基于交通視頻圖像序列的運動車輛檢測與跟蹤算法研究.pdf

1、隨著當今經(jīng)濟的高速發(fā)展,交通運輸行業(yè)得到了顯著的發(fā)展,機動車保有量迅速地增長,僅僅依靠修建道路設施和人工管理很難解決現(xiàn)存的交通問題(交通事故頻發(fā)、嚴重的道路壓車等等)。因此,基于視頻監(jiān)控技術下的交通視頻圖像序列的運動車輛檢測與跟蹤技術能夠實現(xiàn)交通管理上的自動化和智能化,充分利用現(xiàn)有的交通設施保證更大交通運輸能力的同時提高交通運輸?shù)陌踩?實現(xiàn)交通運輸行業(yè)的集約化發(fā)展。
　　本文基于高斯模型,對運動車輛檢測算法進行了研究;基于卡爾曼

2、濾波理論、Mean Shift迭代理論,對運動車輛跟蹤算法進行了研究。取得的研究成果如下:
　　在比較單高斯模型和混合高斯模型建模優(yōu)缺點的基礎上,利用視頻圖像幀中的邊緣像素點建立混合高斯模型,首先得到能夠描述背景像素點模型的高斯分布,然后根據(jù)像素點值與混合高斯模型中各個高斯分布的匹配關系來更新匹配的高斯分布參數(shù),最后根據(jù)像素點值與最佳描述背景高斯分布的匹配關系實現(xiàn)運動車輛的檢測。
　　在Mean Shift跟蹤算法中,由于核

3、窗寬固定不變,車輛在其窗寬范圍內(nèi)進行縮放、平移運動并不影響Mean Shift跟蹤算法空間定位的準確性,但是會導致極大的尺度定位誤差,采用加減10％核函數(shù)帶寬的方法實現(xiàn)核窗寬的自動更新。傳統(tǒng)核窗寬固定的Mean Shift跟蹤算法對逐漸增大尺寸的車輛進行跟蹤時,不僅會導致尺度定位偏差,同時也導致空間定位偏差。由于車輛在其窗寬范圍內(nèi)進行縮放、平移運動時,Mean Shift跟蹤算法的空間定位是準確的,所以首先采用后向跟蹤法進行形心配準,然

4、后,根據(jù)形心配準后矩形跟蹤框內(nèi)角點的匹配建立仿射模型,最后根據(jù)仿射模型解得的伸縮幅值實時更新核窗寬。
　　針對Mean Shift算法不能跟蹤快速運動車輛的缺陷,本文采用Mean Shift和卡爾曼濾波器相結合的算法,首先利用卡爾曼濾波器來獲得每幀 Mean Shift算法的起始位置,然后再利用Mean Shift算法得到跟蹤位置。
　　運動車輛出現(xiàn)大面積遮擋(在同一幀圖像中卡爾曼預測的位置和Mean Shift收斂的位置之

5、間的距離大于設定的閾值)時,Mean Shift算法不能有效跟蹤,首先關閉卡爾曼濾波模型,然后根據(jù)前幾幀中Mean Shift收斂點的位置線性預測在當前幀中進行Mean Shift迭代可能的起始點位置,即車輛位置的線性預測替代了卡爾曼的作用,最后利用Mean Shift算法得到跟蹤位置。
　　經(jīng)實驗驗證:本文采用的基于邊緣信息的混合高斯模型的運動車輛檢測算法通過背景更新技術,在光線突變的情況下獲取良好背景的同時較好地檢測到了前景運