【摘要】： 本文以基于單目視覺的車輛檢測項目作為背景,對目標檢測和跟蹤算法進行了系統(tǒng)的研究。重點研究了基于模型的目標檢測和跟蹤、基于Mean Shift的跟蹤算法以及基于主動輪廓的目標分割和跟蹤,并對本文的背景項目中作者所開發(fā)的車輛檢測和跟蹤系統(tǒng)作了詳細的介紹。論文共分為六章。 首先在緒論部分對主要的運動目標檢測和跟蹤算法以及車輛檢測算法的國內(nèi)外研究現(xiàn)狀進行了綜述。綜合分析了各種運動目標檢測和跟蹤算法的優(yōu)缺點,介紹了車輛檢測系統(tǒng)的構(gòu)成以及本文的研究背景。 第二章研究了基于模型的目標檢測和跟蹤算法,提出了一種新的基于曲線投影的模型匹配算法,在此基礎(chǔ)上進行基于模型的目標檢測和跟蹤并提出了一種基于模型和區(qū)域相關(guān)融合的魯棒跟蹤算法。新的模型匹配算法允許模型與目標特征的部分匹配,提高了目標檢測和跟蹤算法對目標部分遮擋情況的適應(yīng)能力,而模型匹配利用邊緣作為目標特征使得算法能夠適應(yīng)光照條件的變化。跟蹤算法融合了區(qū)域相關(guān)之后綜合了目標的形狀和外觀特征,提高了模型匹配抵抗背景變化干擾的能力,使得算法具有很強的魯棒性。將部分匹配的思想引入基于外觀的跟蹤算法中,提出了一種SSD和MCD融合的跟蹤算法,算法既考慮了模板與目標之間相似點所占比例同時也考慮了相似點之間的相似程度,避免了單獨使用SSD或MCD的缺點。實驗結(jié)果表明融合算法對目標的部分遮擋的適應(yīng)能力有了很大的提高,能夠長時間進行穩(wěn)定的目標跟蹤。 第三章是對基于Mean Shift的跟蹤算法的研究。在對原算法研究的基礎(chǔ)上提出了一種基于分塊顏色直方圖的改進算法,使用分塊顏色直方圖作為目標表示方法提高了目標的辨識能力,加強了原算法的魯棒性。引入目標旋轉(zhuǎn)和縮放矩陣改進了原算法對目標旋轉(zhuǎn)和縮放的適應(yīng)能力,并對Mean Shift用于其它跟蹤算法的方法進行了探討。 第四章在對常見的幾種主動輪廓模型進行研究之后提出了一種新的基于仿生原理的主動輪廓模型----蠕蟲。新的模型克服了Snake模型不能適應(yīng)拓撲變化的缺點,并且能夠自動提取任意形狀目標的外部和內(nèi)部輪廓。模型采用二維區(qū)域的邊界作為主動輪廓的表示,避免了水平集方法將二維問題轉(zhuǎn)化為三維帶來的計算量大的問題;與C-V模型相比較,蠕蟲模型可以同時提取各種灰度或者區(qū)域灰度不均目標的輪廓;與測地線主動輪廓比較,蠕蟲模型具有可以提取弱邊緣目標以及自動提取目標內(nèi)部輪廓的能力。模型綜合了基于區(qū)域和基于邊緣方法的優(yōu)點,具有很強的適應(yīng)能力和靈活性。 第五章詳細介紹了作者所開發(fā)的車輛檢測和跟蹤系統(tǒng)。對系統(tǒng)的各個部分逐一介紹,包括基于陰影檢測的感興趣區(qū)域獲取,基于模型的車輛檢測和跟蹤,遮擋情況的處理,以及車距的測量幾個主要部分,并給出了系統(tǒng)流程圖和相應(yīng)的實驗結(jié)果。 最后是對本文的總結(jié)和對未來發(fā)展方向的展望。
【圖文】：

但一般不能完全提取出所有相關(guān)的特征像素點，這樣在運動實體內(nèi)部容易產(chǎn)生空洞現(xiàn)象。如圖1.1中，(a)是攝像機靜止的情況下，左邊是攝像機獲取的圖像，右邊是兩幀差分的結(jié)果，，(b)是攝像機運動的情況下的兩幀差分。圖中可以看到差分的方

以期減少場景變化對于運動分割的影響〔6]〔7]〔8〕。對背景已知的應(yīng)用情況，背景差法是一種有效的運動目標檢測算法。但是當攝像機運動的情況下，背景圖像也在不停的快速變化中，在這種情況下還沒有合適的背景建模方法可以利用。圖1.2是在靜止攝像機情況下利用時間平均背景建模方法檢測運動目標的情況。圖1.2基于背景建模的運動目標檢測(3)光流場估計;光流是空間運動物體被觀測面上的像素點運動產(chǎn)生的瞬時速度場，包含了物體3D表面結(jié)構(gòu)和運動的重要信息。一般情況下，光流由攝像機運動、場景中目標運動，或兩者的運動產(chǎn)生。當場景中有獨立的運動目標時，通過光流分析可以確定運動目標的數(shù)目、運動速度、目標距離和目標的表面結(jié)構(gòu)。光流場的計算一直以來都是計算機視覺領(lǐng)域中的一個研究重點〔9〕〔1�！场�11〕。光流分析可以分為連續(xù)光流法和特征光流法。連續(xù)光流法一般采用基于幀間圖像強度守衡的梯度算法，其中最為經(jīng)典的算法是L一K(Luca:&Kanade)法〔’2〕和H一s(Horn&SChunck)法〔ls]。特征光流法是通過特征匹配求得特征點處的光流，可以4
【學位授予單位】：南京理工大學
【學位級別】：博士
【學位授予年份】：2008
【分類號】：TP391.41

【引證文獻】

相關(guān)期刊論文 前2條

1 敬澤;薛方正;李祖樞;;基于單目視覺的空間目標位置測量[J];傳感器與微系統(tǒng);2011年03期

2 張蕊;;基于機器視覺的跟蹤目標距離研究[J];黑龍江科技信息;2010年09期

相關(guān)碩士學位論文 前9條

1 李劍飛;基于視覺的實時手勢跟蹤與識別研究[D];北方工業(yè)大學;2011年

2 高飛;基于DSP的多運動目標檢測與跟蹤技術(shù)研究[D];合肥工業(yè)大學;2011年

3 郭瑞;RoboCup中型組機器人定位與足球檢測研究[D];長安大學;2011年

4 趙保佑;基于視覺的車輛檢測與跟蹤技術(shù)研究[D];武漢理工大學;2009年

5 桂祖恒;基于均值偏移和粒子濾波的視頻目標跟蹤算法研究[D];南京理工大學;2009年

6 白文江;基于圖像處理的智能交通監(jiān)控系統(tǒng)的研究與實現(xiàn)[D];東華大學;2010年

7 魯振山;基于視頻圖像的運動人體檢測與跟蹤算法研究[D];南京理工大學;2010年

8 高明;基于HOG和粒子濾波器的行人目標檢測與跟蹤[D];北方工業(yè)大學;2010年

9 陳家波;視頻中運動目標跟蹤算法的研究[D];蘇州大學;2012年

本文編號：2602392