基于单目视觉的运动目标检测与跟踪算法研究

发布时间：2020-03-27 03:24

【摘要】： 本文以基于单目视觉的车辆检测项目作为背景,对目标检测和跟踪算法进行了系统的研究。重点研究了基于模型的目标检测和跟踪、基于Mean Shift的跟踪算法以及基于主动轮廓的目标分割和跟踪,并对本文的背景项目中作者所开发的车辆检测和跟踪系统作了详细的介绍。论文共分为六章。首先在绪论部分对主要的运动目标检测和跟踪算法以及车辆检测算法的国内外研究现状进行了综述。综合分析了各种运动目标检测和跟踪算法的优缺点,介绍了车辆检测系统的构成以及本文的研究背景。第二章研究了基于模型的目标检测和跟踪算法,提出了一种新的基于曲线投影的模型匹配算法,在此基础上进行基于模型的目标检测和跟踪并提出了一种基于模型和区域相关融合的鲁棒跟踪算法。新的模型匹配算法允许模型与目标特征的部分匹配,提高了目标检测和跟踪算法对目标部分遮挡情况的适应能力,而模型匹配利用边缘作为目标特征使得算法能够适应光照条件的变化。跟踪算法融合了区域相关之后综合了目标的形状和外观特征,提高了模型匹配抵抗背景变化干扰的能力,使得算法具有很强的鲁棒性。将部分匹配的思想引入基于外观的跟踪算法中,提出了一种SSD和MCD融合的跟踪算法,算法既考虑了模板与目标之间相似点所占比例同时也考虑了相似点之间的相似程度,避免了单独使用SSD或MCD的缺点。实验结果表明融合算法对目标的部分遮挡的适应能力有了很大的提高,能够长时间进行稳定的目标跟踪。第三章是对基于Mean Shift的跟踪算法的研究。在对原算法研究的基础上提出了一种基于分块颜色直方图的改进算法,使用分块颜色直方图作为目标表示方法提高了目标的辨识能力,加强了原算法的鲁棒性。引入目标旋转和缩放矩阵改进了原算法对目标旋转和缩放的适应能力,并对Mean Shift用于其它跟踪算法的方法进行了探讨。第四章在对常见的几种主动轮廓模型进行研究之后提出了一种新的基于仿生原理的主动轮廓模型----蠕虫。新的模型克服了Snake模型不能适应拓扑变化的缺点,并且能够自动提取任意形状目标的外部和内部轮廓。模型采用二维区域的边界作为主动轮廓的表示,避免了水平集方法将二维问题转化为三维带来的计算量大的问题;与C-V模型相比较,蠕虫模型可以同时提取各种灰度或者区域灰度不均目标的轮廓;与测地线主动轮廓比较,蠕虫模型具有可以提取弱边缘目标以及自动提取目标内部轮廓的能力。模型综合了基于区域和基于边缘方法的优点,具有很强的适应能力和灵活性。第五章详细介绍了作者所开发的车辆检测和跟踪系统。对系统的各个部分逐一介绍,包括基于阴影检测的感兴趣区域获取,基于模型的车辆检测和跟踪,遮挡情况的处理,以及车距的测量几个主要部分,并给出了系统流程图和相应的实验结果。最后是对本文的总结和对未来发展方向的展望。
【图文】：

摄像机,帧差,目标检测,特征像素点

但一般不能完全提取出所有相关的特征像素点，这样在运动实体内部容易产生空洞现象。如图1.1中，(a)是摄像机静止的情况下，左边是摄像机获取的图像，右边是两帧差分的结果，，(b)是摄像机运动的情况下的两帧差分。图中可以看到差分的方

目标检测,背景,建模,光流

以期减少场景变化对于运动分割的影响〔6]〔7]〔8〕。对背景已知的应用情况，背景差法是一种有效的运动目标检测算法。但是当摄像机运动的情况下，背景图像也在不停的快速变化中，在这种情况下还没有合适的背景建模方法可以利用。图1.2是在静止摄像机情况下利用时间平均背景建模方法检测运动目标的情况。图1.2基于背景建模的运动目标检测(3)光流场估计;光流是空间运动物体被观测面上的像素点运动产生的瞬时速度场，包含了物体3D表面结构和运动的重要信息。一般情况下，光流由摄像机运动、场景中目标运动，或两者的运动产生。当场景中有独立的运动目标时，通过光流分析可以确定运动目标的数目、运动速度、目标距离和目标的表面结构。光流场的计算一直以来都是计算机视觉领域中的一个研究重点〔9〕〔1。〕〔11〕。光流分析可以分为连续光流法和特征光流法。连续光流法一般采用基于帧间图像强度守衡的梯度算法，其中最为经典的算法是L一K(Luca:&Kanade)法〔’2〕和H一s(Horn&SChunck)法〔ls]。特征光流法是通过特征匹配求得特征点处的光流，可以4
【学位授予单位】：南京理工大学
【学位级别】：博士
【学位授予年份】：2008
【分类号】：TP391.41

【引证文献】