復(fù)雜道路環(huán)境下車輛的精細分割與跟蹤.pdf

1、車輛的分割和跟蹤技術(shù)是圖像處理以及計算機視覺領(lǐng)域的熱門課題，該技術(shù)實現(xiàn)了對感興趣目標(biāo)及其運動軌跡的提取。通過計算車輛的前景區(qū)域并進行跟蹤完成了運動對象的速度、轉(zhuǎn)向信息、違章行為以及道路的擁堵程度等交通信息的監(jiān)控與分析，因其巨大的研究價值及應(yīng)用前景，該技術(shù)被應(yīng)用于智能交通系統(tǒng)、安防監(jiān)控、城市交通規(guī)劃等多個領(lǐng)域。但是由于光源的遮擋，在行駛過程中車輛自身的陰影與其協(xié)同運動，產(chǎn)生了車輛前景粘連及輪廓失真等現(xiàn)象，對后續(xù)的車輛分析造成了嚴(yán)重的影響。

2、隨著相機網(wǎng)絡(luò)的普及，相機集群覆蓋的視野逐漸擴大，與此同時人們對目標(biāo)在廣域內(nèi)的跟蹤需求也日益增加，但相機網(wǎng)絡(luò)產(chǎn)生的海量數(shù)據(jù)制約了該應(yīng)用的快速發(fā)展。針對上述問題，本文在傳統(tǒng)方法的基礎(chǔ)上提出了一種精細化車輛分割算法以及一種應(yīng)用于廣域目標(biāo)跟蹤的候選目標(biāo)計算方法并通過相關(guān)實驗體現(xiàn)了兩者的有效性。
　　本文的主要研究內(nèi)容及貢獻如下：
　　首先，通過大量的國內(nèi)外相關(guān)文獻的閱讀，本文深入地研究了現(xiàn)有的目標(biāo)檢測及跟蹤的算法框架、原理與實現(xiàn)方法

3、。分析并詳細地闡述了傳統(tǒng)方法中存在的優(yōu)點和不足，并結(jié)合本文的實際需要選擇適當(dāng)?shù)姆椒ā?br>　　然后，針對運動陰影造成的前景粘連和輪廓失真問題，提出了一種基于時空多特征融合的車輛精細分割方法。利用顏色、物理模型以及紋理三個方面共同獲取前景概率譜，并結(jié)合視頻的時域相關(guān)性在消除陰影的同時取得了良好的前景分割效果。通過與多個陰影消除方法實驗數(shù)據(jù)的對比，證明了本文提出的時空多特征融合的前景分割方法的優(yōu)越性。
　　最后，為解決多相機網(wǎng)絡(luò)的高

4、復(fù)雜度計算問題，提出了一種針對廣域目標(biāo)跟蹤的時空模型車輛候選目標(biāo)提取方法?；诮y(tǒng)計信息恢復(fù)網(wǎng)絡(luò)的拓撲結(jié)構(gòu)并結(jié)合高斯混合模型估計相機間的轉(zhuǎn)移時間分布，從而得到候選目標(biāo)。通過相關(guān)的實驗以及與各種方法的對比，反映出本文方法在縮小搜索范圍及命中率方面的良好表現(xiàn)，為后續(xù)的車輛匹配和跟蹤等處理打下充分的基礎(chǔ)。
　　綜上所述，本文提出了一種車輛前景區(qū)域的精細化分割方法，有效地提高了陰影的檢測率及辨識率，完整地分割出車輛目標(biāo)；同時提出了一種廣域車