中識(shí)別出來(lái)，提高了檢測(cè)和跟蹤的精度。對(duì)于檢測(cè)產(chǎn)生的輪廓區(qū)域利用小波變換將圖像表示成向量的形式，然后利用SVM(支持向量機(jī))分類器對(duì)目標(biāo)進(jìn)行識(shí)

4、別，識(shí)別確認(rèn)后的目標(biāo)區(qū)域作為下一步需要跟蹤的目標(biāo)，其中SVM分類器是利用事先采集的車輛樣本訓(xùn)練產(chǎn)生的。 本文還利用了卡爾曼濾波器的運(yùn)動(dòng)跟蹤模型，來(lái)實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)的跟蹤。對(duì)于識(shí)別后的目標(biāo)，利用初始化后卡爾曼運(yùn)動(dòng)跟蹤模型，對(duì)目標(biāo)車輛的運(yùn)動(dòng)做出簡(jiǎn)單的估計(jì)，由于卡爾曼濾波模型的運(yùn)動(dòng)估計(jì)能夠預(yù)測(cè)下一幀目標(biāo)的大體位置，所以可以利用模板匹配的方式來(lái)大體定為目標(biāo)，減少了目標(biāo)檢測(cè)的運(yùn)算量。 從處理的結(jié)果看，本文提出的移動(dòng)目標(biāo)檢測(cè)和跟蹤的方