基于目標(biāo)和運(yùn)動(dòng)信息的Mean-Shift算法在視覺(jué)車輛跟蹤中的應(yīng)用.pdf

1、基于計(jì)算機(jī)視覺(jué)的車輛跟蹤多年來(lái)一直是熱門(mén)的研究課題之一,它是智能交通的基礎(chǔ)。視覺(jué)車輛跟蹤技術(shù)涉及到諸多學(xué)科,它不僅與圖像處理技術(shù)、計(jì)算機(jī)視覺(jué)息息相關(guān),還與人工智能和模式識(shí)別等緊密聯(lián)系。雖然目前有目標(biāo)跟蹤算法在車輛跟蹤上的應(yīng)用,但是目標(biāo)車輛本身特征的可變性、背景的干擾、跟蹤過(guò)程中目標(biāo)的遮擋問(wèn)題以及車輛的快速運(yùn)動(dòng)都成為了影響跟蹤準(zhǔn)確性的因素。因此,研究一種準(zhǔn)確度高、魯棒性強(qiáng)的車輛跟蹤算法依然是目前迫切需要解決的問(wèn)題。
　　本文首先介紹

2、了車輛跟蹤在國(guó)內(nèi)外的研究現(xiàn)狀,接著研究了傳統(tǒng) Mean-Shift算法在車輛跟蹤中的應(yīng)用。接著本文針對(duì)車輛跟蹤中目標(biāo)尺度變化、背景干擾、遮擋及目標(biāo)快速運(yùn)動(dòng)等問(wèn)題,在基于顏色特征的Mean-Shift算法基礎(chǔ)上,結(jié)合目標(biāo)信息和運(yùn)動(dòng)估計(jì)成功實(shí)現(xiàn)了車輛跟蹤。由于目標(biāo)車輛在移動(dòng)的過(guò)程中尺度可能發(fā)生變化,或者被其它干擾物遮擋,這就使目標(biāo)模型與候選模型之間的相似性系數(shù)降低,導(dǎo)致Mean-Shift算法陷入局部最優(yōu),從而造成定位失敗。在本文中,在Me

3、an-Shift算法基礎(chǔ)上,結(jié)合了目標(biāo)的信息,提高了Mean-Shift算法對(duì)目標(biāo)尺度變化的適應(yīng)性并優(yōu)化了模型;當(dāng)目標(biāo)被嚴(yán)重遮擋時(shí),結(jié)合運(yùn)動(dòng)估計(jì),利用卡爾曼濾波預(yù)測(cè)目標(biāo)的位置,從而彌補(bǔ)了Mean-Shift算法在處理遮擋問(wèn)題時(shí)的不足。
　　此外,本文還針對(duì)Mean-Shift在跟蹤快速移動(dòng)的目標(biāo)車輛容易陷入局部最優(yōu)的問(wèn)題,利用卡爾曼濾波器優(yōu)化后的初始中心克服了基本Mean-Shift算法用泰勒級(jí)數(shù)估計(jì)當(dāng)前幀初始窗口精度不高的缺陷。