复杂道路场景下基于视频的车辆跟踪方法研究
发布时间：2021-07-04 16:11
近年来,智能交通系统的快速发展,车辆跟踪技术在交通管理,公共安全等领域有着广泛的应用。所以,基于视频的车辆跟踪技术也成为近年来研究的热点。但是运动的车辆存在着复杂的变化,如车辆尺度、姿态变化以及在十字路口这些复杂道路场景下,车辆的部分遮挡、全部遮挡等。所以车辆跟踪技术仍然存在很多难点,如何实现在复杂道路场景下运动车辆鲁棒、实时地跟踪仍具有重要的现实意义。针对运动车辆跟踪的技术问题,对当前运动目目标跟踪算法进行深入的研究,并详细讨论了基于核相关滤波的目标跟踪算法,在此基础上分析其优缺点,并对其进行合理地改进使之适应复杂道路场景下车辆的跟踪。主要的研究内容如下:1)在核相关滤波跟踪算法框架下融合颜色特征,基于方向梯度直方图（Histogram of Oriented Gradient,HOG）特征与颜色特征分别训练分类器进行目标检测,在决策层进行特征的自适应融合预测目标车辆的位置。2)在改进的核相关滤波跟踪算法的站础上引入快速分类尺度空间跟踪器,解决核相关滤波算法难以应对因车辆尺度变化而不能继续跟踪的问题。3)针对车辆部分,全部遮挡的问题,增加遮挡处理模块。通过遮挡检测算法判断当前帧目标区...
【文章来源】：西安理工大学陕西省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
核相关滤波算法跟踪结果
（a）第 14 帧 （b）第 540 帧 （c）第 769 帧（a）14th frames （b）540th frames （c）769th frames图 3-6 BlueCar1 实验结果Fig.3-6 BlueCar1 experimental results0 200 400 600 80002468101214161820跟踪误差(pixels)帧数(frames)（a）核相关滤波算法的跟踪误差曲线 （b）改进后算法的跟踪误差曲线（a）Tracking error curve of kcf （b）Tracking error curve of improved algorithm图 3-7 跟踪误差对比Fig.3-7 Tracking error comparison如图 3-6 所示，图中上，下两行分别表示改进前跟踪算法和改进后跟踪算法的实验结
应道路监控视频及选取数据集进行实验。本章介绍了实验环境、实验模型参数及部分实验结果，并对实验结果进行了分析。5.1 实验环境与参数实验的硬件环境是 A8-4500M，主频 1.9GHz CPU，4G RAM 计算机，软件采用 VS 2013与 OpenCV 3.1.0 的编程环境。实验中核相关滤波算法的参数保持不变。学习因子 为 0.02，高斯核标准差 为 0.5，正则化参数 为 0.0001。本文参数设置如下：一维尺度相关滤波器正则化参数s 为 0.01，学习因子 为 0.025。遮挡阈值1 为 0.8，面积因子2 为 0.3，调节系数 为 0.85。本文采集了三组不同情况下的道路车辆监控视频进行实验,视频 1 为目标车辆有尺度从小到大的变化、视频 2 为目标车辆有尺度从大到小的变化、视频 3 为目标车辆有遮挡和轻微旋转。5.2 尺度可变对比实验利用视频 1 进行尺度可变对比试验，验证算法在目标车辆的尺度从小到大变化时的跟踪效果，视频图像的分辨率为640 480，帧率为每秒 25 帧。试验结果部分截图如图 5-1所示。
【参考文献】：
期刊论文
[1]基于边缘自适应的Mean Shift目标跟踪方法[J]. 周杨,胡桂明,黄东芳. 电子技术应用. 2017(05)
[2]基于Kalman滤波和区域匹配的视频多目标跟踪[J]. 陈忠会,于明,于洋,付龙. 控制工程. 2017(04)
[3]基于光流法的运动目标检测与跟踪算法[J]. 肖军,朱世鹏,黄杭,谢亚男. 东北大学学报(自然科学版). 2016(06)
[4]基于稀疏约束深度学习的交通目标跟踪[J]. 杨红红,曲仕茹. 中国公路学报. 2016(06)
[5]全国机动车污染物排放量——《2013年中国机动车污染防治年报》（第Ⅱ部分）[J]. 黄志辉,陈伟程,吉喆,尹航,马冬. 环境与可持续发展. 2014(01)
[6]融合角点特征与颜色特征的Mean-Shift目标跟踪算法[J]. 宋丹,赵保军,唐林波. 系统工程与电子技术. 2012(01)
[7]车辆视频检测感兴趣区域确定算法[J]. 徐国艳,王传荣,高峰,王江峰. 北京航空航天大学学报. 2010(07)
