外文翻譯 --基于背景差值動態(tài)特征分組的實(shí)時目標(biāo)跟蹤（譯文）

1、蘇州大學(xué)本科生畢業(yè)設(shè)計（外文文獻(xiàn)原文）基于背景差值動態(tài)特征分組的實(shí)時目標(biāo)跟蹤 基于背景差值動態(tài)特征分組的實(shí)時目標(biāo)跟蹤ZuWhan Kim加利福尼亞 PATH(Partners for Advanced Transportation TecHnology)，加州伯克利分校，加州，美國http://path.berkeley.edu/~zuwhan摘要 摘要目標(biāo)檢測和跟蹤有著寬泛的應(yīng)用領(lǐng)域，其中包括智能交通系統(tǒng)。我們將介紹一種將背景差值算法

2、和特征跟蹤分組算法相結(jié)合的目標(biāo)檢測和跟蹤算法。首先,我們展示一種增大背景差值的算法，其使用一種低頻特征作為線索。它所獲得的背景差值線索被用來提高特征檢測和分組的結(jié)果。然后，我們將闡述一種動態(tài)多級特征分組方法，其可以被用于實(shí)時應(yīng)用和提供高軌跡的質(zhì)量。一些從富有挑戰(zhàn)性的交通案例的視頻剪輯中得出的實(shí)驗性結(jié)果將被展示。1.介紹和準(zhǔn)備工作 介紹和準(zhǔn)備工作目標(biāo)檢測和跟蹤是計算機(jī)視覺中的主要研究領(lǐng)域。這些應(yīng)用領(lǐng)域中，有一種叫交通傳感分析。因為攝像機(jī)比

3、大多數(shù)其他傳感器安裝起來更為廉價和容易，所以它們中的許多已被安裝于道路周邊，特別是在交通路口。由此產(chǎn)生的視頻圖像常被用來評估交通流量，檢測車輛、行人的信號時序，和為了安全而跟蹤車輛和行人。數(shù)十年來，已有眾多的車輛和行人檢測和跟蹤算法被提出，如[15],[19],[16],[3],[6],[9],[14],[1],[18],還有許多商業(yè)系統(tǒng)用以檢測車輛（如“虛擬循環(huán)檢測器” ）和行人。以上的系統(tǒng)（和許多其他的目標(biāo)跟蹤應(yīng)用）大多數(shù)是基于背景

4、差值算法。它先從一組圖像中提取出一個靜態(tài)的背景假說，然后計算出背景假說和即時圖像的區(qū)別來找出前景目標(biāo)。背景差值算法需要的時間消耗較小，且在照明情況良好的時候顯示出強(qiáng)大的檢測能力。然而，在區(qū)分障礙物時僅僅考慮背景差值結(jié)果會導(dǎo)致極其復(fù)雜的問蘇州大學(xué)本科生畢業(yè)設(shè)計（外文文獻(xiàn)原文）其給出一種多級特征分組算法用以處理多種型號的目標(biāo)，以此同時檢測旅游大巴和自行車；而且·它引入了一種能夠適用于實(shí)時應(yīng)用和從不完整的特征跟蹤中產(chǎn)生高質(zhì)量目標(biāo)軌跡

5、的動態(tài)特征分組（其與之前的使用優(yōu)質(zhì)長軌跡的工作截然相反） 。在[10]中,一種將背景差值和特征跟蹤結(jié)合起來的方法被發(fā)現(xiàn)了。Kanhere et al.借此通過假設(shè)背景差值區(qū)域的下限即是目標(biāo)下限的方法，用背景差值結(jié)果為低角度攝像機(jī)估計了角特征的三維高度。雖然這樣的假設(shè)通常因遮蔽現(xiàn)象而失敗，但通過對多重圖像的冗余估計我們?nèi)钥梢詮拇罅康母挥刑魬?zhàn)性的高速公路視頻剪輯來獲得良好的結(jié)果。然而，一些背景差值和特征跟蹤分組算法的挑戰(zhàn)依然存在，例如路口處

6、的長角軌跡和照明的變法。不僅如此，通過一幀一幀比較而來生成軌跡并不能實(shí)現(xiàn)高質(zhì)量的軌跡。在我們的框架體系中，也包括了一種高度估計算法，以此來作為一個進(jìn)一步提高結(jié)果的線索。在第 2 部分中，我們介紹了一些我們對于背景差值算法做了些擴(kuò)充。特征分組算法將會在第 3 部分中加以講解。多種應(yīng)用的結(jié)果將會在第 4 部分展示，而總結(jié)和前景將會在第 5 部分說明。2.背景差值 背景差值一種經(jīng)典的背景差值算法對像素密度采用了卡爾曼濾波器（或α混合）以此來發(fā)

7、現(xiàn)背景[11]:, 𝐵𝑡 + 1 = 𝐵𝑡 + ( ∝ 1(1 ? 𝑀𝑡) + ∝ 2𝑀𝑡)𝐷𝑡(1)此處 表示在 t 時刻的背景模型， 是現(xiàn)在的圖像和 的差別，而 是二維 Bt Dt Bt Mt移動目標(biāo)假設(shè)掩膜。這樣的方法在前景目標(biāo)經(jīng)常出現(xiàn)的情況下表現(xiàn)的不錯，但在背景被物體遮住