【摘要】：車輛的檢測(cè)和跟蹤技術(shù)可以應(yīng)用在諸多領(lǐng)域,如:交通場(chǎng)景、自動(dòng)駕駛、智能視頻監(jiān)控等,具有很高的實(shí)際應(yīng)用價(jià)值。這兩項(xiàng)技術(shù)屬于計(jì)算機(jī)視覺領(lǐng)域中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的一個(gè)子類,但是存在車輛運(yùn)行環(huán)境復(fù)雜、周圍干擾物多、運(yùn)行速度不穩(wěn)定等問題,使得車輛的檢測(cè)和跟蹤仍然面臨著諸多的挑戰(zhàn),如何對(duì)車輛進(jìn)行穩(wěn)定的跟蹤還是迫切需要解決的問題。鑒于此,本文主要的工作內(nèi)容:在運(yùn)動(dòng)車輛檢測(cè)方面,分析了主流的目標(biāo)檢測(cè)算法,選取運(yùn)行速度快、算法原理簡(jiǎn)單的Vibe算法來解決運(yùn)動(dòng)車輛檢測(cè)問題。針對(duì)Vibe算法檢測(cè)結(jié)果易引入鬼影區(qū)域、無法對(duì)陰影區(qū)域進(jìn)行判斷、動(dòng)態(tài)背景下檢測(cè)誤差較大的問題,本文提出了改進(jìn)方案。結(jié)合三幀間差分法填充出真實(shí)完整的背景圖像,在為每個(gè)像素點(diǎn)建立背景模型,快速消除鬼影區(qū)域;在C1C2C3顏色空間模型下,對(duì)Vibe算法的檢測(cè)結(jié)果進(jìn)行二次判斷,有效消除了檢測(cè)結(jié)果中的背景區(qū)域;使用動(dòng)態(tài)閾值對(duì)像素進(jìn)行分類,閾值能夠隨著背景動(dòng)態(tài)變化自行調(diào)整,減少了動(dòng)態(tài)背景對(duì)檢測(cè)結(jié)果的影響。與原Vibe算法和其他目標(biāo)檢測(cè)算法相比,實(shí)驗(yàn)結(jié)果驗(yàn)證改進(jìn)算法在較少幀數(shù)抑制了鬼影區(qū)域、消除了陰影區(qū)域,提高了運(yùn)動(dòng)車輛檢測(cè)的整體性能。在車輛跟蹤方面,本文充分利用神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì),提出了一種基于對(duì)稱卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)尺度自適應(yīng)跟蹤算法來實(shí)現(xiàn)車輛的穩(wěn)定跟蹤;設(shè)計(jì)對(duì)稱神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)目標(biāo)中心定位,將目標(biāo)跟蹤問題轉(zhuǎn)換成度量模板圖像與候選區(qū)域相似度的問題,并采用動(dòng)態(tài)更新和靜態(tài)更新策略對(duì)模板圖像進(jìn)行更新,之后對(duì)目標(biāo)中心進(jìn)行多尺度采樣,選取最合適的尺度作為跟蹤窗口。最后在OTB公開數(shù)據(jù)集上測(cè)試了本算法的跟蹤性能,與其他9種主流跟蹤算法相比,本算法能在各種干擾因素下實(shí)現(xiàn)對(duì)車輛的穩(wěn)定跟蹤。
【圖文】：

而高層特征圖往往包含更多語義信息，論文分析跟蹤性能變差的原因之一是層數(shù)越高提取出的特征圖分辨率就越低，對(duì)目標(biāo)定位產(chǎn)生不利影響。馬超[29]提出了一種結(jié)合不同卷積層輸出的特征映射圖來訓(xùn)練三個(gè)不同濾波器進(jìn)行目標(biāo)跟蹤定位的方法，該算法提取 VGG-Net-19 的 Conv5 4,Conv4 4,Conv3 4的激活值作為卷積特征，輸入到三個(gè)相關(guān)濾波器中，首先在最高層大概確定目標(biāo)位置，由粗到細(xì)實(shí)現(xiàn)目標(biāo)的精準(zhǔn)定位，完成目標(biāo)跟蹤。2016 年 C-COT[30]算法取得了 VOT 比賽的第一名，在面對(duì)形變、遮擋等問題表現(xiàn)不錯(cuò)，主要的貢獻(xiàn)是對(duì)不同卷積層特征圖使用頻域隱形插值到連續(xù)空間域，防止產(chǎn)生冗余數(shù)據(jù)。1.3 車輛跟蹤及其挑戰(zhàn)1.3.1 目標(biāo)跟蹤框架下圖為目標(biāo)跟蹤框架的基本框圖，同樣適用于解決本文的研究課題，目標(biāo)跟蹤主要由：外觀模型、特征提取、運(yùn)動(dòng)模型、模型更新四大部分組成。

（3）運(yùn)動(dòng)模型運(yùn)動(dòng)模型是從當(dāng)前輸入幀中提取多個(gè)候選區(qū)域，一般候選區(qū)的提取是在上一幀中目標(biāo)的中心位置處按照被跟蹤目標(biāo)的大小劃定多個(gè)區(qū)域?yàn)楹蜻x區(qū)域。（4）更新策略隨著目標(biāo)的不斷運(yùn)動(dòng)及外界環(huán)境變化，視頻中的目標(biāo)外觀形狀會(huì)發(fā)生改變，因而表觀模型不能一成不變，否則當(dāng)目標(biāo)出現(xiàn)較大變化時(shí)，無法跟蹤到目標(biāo)；因此需要根據(jù)具體研究對(duì)象確定模板圖像的更新策略。1.3.2 面臨的挑戰(zhàn)（1）光照變化在實(shí)際的交通環(huán)境中，，陽光、路燈、對(duì)面車輛的燈光、建筑物發(fā)出的光都會(huì)影響環(huán)境的光照條件，導(dǎo)致整幅圖像的像素值發(fā)生變化。光照條件不同車輛區(qū)域與背景區(qū)域之間的差異也會(huì)有所不同，這就給車輛檢測(cè)和跟蹤帶來了困難。下圖中車輛自身燈光與外界燈光嚴(yán)重對(duì)被跟蹤車輛產(chǎn)生很大影響。如果檢測(cè)算法不能忽略光照變化帶來的影響，檢測(cè)結(jié)果就會(huì)出現(xiàn)偏差。
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP391.41;U495

【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 方浩;李艾華;王濤;蘇延召;;一種基于隨機(jī)碼本的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J];光電子·激光;2014年11期

2 周建英;吳小培;張超;呂釗;;基于滑動(dòng)窗的混合高斯模型運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];電子與信息學(xué)報(bào);2013年07期

本文編號(hào)：2695395