[8]用于智能交通的运动车辆跟踪算法[J]. 高韬,刘正光,岳士宏,张军. 中国公路学报. 2010(03)
[9]基于几何活动轮廓模型的目标跟踪与快速运动估计[J]. 罗嘉,韦志辉. 中国图象图形学报. 2009(07)
硕士论文
[1]基于背景建模的运动目标检测与跟踪算法的研究[D]. 石丹.西安科技大学 2016
[2]基于核化相关滤波器的目标跟踪技术研究及应用系统[D]. 余礼杨.北京邮电大学 2016
本文编号：3265108
【文章来源】：西安理工大学陕西省
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
核相关滤波算法跟踪结果
（a）第 14 帧 （b）第 540 帧 （c）第 769 帧（a）14th frames （b）540th frames （c）769th frames图 3-6 BlueCar1 实验结果Fig.3-6 BlueCar1 experimental results0 200 400 600 80002468101214161820跟踪误差(pixels)帧数(frames)（a）核相关滤波算法的跟踪误差曲线 （b）改进后算法的跟踪误差曲线（a）Tracking error curve of kcf （b）Tracking error curve of improved algorithm图 3-7 跟踪误差对比Fig.3-7 Tracking error comparison如图 3-6 所示，图中上，下两行分别表示改进前跟踪算法和改进后跟踪算法的实验结
应道路监控视频及选取数据集进行实验。本章介绍了实验环境、实验模型参数及部分实验结果，并对实验结果进行了分析。5.1 实验环境与参数实验的硬件环境是 A8-4500M，主频 1.9GHz CPU，4G RAM 计算机，软件采用 VS 2013与 OpenCV 3.1.0 的编程环境。实验中核相关滤波算法的参数保持不变。学习因子 为 0.02，高斯核标准差 为 0.5，正则化参数 为 0.0001。本文参数设置如下：一维尺度相关滤波器正则化参数s 为 0.01，学习因子 为 0.025。遮挡阈值1 为 0.8，面积因子2 为 0.3，调节系数 为 0.85。本文采集了三组不同情况下的道路车辆监控视频进行实验,视频 1 为目标车辆有尺度从小到大的变化、视频 2 为目标车辆有尺度从大到小的变化、视频 3 为目标车辆有遮挡和轻微旋转。5.2 尺度可变对比实验利用视频 1 进行尺度可变对比试验，验证算法在目标车辆的尺度从小到大变化时的跟踪效果，视频图像的分辨率为640 480，帧率为每秒 25 帧。试验结果部分截图如图 5-1所示。
【参考文献】：
期刊论文
[1]基于边缘自适应的Mean Shift目标跟踪方法[J]. 周杨,胡桂明,黄东芳. 电子技术应用. 2017(05)
[2]基于Kalman滤波和区域匹配的视频多目标跟踪[J]. 陈忠会,于明,于洋,付龙. 控制工程. 2017(04)
[3]基于光流法的运动目标检测与跟踪算法[J]. 肖军,朱世鹏,黄杭,谢亚男. 东北大学学报(自然科学版). 2016(06)
[4]基于稀疏约束深度学习的交通目标跟踪[J]. 杨红红,曲仕茹. 中国公路学报. 2016(06)
[5]全国机动车污染物排放量——《2013年中国机动车污染防治年报》（第Ⅱ部分）[J]. 黄志辉,陈伟程,吉喆,尹航,马冬. 环境与可持续发展. 2014(01)
[6]融合角点特征与颜色特征的Mean-Shift目标跟踪算法[J]. 宋丹,赵保军,唐林波. 系统工程与电子技术. 2012(01)
[7]车辆视频检测感兴趣区域确定算法[J]. 徐国艳,王传荣,高峰,王江峰. 北京航空航天大学学报. 2010(07)
[8]用于智能交通的运动车辆跟踪算法[J]. 高韬,刘正光,岳士宏,张军. 中国公路学报. 2010(03)
[9]基于几何活动轮廓模型的目标跟踪与快速运动估计[J]. 罗嘉,韦志辉. 中国图象图形学报. 2009(07)
硕士论文
[1]基于背景建模的运动目标检测与跟踪算法的研究[D]. 石丹.西安科技大学 2016
[2]基于核化相关滤波器的目标跟踪技术研究及应用系统[D]. 余礼杨.北京邮电大学 2016
本文编号：3265108
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3265108.html
最近更新
教材专著
