復(fù)雜場(chǎng)景下車(chē)輛（動(dòng)目標(biāo)）的識(shí)別和跟蹤技術(shù)研究.pdf

1、在目前的智能交通系統(tǒng)中，對(duì)車(chē)輛的識(shí)別和跟蹤一直是一個(gè)核心的環(huán)節(jié)，它能夠提供各種動(dòng)態(tài)的交通環(huán)境信息，便于統(tǒng)一管理和調(diào)度，緩解交通擁擠和減少交通事故，因此對(duì)車(chē)輛的準(zhǔn)確識(shí)別和長(zhǎng)期跟蹤一直是智能交通監(jiān)控的研究熱點(diǎn)。本文重點(diǎn)研究了車(chē)輛的識(shí)別和跟蹤理論，從四個(gè)步驟重點(diǎn)論述了車(chē)輛的檢測(cè)、識(shí)別和跟蹤方法，并用具體的實(shí)驗(yàn)證明了本文算法的可靠性和有效性。具體的工作如下：
　?。?）提出了一種基于改進(jìn)的混合高斯模型的動(dòng)目標(biāo)檢測(cè)算法，該算法通過(guò)幀間匹配度

2、信息反饋改變了傳統(tǒng)方法的學(xué)習(xí)規(guī)則，克服了車(chē)輛檢測(cè)斷裂或分離的缺陷，排除了車(chē)輛和環(huán)境對(duì)背景學(xué)習(xí)的干擾。實(shí)驗(yàn)表明，該方法對(duì)于提取動(dòng)目標(biāo)區(qū)域較經(jīng)典方法更加準(zhǔn)確。
　?。?）提出了一種基于HSV色彩空間法和混合高斯模型的陰影檢測(cè)算法，該算法通過(guò)人工采集方法和HSV色彩空間法來(lái)獲得陰影樣本，并利用期望最大法對(duì)陰影訓(xùn)練樣本估計(jì)模型參數(shù)，獲得的混合高斯模型用來(lái)區(qū)分車(chē)輛和陰影。實(shí)驗(yàn)結(jié)果表明該方法可以有效分離車(chē)輛和陰影。
　?。?）采用了7個(gè)

3、Hu不變距、分散度、長(zhǎng)寬比和緊湊度組成10維的形狀特征向量以及三層 BP神經(jīng)網(wǎng)絡(luò)對(duì)行人、大車(chē)、小車(chē)、自行車(chē)或者摩托車(chē)這四類(lèi)目標(biāo)進(jìn)行分類(lèi)，實(shí)驗(yàn)結(jié)果表明通過(guò)樣本訓(xùn)練出來(lái)的神經(jīng)網(wǎng)絡(luò)分類(lèi)器可以對(duì)這四類(lèi)目標(biāo)有效分類(lèi)。
　?。?）提出了一種改進(jìn)的TLD跟蹤算法，該算法結(jié)合原來(lái)的單分類(lèi)器，加入了基于Haar特征和在線Adaboost方法的分類(lèi)器，構(gòu)成了一種半監(jiān)督協(xié)同訓(xùn)練的分類(lèi)器，提高了分類(lèi)器的泛化能力，實(shí)驗(yàn)結(jié)果表明該方法可以進(jìn)一步提高跟蹤效果。