基于光流的动态场景中运动车辆检测与跟踪算法研究

摘要

运动车辆的检测与跟踪技术一直以来都是智能交通系统中的一个重点研究内容，目前在车辆的检测和跟踪问题上还有着很多有待解决的问题。其中动态场景中运动车辆的检测由于存在着车辆与背景两个相互独立的运动而使车辆的提取更加困难，在车辆检测的准确性上，有着很大的研究空间。论文首先对目前的光流检测方法中存在的错误光流难以完全去除的问题进行了详细的研究和探讨，并提出了一种有效的解决方法。同时采用聚类的方法准确的从动态场景中提取出车辆。最后研究了车辆跟踪技术，对车辆的遮挡问题进行了详细的讨论，并通过算法的改进，有效的解决了此问题。
　　在车辆检测的问题中，采用Harris算子计算图像的特征点，再通过金字塔Lucas-Kanade光流(L-K光流)法计算图像的特征点光流场。随后引入矢量量化的思想对图像的光流场进行聚类，并提出了结合欧式距离和相似系数作为相似性测度的方法提高了聚类的准确性。最后计算各个类别中角点的分布方差，通过RANSAC方法对光流场中的错误光流进行粗剔除，再依据类内方差值进行精剔除。最后再依据类内方差值的大小实现车辆的提取。
　　在车辆跟踪的问题中，深入研究了Camshift和Kalman滤波相结合的方法在车辆跟踪中的应用，并对目前的跟踪算法中普遍存在的遮挡问题进行了详细的讨论，最后通过增加区域面积约束，对算法进行改进，提高了车辆在被遮挡和有颜色干扰的情况下的跟踪的准确性。
　　通过具体的实验表明，检测算法能够准确的从动态场景中检测出运动的车辆，对单个运动车辆的检测准确度可达93％，多车辆的情况下，在车辆数量较少且较为分散的情况下能达到80％，具有较高的准确性。同时，算法也表现出了很好的跟踪效果，在车辆被遮挡时间较短的情况下，仍然实现能够稳定的跟踪。且算法基本上能达到实时性的要求。

目录

声明

摘要

第一章 绪论

1．1 引言

1．2 本课题的选题依据

1．3 动态背景下运动车辆检测的研究现状

1．4 运动车辆跟踪的研究现状

1．4．1 几种重要的车辆跟踪类型

1．4．2 几种主要的车辆跟踪方法

1．5 本文的研究内容及论文结构

1．5．1 研究内容

1．5．2 论文结构

1．6 本章小结

第二章 图像前期处理

2．1 感兴趣区域的选取

2．2 图像的灰度化

2．3 图像的去噪处理

2．4 本章小结

第三章 角点检测与特征点光流场

3．1 角点检测

3．1．1 角点检测的基本原理

3．1．2 几种角点检测算法比对

3．1．3 Harris角点检测在车辆检测中的运用

3．2 特征点光流

3．2．1 光流法原理

3．2．2 金字塔Lucas-Kanade方法对光流的改进

3．2．3 基于金字塔L-K光流法的车辆特征点光流

3．3 光流场的粗提纯

3．4 本章小结

第四章 基于矢量量化的车辆检测

4．1 光流场聚类

4．1．1 VQ算法简介

4．1．2 相似性测度

4．1．3 光流场VQ聚类

4．2 类内方差计算

4．3 车辆区域提取

4．4 车辆检测实验

4．5 本章小结

第五章 基于卡尔曼滤波的车辆跟踪

5．1 车辆跟踪简介

5．2 Camshift用于车辆跟踪的原理

5．3 Kalman滤波及其车辆跟踪模型设计

5．3．1 Kalman滤波原理

5．3．2 车辆跟踪的Kalman模型

5．4 车辆跟踪实验

5．5 车辆遮挡和颜色干扰问题讨论

5．5．1 遮挡和颜色干扰问题

5．5．2 算法的改进

5．6 滤波器的收敛性讨论

5．7 本章小结

第六章 总结与展望

6．1 论文研究工作总结

6．2 有待进一步研究的问题

参考文献

致谢

在读期间发表的学术论文与取得的其他研究成果