視頻序列中的多運(yùn)動車輛跟蹤技術(shù).pdf

1、運(yùn)動目標(biāo)的檢測和跟蹤作為計(jì)算機(jī)視覺的一個(gè)重要組成部分吸引了大量國內(nèi)外學(xué)者的研究,而且它也是實(shí)現(xiàn)智能交通系統(tǒng)的一個(gè)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(dāng)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(biāo)跟蹤特別是車輛跟蹤的國內(nèi)外研究現(xiàn)狀做了詳細(xì)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(shí)例闡述了SIFT算法實(shí)現(xiàn)的基礎(chǔ)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(shí)驗(yàn)來詳細(xì)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(diǎn)的精確定位及特征點(diǎn)的過濾操作、特征點(diǎn)梯度方向及其模值的相關(guān)計(jì)算

3、、基于鄰域內(nèi)像素點(diǎn)的梯度信息而確定的特征點(diǎn)描述算子向量生成、改進(jìn)K-D樹算法-BBF搜索樹法、錯配點(diǎn)清除操作的RANSAC算法作了相應(yīng)的理論與實(shí)例分析。
　　 本文研究的另一個(gè)重要內(nèi)容是對SIFT算法的一些經(jīng)典改進(jìn)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(jìn)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(jìn)行改進(jìn)并輔以相關(guān)的實(shí)驗(yàn)分析,具體為:

4、1.在DOG圖像金字塔形成后,對確定準(zhǔn)特征點(diǎn)的計(jì)算方法進(jìn)行改進(jìn),即:準(zhǔn)特征點(diǎn)是否在圖像的亞像素級別上是否真正接近真實(shí)特征點(diǎn)的位置?且此改進(jìn)是基于一個(gè)比例系數(shù)的動態(tài)選擇來實(shí)現(xiàn)的。2.在確定兩個(gè)匹配點(diǎn)是否為正確匹配時(shí),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(gè)自適應(yīng)動態(tài)閾值確定算法對該閾值的確定做了相應(yīng)改進(jìn),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(diǎn)在SIFT算法中是普遍存在的,如果直接用該大誤差錯配點(diǎn)進(jìn)行