本文關(guān)鍵詞：面向模糊視頻的車輛目標(biāo)跟蹤算法研究，由筆耕文化傳播整理發(fā)布。

【摘要】：1999年,全球大約有80萬人死于道路交通事故,經(jīng)濟(jì)損失超過5180億美元,約占當(dāng)年全球國民生產(chǎn)總值的1.7%,在此背景下,智能交通系統(tǒng)(Intelligent Transportation Systems, ITS)被人們提出,并且逐漸成為世界各國爭相研究的課題,而數(shù)字圖像處理技術(shù)由于其自身的特點和優(yōu)勢,融合了計算機(jī)視覺、模式識別、人工智能、自動控制等諸多領(lǐng)域的先進(jìn)成果,被越來越多的應(yīng)用到智能交通系統(tǒng)中。近幾年,基于視頻的車輛跟蹤技術(shù)作為智能交通系統(tǒng)中必不可少的一步,成為諸多學(xué)者的研究熱點。目前多數(shù)跟蹤算法是在理想環(huán)境下(清晰視頻,車輛始終保持水平,跟蹤過程中沒有遮擋)對車輛進(jìn)行跟蹤。但是,考慮到現(xiàn)實車輛行駛過程中自身的多變性(尺度縮放,姿態(tài)變化)和周圍復(fù)雜的環(huán)境變化(遮擋物和車間遮擋),使得車輛在現(xiàn)實場景中準(zhǔn)確跟蹤仍然存在諸多難點。本文通過深入研究車輛自身的復(fù)雜變化,提出了改進(jìn)的結(jié)構(gòu)化輸出支持向量機(jī)跟蹤算法。該算法針對視頻模糊、尺度和姿勢變化、部分或完全遮擋這三個問題對結(jié)構(gòu)化輸出支持向量機(jī)跟蹤算法進(jìn)行改進(jìn)。針對跟蹤視頻模糊及陰影問題,采用多尺度Retinex算法對視頻圖像增強(qiáng),提高背景目標(biāo)的對比度,改善特征提取精度。針對跟蹤過程中車輛尺度變化、車輛姿態(tài)變化的問題,提出基于仿射變換運(yùn)動估計的自適應(yīng)跟蹤窗算法,使跟蹤窗始終都能保持和車輛大小一致,傾斜角度一致,降低冗余背景信息對跟蹤算法的影響,提高跟蹤精度。針對車輛部分、全部遮擋,提出基于互信息模板匹配的遮擋處理算法,通過與模板進(jìn)行互信息匹配,檢測目標(biāo)是否發(fā)生遮擋,并確保車輛離開遮擋后跟蹤框重新跟上目標(biāo)。利用本文算法對不同的車輛跟蹤數(shù)據(jù)集進(jìn)行測試,實驗結(jié)果表明,本文算法可以很好的處理跟蹤過程中車輛和背景的復(fù)雜變化,相對于原始目標(biāo)跟蹤框架,基于改進(jìn)的結(jié)構(gòu)化輸出支持向量機(jī)跟蹤算法跟蹤精度有了很大提高。
【關(guān)鍵詞】：車輛跟蹤 模糊視頻 結(jié)構(gòu)化輸出SVM跟蹤 自適應(yīng)跟蹤窗 遮擋
【學(xué)位授予單位】：大連海事大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2016
【分類號】：TP391.41
【目錄】：

• 摘要5-6
• ABSTRACT6-10
• 第1章 緒論10-16
• 1.1 研究背景及意義10-11
• 1.2 車輛目標(biāo)跟蹤算法國內(nèi)外研究現(xiàn)狀11-13
• 1.3 車輛目標(biāo)跟蹤的關(guān)鍵問題13-14
• 1.4 論文主要研究內(nèi)容14-15
• 1.5 論文組織結(jié)構(gòu)15-16
• 第2章 復(fù)雜場景下的圖像預(yù)處理16-30
• 2.1 圖像灰度變換16-17
• 2.2 圖像增強(qiáng)17-24
• 2.2.1 對比度拉伸18-20
• 2.2.2 直方圖均衡化20-21
• 2.2.3 基于中心環(huán)繞思想的Retinex算法21-24
• 2.3 算法性能評價指標(biāo)24-25
• 2.4 實驗對比分析25-29
• 2.5 本章小結(jié)29-30
• 第3章 基于仿射變換運(yùn)動估計的自適應(yīng)跟蹤窗算法30-42
• 3.1 圖像序列運(yùn)動估計算法30-31
• 3.2 仿射變換理論31-33
• 3.2.1 仿射變換基礎(chǔ)知識31-32
• 3.2.2 仿射變換求解32-33
• 3.3 自適應(yīng)跟蹤窗算法33-36
• 3.3.1 尺度縮放變換33-35
• 3.3.2 旋轉(zhuǎn)變換35-36
• 3.4 實驗對比分析36-40
• 3.5 本章小結(jié)40-42
• 第4章 基于互信息模板匹配的遮擋處理算法42-53
• 4.1 信息熵基礎(chǔ)理論42-44
• 4.1.1 信息熵概述42-43
• 4.1.2 互信息概述43-44
• 4.2 基于互信息的模板匹配模型44-46
• 4.3 遮擋處理策略46-48
• 4.4 實驗對比分析48-52
• 4.5 本章小結(jié)52-53
• 第5章 改進(jìn)的結(jié)構(gòu)化輸出SVM車輛跟蹤算法53-66
• 5.1 SVM基礎(chǔ)知識53-56
• 5.2 Haar-like特征56-58
• 5.2.1 Haar-like特征概述56-57
• 5.2.2 Haar-like特征值計算57-58
• 5.3 結(jié)構(gòu)化輸出SVM跟蹤算法58-61
• 5.3.1 結(jié)構(gòu)化輸出SVM跟蹤原理58-60
• 5.3.2 結(jié)構(gòu)化輸出SVM跟蹤算法框架60-61
• 5.4 改進(jìn)的結(jié)構(gòu)化輸出SVM跟蹤算法設(shè)計61-62
• 5.5 實驗對比分析62-65
• 5.6 本章小結(jié)65-66
• 第6章 總結(jié)與展望66-68
• 6.1 工作總結(jié)66
• 6.2 研究展望66-68
• 參考文獻(xiàn)68-72
• 攻讀學(xué)位期間公開發(fā)表論文情況72-73
• 致謝73

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 卞建勇;徐建閩;裴海龍;;基于強(qiáng)化學(xué)習(xí)的視頻車輛跟蹤[J];華南理工大學(xué)學(xué)報(自然科學(xué)版);2008年10期

2 張曉媚;陳偉海;劉敬猛;趙志文;;基于柔性曲桿的車輛跟蹤算法設(shè)計與實現(xiàn)[J];北京航空航天大學(xué)學(xué)報;2011年07期

3 甘玲;潘小雷;;一種應(yīng)用于交通環(huán)境中的運(yùn)動車輛跟蹤方法[J];重慶郵電大學(xué)學(xué)報(自然科學(xué)版);2013年03期

4 郭鋒;王秉政;楊晨暉;;復(fù)雜背景下車輛跟蹤的改進(jìn)算法及逆行檢測[J];圖學(xué)學(xué)報;2013年04期

5 魏玉強(qiáng);王成儒;;多車輛跟蹤時分割粘連車輛的方法[J];電視技術(shù);2009年11期

6 王文龍;李清泉;;基于蒙特卡羅算法的車輛跟蹤方法[J];測繪學(xué)報;2011年02期

7 李t，

本文編號：390093