車載移動目標自動跟蹤技術研究.pdf

1、圖像序列中動態(tài)目標的檢測與跟蹤已成為計算機視覺的一個重要的研究方向。隨著計算機硬件技術和計算機視覺技術的發(fā)展，基于計算機視覺的ITS、無人偵察技術等稱為可能，其中視頻移動目標的實時檢測和跟蹤是核心部分。目前存在的檢測和跟蹤技術在復雜場景下、大范圍、多目標的情況下，運動目標的分割和跟蹤的效果不是很理想，需要進一步的改善。本文提出了針對運動車輛進行實時檢測和跟蹤的算法，適用于大面積、多目標的復雜場景，能排除干擾，可應用于高速公路和城市交通中

2、。 運動目標檢測的研究對象是視頻序列圖像，本文首先介紹了運動物體的視覺檢測原理以及序列圖像分析的一般方法。由于車輛等移動目標采集自真實的路面環(huán)境，目標背景物復雜多變，目標輪廓受光線及角度的影響比較大，并且采集的序列圖像有一定的抖動和位移。因此本文研究了序列圖像之間特征點的對應方法，在對圖像序列的處理過程中采用了利用陰影特征進行相關特征匹配的運動目標檢測算法。該算法首先在圖像中定位存在陰影的區(qū)域，并用二值化的圖像對陰影的特征進行分

3、析，通過連續(xù)圖像的分析確定同一個目標陰影，然后利用陰影圖像自差分結(jié)果與二值化圖像作圖像與操作，確定陰影區(qū)域的輪廓線，分割出目標的運動區(qū)域，從而獲得目標位置。 由于不僅僅是車輛會產(chǎn)生陰影，所以目標檢測后產(chǎn)生多個陰影區(qū)域，其中不完全是車輛目標，為此本文采用了目標識別的方法，將目標從眾多的可疑區(qū)域中識別出來，提高了檢測和跟蹤的精度。對于檢測產(chǎn)生的輪廓區(qū)域利用小波變換將圖像表示成向量的形式，然后利用SVM(支持向量機)分類器對目標進行識

4、別，識別確認后的目標區(qū)域作為下一步需要跟蹤的目標，其中SVM分類器是利用事先采集的車輛樣本訓練產(chǎn)生的。 本文還利用了卡爾曼濾波器的運動跟蹤模型，來實現(xiàn)對運動目標的跟蹤。對于識別后的目標，利用初始化后卡爾曼運動跟蹤模型，對目標車輛的運動做出簡單的估計，由于卡爾曼濾波模型的運動估計能夠預測下一幀目標的大體位置，所以可以利用模板匹配的方式來大體定為目標，減少了目標檢測的運算量。 從處理的結(jié)果看，本文提出的移動目標檢測和跟蹤的方