復(fù)雜道路環(huán)境下車(chē)輛的精細(xì)分割與跟蹤.pdf

1、車(chē)輛的分割和跟蹤技術(shù)是圖像處理以及計(jì)算機(jī)視覺(jué)領(lǐng)域的熱門(mén)課題，該技術(shù)實(shí)現(xiàn)了對(duì)感興趣目標(biāo)及其運(yùn)動(dòng)軌跡的提取。通過(guò)計(jì)算車(chē)輛的前景區(qū)域并進(jìn)行跟蹤完成了運(yùn)動(dòng)對(duì)象的速度、轉(zhuǎn)向信息、違章行為以及道路的擁堵程度等交通信息的監(jiān)控與分析，因其巨大的研究?jī)r(jià)值及應(yīng)用前景，該技術(shù)被應(yīng)用于智能交通系統(tǒng)、安防監(jiān)控、城市交通規(guī)劃等多個(gè)領(lǐng)域。但是由于光源的遮擋，在行駛過(guò)程中車(chē)輛自身的陰影與其協(xié)同運(yùn)動(dòng)，產(chǎn)生了車(chē)輛前景粘連及輪廓失真等現(xiàn)象，對(duì)后續(xù)的車(chē)輛分析造成了嚴(yán)重的影響。

2、隨著相機(jī)網(wǎng)絡(luò)的普及，相機(jī)集群覆蓋的視野逐漸擴(kuò)大，與此同時(shí)人們對(duì)目標(biāo)在廣域內(nèi)的跟蹤需求也日益增加，但相機(jī)網(wǎng)絡(luò)產(chǎn)生的海量數(shù)據(jù)制約了該應(yīng)用的快速發(fā)展。針對(duì)上述問(wèn)題，本文在傳統(tǒng)方法的基礎(chǔ)上提出了一種精細(xì)化車(chē)輛分割算法以及一種應(yīng)用于廣域目標(biāo)跟蹤的候選目標(biāo)計(jì)算方法并通過(guò)相關(guān)實(shí)驗(yàn)體現(xiàn)了兩者的有效性。
　　本文的主要研究?jī)?nèi)容及貢獻(xiàn)如下：
　　首先，通過(guò)大量的國(guó)內(nèi)外相關(guān)文獻(xiàn)的閱讀，本文深入地研究了現(xiàn)有的目標(biāo)檢測(cè)及跟蹤的算法框架、原理與實(shí)現(xiàn)方法

3、。分析并詳細(xì)地闡述了傳統(tǒng)方法中存在的優(yōu)點(diǎn)和不足，并結(jié)合本文的實(shí)際需要選擇適當(dāng)?shù)姆椒ā?br>　　然后，針對(duì)運(yùn)動(dòng)陰影造成的前景粘連和輪廓失真問(wèn)題，提出了一種基于時(shí)空多特征融合的車(chē)輛精細(xì)分割方法。利用顏色、物理模型以及紋理三個(gè)方面共同獲取前景概率譜，并結(jié)合視頻的時(shí)域相關(guān)性在消除陰影的同時(shí)取得了良好的前景分割效果。通過(guò)與多個(gè)陰影消除方法實(shí)驗(yàn)數(shù)據(jù)的對(duì)比，證明了本文提出的時(shí)空多特征融合的前景分割方法的優(yōu)越性。
　　最后，為解決多相機(jī)網(wǎng)絡(luò)的高

4、復(fù)雜度計(jì)算問(wèn)題，提出了一種針對(duì)廣域目標(biāo)跟蹤的時(shí)空模型車(chē)輛候選目標(biāo)提取方法?；诮y(tǒng)計(jì)信息恢復(fù)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)并結(jié)合高斯混合模型估計(jì)相機(jī)間的轉(zhuǎn)移時(shí)間分布，從而得到候選目標(biāo)。通過(guò)相關(guān)的實(shí)驗(yàn)以及與各種方法的對(duì)比，反映出本文方法在縮小搜索范圍及命中率方面的良好表現(xiàn)，為后續(xù)的車(chē)輛匹配和跟蹤等處理打下充分的基礎(chǔ)。
　　綜上所述，本文提出了一種車(chē)輛前景區(qū)域的精細(xì)化分割方法，有效地提高了陰影的檢測(cè)率及辨識(shí)率，完整地分割出車(chē)輛目標(biāo)；同時(shí)提出了一種廣域車(chē)