复杂道路场景下基于视频的车辆跟踪方法研究

摘要

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基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域是否被遮挡，如果目标车辆没有受到遮挡干扰，则继续使用位置与尺度滤波器的跟踪方式。如果目标车辆受到局部遮挡干扰，则核相关滤波算法输出结果将不在可信，所以融合卡尔曼滤波器预测目标车辆的位置。 4)相关滤波器更新目标模板只基于当前帧，且学习率参数不能自适应地变化，所以提出一种自适应更新学习率参数的方法。 在Visual Tracker Benchmark数据集与不同的道路监控视频上测试了改进后的跟踪方法，实验结果表明本文的跟踪方法能够实现在复杂道路场景下对目标车辆的稳定跟踪，在Visual Tracker Benchmark数据集中Carl上的平均跟踪误差仅为1.3个像素。

目录

声明

1 绪论

1.1 研究背景与意义

1.2 国内外研究现状

1.3 车辆目标跟踪技术介绍

1.4 车辆跟踪的主要难点

1.5 论文的结构安排

2 基于核相关滤波的目标跟踪算法及实现

2.1 核相关滤波算法

2.1.1 训练样本的生成

2.1.2 核相关分类器的训练

2.1.3 目标位置的快速检测

2.1.4 模型更新

2.2 算法在车辆跟踪中的实现

2.2.1 实验环境与参数

2.2.2 实验结果与分析

2.3 本章小结

3 基于多特征融合的核相关滤波车辆跟踪算法

3.1 目标特征提取

3.1.1 方向梯度直方图

3.1.2 颜色特征

3.2 融合特征的目标检测

3.3 实验结果及分析

3.4 本章小结

4 复杂道路场景下车辆的跟踪

4.1 多尺度的改进

4.1.1 一维尺度相关滤波器

4.1.2 特征降维

4.1.3 尺度降维

4.2 遮挡处理

4.2.1 遮挡分析及解决方案

4.2.2 卡尔曼滤器波介绍

4.2.3 卡尔曼滤波器建模

4.2.4 遮挡检测

4.2.5 自适应模型更新

4.3 跟踪算法流程

4.4 本章小结

5 实验结果与分析

5.1 实验环境与参数

5.2 尺度可变对比实验

5.3 遮挡对比试验

5.4 跟踪性能对比实验

5.5 本章小结

6 总结与展望

6.1 总结

6.2 展望

致谢

参考文献

攻读学位期间主要研究成果