視頻序列中的多運動車輛跟蹤技術(shù).pdf

1、運動目標的檢測和跟蹤作為計算機視覺的一個重要組成部分吸引了大量國內(nèi)外學者的研究,而且它也是實現(xiàn)智能交通系統(tǒng)的一個技術(shù)基石。面對諸如基于模型和區(qū)域的傳統(tǒng)跟蹤方法所表現(xiàn)出的跟蹤效率低下的問題,本文致力于基于特征的跟蹤算法研究。在眾多的基于特征跟蹤算法中,由DavidLowe所提出的SIFT(Scale Invariant Feature Transform)算法在特征提取方面所表現(xiàn)出的優(yōu)勢是相當大的,該算法具備了旋轉(zhuǎn)不變特性、光照不變特性、

2、尺度不變性、部分仿射不變特性等等。本文首先針對目標跟蹤特別是車輛跟蹤的國內(nèi)外研究現(xiàn)狀做了詳細介紹,分析闡述了SIFT算法同其他基于特征匹配算法的優(yōu)勢所在,且結(jié)合實例闡述了SIFT算法實現(xiàn)的基礎理論知識:高斯卷積、尺度空間。繼而,以SIFT算法的步驟為主線并結(jié)合實驗來詳細分析該算法。對該算法的主要研究內(nèi)容:圖像的高斯金字塔建立、引入DOG算子的原因及DOG算子的相關(guān)特性、特征點的精確定位及特征點的過濾操作、特征點梯度方向及其模值的相關(guān)計算

3、、基于鄰域內(nèi)像素點的梯度信息而確定的特征點描述算子向量生成、改進K-D樹算法-BBF搜索樹法、錯配點清除操作的RANSAC算法作了相應的理論與實例分析。
　　 本文研究的另一個重要內(nèi)容是對SIFT算法的一些經(jīng)典改進算法即:PAC-SIFT、SURF、ASIFT作了相關(guān)技術(shù)分析和討論,并對這些經(jīng)典的改進算法與SIFT算法作了相關(guān)性能、效率的比較。
　　 本文亦從三大方面對SIFT算法的進行改進并輔以相關(guān)的實驗分析,具體為:

4、1.在DOG圖像金字塔形成后,對確定準特征點的計算方法進行改進,即:準特征點是否在圖像的亞像素級別上是否真正接近真實特征點的位置?且此改進是基于一個比例系數(shù)的動態(tài)選擇來實現(xiàn)的。2.在確定兩個匹配點是否為正確匹配時,歐式距離比的閾值確定及向量間的相似性問題;本文通過引入一個自適應動態(tài)閾值確定算法對該閾值的確定做了相應改進,并引入向量空間的余弦定理解決向量相似性問題。3.大誤差錯配點在SIFT算法中是普遍存在的,如果直接用該大誤差錯配點進行