復(fù)雜場景下車輛跟蹤研究.pdf

1、視頻監(jiān)控中的運動車輛目標跟蹤技術(shù)研究是智能交通系統(tǒng)（ITS)的一個非常重要的課題。近年來，國內(nèi)外眾多學(xué)者對車輛目標跟蹤進行了大量的研究，但是由于車輛自身的復(fù)雜變化，包括車輛快速運動、車輛尺度變化、車輛旋轉(zhuǎn)、姿態(tài)變化和車輛受相似物干擾、車輛部分甚至全部遮擋等;以及復(fù)雜的外部環(huán)境，如攝像頭移動、抖動和惡劣的雨雪天氣等，使得車輛目標的準確跟蹤仍然存在諸多難點，本文針對這些難點問題展開了研究。具體完成的研究工作如下:
　?。?）針對車輛尺

2、度變化、車輛旋轉(zhuǎn)及形變等干擾，本文引入SIFT特征對車輛進行特征提取。SIFT特征對車輛遠近變化、姿態(tài)變化、尺度縮放、光照變化有較強魯棒性，所以SIFT特征可以有效解決目標的旋轉(zhuǎn)、縮放、平移，為車輛跟蹤提供很好的特征支持。但是傳統(tǒng)的SIFT特征跟蹤不能區(qū)分前景和背景，極多的匹配特征集中在背景上，導(dǎo)致跟蹤目標丟失。通過研究現(xiàn)有車輛跟蹤算法，本文提出了一種基于SIFT特征與GrabCut算法的車輛跟蹤，在SIFT特征跟蹤的基礎(chǔ)上引入了Gra

3、bCut提取前景的跟蹤方法。實驗表明，該方法在日間攝像機不明顯晃動環(huán)境下，初始幀運動檢測車輛后能夠?qū)\動車輛實現(xiàn)穩(wěn)定的跟蹤，并且有效解決車輛姿態(tài)變化及遠近變化問題。
　　（2）針對車輛在快速運動的過程中，可能造成車輛跟蹤失敗的問題，研究分析了TLD算法對車輛目標進行跟蹤的利弊。TLD算法與傳統(tǒng)跟蹤算法的顯著區(qū)別在于將傳統(tǒng)的跟蹤算法和傳統(tǒng)的檢測算法相結(jié)合來解決被跟蹤目標在被跟蹤過程中發(fā)生的形變、部分遮擋等問題。本文對TLD算法進行改

4、進，在算法檢測模塊引入基于Meanshift與Kalman的當前幀目標所在區(qū)域預(yù)估，預(yù)估有效縮小了檢測模塊的檢測范圍，提高算法實時性及準確性；對原算法方差分類器改進采用顏色特征分類器，提高了算法對目標識別性能；對綜合模塊改進，提高了算法目標跟蹤成功率。通過實驗對改進后TLD及原始TLD進行比較，實驗結(jié)果表明改進的TLD算法具有更高的跟蹤準確性及更好的跟蹤實時性。
　?。?）本文將改進的TLD算法與基于SIFT特征與GrabCut算