基于多特征融合的高速路车辆多目标跟踪算法研究

发布时间：2022-01-15 19:18

　　针对高速路车辆移动速度快、检测器易出现漏检和误检、目标相互遮挡等问题,提出一种基于多种特征融合的高速路车辆多目标跟踪算法。检测器获取每帧目标检测框后,采用HSV颜色直方图和HOG直方图建立目标外观模型,通过卡尔曼滤波建立目标位置模型和尺寸模型,融合多种特征模型构建相似性度量矩阵,并利用二分图匹配解决在线数据关联问题。在KITTI车辆数据集和自采的高速车辆数据集上将该算法与若干经典算法进行比较,结果表明,该算法在跟踪正确率和跟踪速度上明显提升。 

【文章来源】：汽车技术. 2020,(09)北大核心CSCD

【文章页数】：6 页

【部分图文】：

本文采用的算法框架

分别利用HSV颜色直方图模型、HSV颜色直方图融合HOG特征模型计算图2a和图2b中同一目标的相似度，从图中可以看出，同一目标光照情况变化较大。使用单一HSV颜色特征计算相似度为0.26，而使用融合后的外观特征计算相似度为0.14，由式（10）可知，卡方距离越小，相似度越高。颜色直方图对目标旋转和部分遮挡具有较强的适应能力，而HOG直方图对光照变化具有较高鲁棒性，融合颜色和纹理的外观特征可更加准确地反映目标间的相似性，为目标跟踪提供更可靠的关联。2.2.2 尺寸相似性

图3显示了图像序列第133帧～第136帧中货车的检测边界框与预测边界框的宽度变化，图像宽640像素，高480像素。从图3中可以看出，货车位于图像区域边缘，上一帧预测的边界框超出了图像区域，将会导致同一目标检测框与预测框尺寸相似性存在较大误差。将超出区域的部分去掉，更新后的边界框宽度更接近当前帧的检测框宽度，Sijshape越小，目标的尺寸相似度越高。若不更新预测边界框计算，第135帧和第136帧中目标尺寸的相似度为0.051 2，更新后尺寸相似度为0.016 7，因此调整后的尺寸相似度在跟踪过程中能更准确地判断目标间的关联性。2.3 基于多特征融合的数据关联


本文编号：3591176