基于目標和運動信息的Mean-Shift算法在視覺車輛跟蹤中的應用.pdf

1、基于計算機視覺的車輛跟蹤多年來一直是熱門的研究課題之一,它是智能交通的基礎。視覺車輛跟蹤技術涉及到諸多學科,它不僅與圖像處理技術、計算機視覺息息相關,還與人工智能和模式識別等緊密聯(lián)系。雖然目前有目標跟蹤算法在車輛跟蹤上的應用,但是目標車輛本身特征的可變性、背景的干擾、跟蹤過程中目標的遮擋問題以及車輛的快速運動都成為了影響跟蹤準確性的因素。因此,研究一種準確度高、魯棒性強的車輛跟蹤算法依然是目前迫切需要解決的問題。
　　本文首先介紹

2、了車輛跟蹤在國內外的研究現(xiàn)狀,接著研究了傳統(tǒng) Mean-Shift算法在車輛跟蹤中的應用。接著本文針對車輛跟蹤中目標尺度變化、背景干擾、遮擋及目標快速運動等問題,在基于顏色特征的Mean-Shift算法基礎上,結合目標信息和運動估計成功實現(xiàn)了車輛跟蹤。由于目標車輛在移動的過程中尺度可能發(fā)生變化,或者被其它干擾物遮擋,這就使目標模型與候選模型之間的相似性系數(shù)降低,導致Mean-Shift算法陷入局部最優(yōu),從而造成定位失敗。在本文中,在Me

3、an-Shift算法基礎上,結合了目標的信息,提高了Mean-Shift算法對目標尺度變化的適應性并優(yōu)化了模型;當目標被嚴重遮擋時,結合運動估計,利用卡爾曼濾波預測目標的位置,從而彌補了Mean-Shift算法在處理遮擋問題時的不足。
　　此外,本文還針對Mean-Shift在跟蹤快速移動的目標車輛容易陷入局部最優(yōu)的問題,利用卡爾曼濾波器優(yōu)化后的初始中心克服了基本Mean-Shift算法用泰勒級數(shù)估計當前幀初始窗口精度不高的缺陷。