基于機器視覺的車輛檢測與跟蹤方法研究.pdf

1、隨著中國城市化進程的加快以及經濟的高速發(fā)展，我國的交通工具數(shù)目正逐年大幅度上升，這些工具在帶給人方便的同時，也帶來了一系列諸如環(huán)境污染、交通道路擁擠、交通事故頻發(fā)的問題。在此背景下，基于機器視覺的智能交通控制系統(tǒng)應運而生。在此系統(tǒng)中，車輛目標的檢測、跟蹤以及行為分析是最基礎的部分。
　　本文從目前常用的檢測與跟蹤算法入手，主要做了以下幾方面的工作：
　　(1)傳統(tǒng)的混合高斯建模算法僅設定一個固定的背景學習率，當環(huán)境發(fā)生突變時

2、，傳統(tǒng)算法難以在短時間內恢復到正常檢測狀態(tài)。針對這個問題，首先設計一個環(huán)境變化判斷因子，其值為前景像素點數(shù)目與總像素點數(shù)目的比值，然后根據(jù)因子值大小對背景學習率進行調整。實驗證明，該方法可以較快的使檢測系統(tǒng)克服環(huán)境突變帶來的影響。
　　(2)針對CamShift算法在目標運動狀態(tài)發(fā)生改變時易產生跟蹤失敗的問題，在CamShift算法的基礎上，引入了卡爾曼濾波。先用Kalman濾波器對運動狀態(tài)進行預估，獲得目標在當前幀中的預估位置，

3、然后在預估位置處運行CamShift算法進而到達目標的真實位置。實驗結果證明，該方法可以有效解決運動狀態(tài)的改變對CamShift算法帶來的影響。
　　(3)傳統(tǒng)CamShift算法在跟蹤目標時需要手動框定目標，并且不能實現(xiàn)多目標的跟蹤。針對CamShift算法不能全自動跟蹤的問題，提出先運用改進的混合高斯模型進行目標檢測，然后將檢測到的目標加入跟蹤鏈表，在后續(xù)的視頻幀中對被跟蹤目標運行CamShift算法。同時設計了一個多目標跟蹤