基于计算机视觉的车辆检测与跟踪方法研究

发布时间：2020-06-03 21:01

【摘要】：车辆的检测和跟踪技术可以应用在诸多领域,如:交通场景、自动驾驶、智能视频监控等,具有很高的实际应用价值。这两项技术属于计算机视觉领域中运动目标检测与跟踪的一个子类,但是存在车辆运行环境复杂、周围干扰物多、运行速度不稳定等问题,使得车辆的检测和跟踪仍然面临着诸多的挑战,如何对车辆进行稳定的跟踪还是迫切需要解决的问题。鉴于此,本文主要的工作内容:在运动车辆检测方面,分析了主流的目标检测算法,选取运行速度快、算法原理简单的Vibe算法来解决运动车辆检测问题。针对Vibe算法检测结果易引入鬼影区域、无法对阴影区域进行判断、动态背景下检测误差较大的问题,本文提出了改进方案。结合三帧间差分法填充出真实完整的背景图像,在为每个像素点建立背景模型,快速消除鬼影区域;在C1C2C3颜色空间模型下,对Vibe算法的检测结果进行二次判断,有效消除了检测结果中的背景区域;使用动态阈值对像素进行分类,阈值能够随着背景动态变化自行调整,减少了动态背景对检测结果的影响。与原Vibe算法和其他目标检测算法相比,实验结果验证改进算法在较少帧数抑制了鬼影区域、消除了阴影区域,提高了运动车辆检测的整体性能。在车辆跟踪方面,本文充分利用神经网络的优势,提出了一种基于对称卷积神经网络的目标尺度自适应跟踪算法来实现车辆的稳定跟踪;设计对称神经网络实现目标中心定位,将目标跟踪问题转换成度量模板图像与候选区域相似度的问题,并采用动态更新和静态更新策略对模板图像进行更新,之后对目标中心进行多尺度采样,选取最合适的尺度作为跟踪窗口。最后在OTB公开数据集上测试了本算法的跟踪性能,与其他9种主流跟踪算法相比,本算法能在各种干扰因素下实现对车辆的稳定跟踪。
【图文】：

示意图,目标跟踪,框架,示意图

而高层特征图往往包含更多语义信息，论文分析跟踪性能变差的原因之一是层数越高提取出的特征图分辨率就越低，对目标定位产生不利影响。马超[29]提出了一种结合不同卷积层输出的特征映射图来训练三个不同滤波器进行目标跟踪定位的方法，该算法提取 VGG-Net-19 的 Conv5 4,Conv4 4,Conv3 4的激活值作为卷积特征，输入到三个相关滤波器中，首先在最高层大概确定目标位置，由粗到细实现目标的精准定位，完成目标跟踪。2016 年 C-COT[30]算法取得了 VOT 比赛的第一名，在面对形变、遮挡等问题表现不错，主要的贡献是对不同卷积层特征图使用频域隐形插值到连续空间域，防止产生冗余数据。1.3 车辆跟踪及其挑战1.3.1 目标跟踪框架下图为目标跟踪框架的基本框图，同样适用于解决本文的研究课题，目标跟踪主要由：外观模型、特征提取、运动模型、模型更新四大部分组成。

变化因素,光照,问题

（3）运动模型运动模型是从当前输入帧中提取多个候选区域，一般候选区的提取是在上一帧中目标的中心位置处按照被跟踪目标的大小划定多个区域为候选区域。（4）更新策略随着目标的不断运动及外界环境变化，视频中的目标外观形状会发生改变，因而表观模型不能一成不变，否则当目标出现较大变化时，无法跟踪到目标；因此需要根据具体研究对象确定模板图像的更新策略。1.3.2 面临的挑战（1）光照变化在实际的交通环境中，，阳光、路灯、对面车辆的灯光、建筑物发出的光都会影响环境的光照条件，导致整幅图像的像素值发生变化。光照条件不同车辆区域与背景区域之间的差异也会有所不同，这就给车辆检测和跟踪带来了困难。下图中车辆自身灯光与外界灯光严重对被跟踪车辆产生很大影响。如果检测算法不能忽略光照变化带来的影响，检测结果就会出现偏差。
【学位授予单位】：华北电力大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;U495

【参考文献】