基于稀疏表示的多车辆目标跟踪算法研究

摘要

多目标检测与跟踪,是计算机视觉的核心问题之一,虽然已经有了丰富的研究成果和应用,但仍然存在很多困难有待优化解决。场景中的不可预测因素,如阴影、光照、目标之间的遮挡等都会对目标的观测造成影响,导致无法正确关联和匹配目标。稀疏表示理论是近年来信号处理领域理论上的突破。如果信号是稀疏的,稀疏表示可以从稀疏信号的少量低维观测值中重构原信号,具有较强的抗干扰的能力。本文以动态交通场景中的车辆目标为跟踪的对象,用稀疏表示的思想来对多目标进行跟踪,解决常见的多目标跟踪的难点,如多目标之间的遮挡,匹配问题。
　　 本研究主要内容包括：⑴针对动态交通场景车辆持续运动,背景出现概率较大的特点,本文提出了一种基于彩色视觉信息统计的背景建模算法,克服了传统基于统计的背景建模方法的缺点,有效区分场景中的前景和背景；⑵在多车辆目标的检测和定位方面,分析了阴影、光照突变、目标区域分裂这些影响目标正确检测和定位的干扰因素在图像中的特点。阴影和光照突变区域的纹理与背景之间的纹理相似,本文用归一化互相关的方法来检测和去除阴影和光照突变。利用目标分裂连通域的多种特征来判断目标区域是否可能分裂,用二次差分的方法来合并分裂的目标,从而能较准确地检测定位多车辆目标；⑶在多车辆目标跟踪方面,研究了稀疏表示理论,提出了将多车辆目标跟踪问题转化成多稀疏信号的稀疏表示重构问题的思想,基于目标的颜色和纹理特征进行稀疏表示观测矩阵的建模,提出一种两轮重构匹配算法跟踪多目标的运动轨迹,解决多目标之间的遮挡、分裂等难点问题,设计了一种观测矩阵在线更新的策略,适应目标观测特征的不断变化,提高了目标重构的准确性。