基于SVM和均值平移的紅外車輛目標(biāo)跟蹤算法研究.pdf

1、InfraredVehicleTrackingAlgorithmResearchBasedonSVMandMean—ShiftThesisSubmittedtoZhejiangNormalUniversityinpartialfulfillmentoftherequirementforthedegreeofMasterofEngineeringbyYanZhou(PhysicalElectronics)ThesisSupervisor：

2、ProfessorChangjiangZhangJune，2010Growcut結(jié)合最小二乘法進(jìn)行車道線檢測(cè)。實(shí)驗(yàn)結(jié)果表明，通過(guò)種子點(diǎn)選取分割感興趣區(qū)域的方法能否準(zhǔn)確地識(shí)別出車道線，并對(duì)于低分辨率圖像也能取得良好的結(jié)果。然后，通過(guò)閾值放方法在感興趣區(qū)域中尋找高亮區(qū)域，通過(guò)統(tǒng)計(jì)的車輛長(zhǎng)與寬確定車輛的粗略位置框，位置框以高亮區(qū)域?yàn)橹行?，通過(guò)對(duì)粗略位置框邊緣檢測(cè)來(lái)進(jìn)一步精確定位車輛位置。實(shí)驗(yàn)證明該方法的可行性，與傳統(tǒng)方法相比，它能夠得到較完整

3、的車輛。(3)基于SVM和Meanshifc的紅外車輛目標(biāo)分類與跟蹤。首先，提取檢測(cè)到的紅外車輛目標(biāo)圖像的綜合特征，將這些圖像及附帶特征分別分為訓(xùn)練樣本與測(cè)試樣本兩個(gè)部分，用SVM對(duì)訓(xùn)練樣本進(jìn)行訓(xùn)練，然后對(duì)測(cè)試樣本進(jìn)行測(cè)試。實(shí)驗(yàn)表明，SVM分類器性能優(yōu)于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)分類器。然后用Kalman結(jié)合Meanshift進(jìn)行車輛目標(biāo)跟蹤，其跟蹤算法的綜合性能優(yōu)于單獨(dú)基于Kalman濾波器和Meanshiil的跟蹤算法。關(guān)鍵詞：D