论文部分内容阅读
视频监控中的运动车辆目标跟踪技术研究是智能交通系统(Intelligent Transportation Systems ITS)的一个非常重要的课题。近年来,国内外众多学者对车辆目标跟踪进行了大量的研究,但是由于车辆自身的复杂变化,包括车辆快速运动、车辆尺度变化、车辆旋转、姿态变化和车辆受相似物干扰、车辆部分甚至全部遮挡等;以及复杂的外部环境,如摄像头移动、抖动和恶劣的雨雪天气等,使得车辆目标的准确跟踪仍然存在诸多难点,本文针对这些难点问题展开了研究。具体完成的研究工作如下:(1)针对车辆尺度变化、车辆旋转及形变等干扰,本文引入SIFT特征对车辆进行特征提取。SIFT特征对车辆远近变化、姿态变化、尺度缩放、光照变化有较强鲁棒性,所以SIFT特征可以有效解决目标的旋转、缩放、平移,为车辆跟踪提供很好的特征支持。但是传统的SIFT特征跟踪不能区分前景和背景,极多的匹配特征集中在背景上,导致跟踪目标丢失。通过研究现有车辆跟踪算法,本文提出了一种基于SIFT特征与Grab Cut算法的车辆跟踪,在SIFT特征跟踪的基础上引入了Grab Cut提取前景的跟踪方法。实验表明,该方法在日间摄像机不明显晃动环境下,初始帧运动检测车辆后能够对运动车辆实现稳定的跟踪,并且有效解决车辆姿态变化及远近变化问题。(2)针对车辆在快速运动的过程中,可能造成车辆跟踪失败的问题,研究分析了TLD算法对车辆目标进行跟踪的利弊。TLD算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。本文对TLD算法进行改进,在算法检测模块引入基于Meanshift与Kalman的当前帧目标所在区域预估,预估有效缩小了检测模块的检测范围,提高算法实时性及准确性;对原算法方差分类器改进采用颜色特征分类器,提高了算法对目标识别性能;对综合模块改进,提高了算法目标跟踪成功率。通过实验对改进后TLD及原始TLD进行比较,实验结果表明改进的TLD算法具有更高的跟踪准确性及更好的跟踪实时性。(3)本文将改进的TLD算法与基于SIFT特征与Grab Cut算法的车辆跟踪方法应用在智能交通领域中用来跟踪车辆记录车辆行驶轨迹,对违法停车,违法逆行及车速进行监测,从而进一步扩大了车辆跟踪算法的应用前景。