針對(duì)高速路車輛移動(dòng)速度快、檢測(cè)器易出現(xiàn)漏檢和誤檢、目標(biāo)相互遮擋等問題,提出一種基于多種特征融合的高速路車輛多目標(biāo)跟蹤算法。檢測(cè)器獲取每幀目標(biāo)檢測(cè)框后,采用HSV顏色直方圖和HOG直方圖建立目標(biāo)外觀模型,通過卡爾曼濾波建立目標(biāo)位置模型和尺寸模型,融合多種特征模型構(gòu)建相似性度量矩陣,并利用二分圖匹配解決在線數(shù)據(jù)關(guān)聯(lián)問題。在KITTI車輛數(shù)據(jù)集和自采的高速車輛數(shù)據(jù)集上將該算法與若干經(jīng)典算法進(jìn)行比較,結(jié)果表明,該算法在跟蹤正確率和跟蹤速度上明顯提升。 

【文章來源】：汽車技術(shù). 2020,(09)北大核心CSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

本文采用的算法框架

分別利用HSV顏色直方圖模型、HSV顏色直方圖融合HOG特征模型計(jì)算圖2a和圖2b中同一目標(biāo)的相似度，從圖中可以看出，同一目標(biāo)光照情況變化較大。使用單一HSV顏色特征計(jì)算相似度為0.26，而使用融合后的外觀特征計(jì)算相似度為0.14，由式（10）可知，卡方距離越小，相似度越高。顏色直方圖對(duì)目標(biāo)旋轉(zhuǎn)和部分遮擋具有較強(qiáng)的適應(yīng)能力，而HOG直方圖對(duì)光照變化具有較高魯棒性，融合顏色和紋理的外觀特征可更加準(zhǔn)確地反映目標(biāo)間的相似性，為目標(biāo)跟蹤提供更可靠的關(guān)聯(lián)。2.2.2 尺寸相似性

圖3顯示了圖像序列第133幀～第136幀中貨車的檢測(cè)邊界框與預(yù)測(cè)邊界框的寬度變化，圖像寬640像素，高480像素。從圖3中可以看出，貨車位于圖像區(qū)域邊緣，上一幀預(yù)測(cè)的邊界框超出了圖像區(qū)域，將會(huì)導(dǎo)致同一目標(biāo)檢測(cè)框與預(yù)測(cè)框尺寸相似性存在較大誤差。將超出區(qū)域的部分去掉，更新后的邊界框?qū)挾雀咏?dāng)前幀的檢測(cè)框?qū)挾�，Sijshape越小，目標(biāo)的尺寸相似度越高。若不更新預(yù)測(cè)邊界框計(jì)算，第135幀和第136幀中目標(biāo)尺寸的相似度為0.051 2，更新后尺寸相似度為0.016 7，因此調(diào)整后的尺寸相似度在跟蹤過程中能更準(zhǔn)確地判斷目標(biāo)間的關(guān)聯(lián)性。2.3 基于多特征融合的數(shù)據(jù)關(guān)聯(lián)


本文編號(hào)：3591176