擁擠場(chǎng)景下低分辨率快速車(chē)輛檢測(cè)與跟蹤方法研究.pdf

1、交通狀況日益的惡化,智能交通系統(tǒng)(ITS)被引起廣泛的關(guān)注,其中車(chē)輛檢測(cè)與跟蹤是智能交通系統(tǒng)中最為關(guān)鍵且基礎(chǔ)的技術(shù),已成為ITS領(lǐng)域內(nèi)研究的熱點(diǎn)。目前,在擁擠場(chǎng)景、低分辨率的情況下,現(xiàn)有車(chē)輛檢測(cè)和跟蹤算法的效果不能滿(mǎn)足實(shí)際要求,需要進(jìn)一步改進(jìn),本文主要所做貢獻(xiàn)如下:
　　1、本文提出了基于級(jí)聯(lián) AdaBoost分類(lèi)器的低分辨率車(chē)輛檢測(cè)算法。本文采用假設(shè)產(chǎn)生和假設(shè)驗(yàn)證的框架進(jìn)行車(chē)輛檢測(cè),在假設(shè)產(chǎn)生階段,計(jì)算檢測(cè)子窗口內(nèi)像素的期望和方

2、差,滿(mǎn)足一定的條件后再采用級(jí)聯(lián)AdaBoost分類(lèi)器進(jìn)行驗(yàn)證。分類(lèi)器的輸入為Haar-like特征,Haar-like特征反映的是目標(biāo)的紋理信息,對(duì)光線不敏感,而且在訓(xùn)練級(jí)聯(lián)AdaBoost分類(lèi)器過(guò)程中選用低分辨率的車(chē)輛作為正樣本;在子窗口掃描待檢測(cè)圖像過(guò)程中,本文采用窗口金字塔的方法。大量試驗(yàn)結(jié)果表明,本文提出的算法在低分辨率情況下取得很好的檢測(cè)效果。
　　2、本文提出了基于車(chē)輛檢測(cè)的實(shí)時(shí)跟蹤算法。根據(jù)車(chē)輛區(qū)域內(nèi)顏色權(quán)值直方圖,

3、計(jì)算前一幀中車(chē)輛與當(dāng)前幀中檢測(cè)結(jié)果之間的歐式距離,滿(mǎn)足一定的條件就認(rèn)為是前后兩幀的車(chē)輛完成匹配;采用 Mean Shift跟蹤算法確定前一幀中未匹配成功的車(chē)輛在當(dāng)前幀中的位置,最后當(dāng)前幀的車(chē)輛包括在當(dāng)前幀中檢測(cè)結(jié)果和根據(jù)前一幀中車(chē)輛信息跟蹤的結(jié)果。這樣既提高了擁擠場(chǎng)景下檢測(cè)的性能,又能提高跟蹤的速度。
　　3、在研究擁擠場(chǎng)景下低分辨率車(chē)輛檢測(cè)與跟蹤算法的基礎(chǔ)上,本文還將其應(yīng)用到實(shí)際智能交通系統(tǒng)中,開(kāi)發(fā)出一套電子警察系統(tǒng),經(jīng)過(guò)現(xiàn)場(chǎng)測(cè)