交通環(huán)境目標跟蹤.pdf

1、多目標跟蹤是智能交通系統(tǒng)中最重要的模塊,它是實現(xiàn)交通監(jiān)控智能化和其他視覺領域?qū)崟r應用的關鍵所在。傳統(tǒng)跟蹤方法通常限定在特定的場景設計,對于各種復雜環(huán)境的變化難以應對,并很難平衡實時性和準確性。
　　為了滿足上述各方面需求,本文以交通環(huán)境的視頻圖像序列為對象,以視頻中的車輛目標檢測和跟蹤為內(nèi)容,研究實現(xiàn)交通環(huán)境中實時精確的基于檢測的目標跟蹤方法。
　　數(shù)量變化的目標跟蹤問題主要有兩個難點:首先,觀測模型和目標分布有極大的可能是

2、非線性和非高斯的;其次,數(shù)目變化的大量目標出現(xiàn)在一個場景中,很容易造成一些復雜的情況,如重疊、遮擋、模糊等。為了克服這些問題,本文改進了一種可以學習、檢測并且跟蹤興趣目標的系統(tǒng)——BPF跟蹤算法,該系統(tǒng)結(jié)合了兩個非常成功的算法的優(yōu)點:混合粒子濾波和AdaBoost?；旌狭Ｗ訛V波方案設計的關鍵兩點是建議分布的選取和目標進出場景的處理。已經(jīng)學習好的AdaBoost車輛檢測器可以快速的檢測到車輛目標進入場景,而濾波的處理可以讓我們持續(xù)跟蹤每個

3、獨立的車輛。結(jié)合AdaBoost和混合粒子濾波,并輔之以車輛目標軌跡預測處理出現(xiàn)車輛互相遮擋的情況,我們得到了一種強大并且全自動的多方向多目標跟蹤系統(tǒng)。該系統(tǒng)在跟蹤交通環(huán)境中跟蹤車輛時表現(xiàn)良好。
　　主要工作如下:
　　1.為了避免目標團塊之間的粘連和漏掉靜止的目標(沒有前景),本文中目標檢測的基本方法采用的是AdaBoost車輛檢測,而非傳統(tǒng)的基于前景分割的目標檢測。通過各方向上車輛特征的學習和訓練,構(gòu)建了自適應的車輛檢測

4、系統(tǒng)。
　　2.在車輛檢測系統(tǒng)的基礎上,本文將本用于行人跟蹤的 BPF框架應用到交通環(huán)境車輛跟蹤中,并根據(jù)交通環(huán)境車輛的特點對整個系統(tǒng)進行改造,使得其更加適合車輛多目標跟蹤。
　　3.在深入理解 BPF算法的基礎上,本文針對其所存在的若干問題分別進行了相應改進提出IBPF算法,在目標相似或者相互遮擋的跟蹤場景下,IBPF算法都有相應的解決方案。
　　4.由于BPF算法時間性能深受目標數(shù)量和大小的影響,本文在IBPF算法