论文部分内容阅读
随着我国交通事业的迅速发展,给人们的生活带来了舒适和便捷,但与此同时,道路拥堵、空气污染、以及交通事故的逐年增长,成为了日益严重的问题。智能交通系统的规划建设一直是世界各国解决交通问题的关键措施。在智能交通系统的实现中,对交通监控视频中的特定目标进行跟踪是关键技术之一。尽管目标跟踪技术近年来得到了研究者们的广泛重视,但是对于一些研究难点,如遮挡问题,目标模型更新问题等都未得到很好的解决。本文以智能交通系统中的先进的交通管理系统为研究背景,以复杂环境下的刚性运动目标为研究对象,对目标检测和跟踪算法进行了深入的理论研究。主要研究内容如下。首先,针对混合高斯模型的缺陷,提出了基于自适应更新系数的混合高斯背景建模的方法。该方法通过将RGB彩色空间的图像变换到HSV空间达到去除阴影的效果,通过自适应调整更新系数的方法,来解决由于光照条件变化带来的目标跟踪问题。其次,针对跟踪过程中目标尺寸出现较大变化的情况,提出了带宽窗口自适应调节的方法。在传统的均值漂移算法中,跟踪窗口的大小在整个跟踪过程中始终保持不变,不能随着目标的尺寸变化而进行相应的变化,很容易造成匹配失败,进而导致跟踪目标丢失。本文采取带宽窗口自适应的方法,以上一帧的中心位置为当前帧的中心,通过均值漂移算法进行迭代,找到当前帧的真实位置。检测当前帧真实位置点附近的外部轮廓,以该轮廓的高度和宽度作为带宽窗口的尺寸,并根据目标轮廓的变化对带宽窗口的尺寸进行实时更新。再次,针对目标被遮挡的情况,提出了改进的均值漂移与自适应卡尔曼滤波相结合的算法。在一般情况下,均值漂移算法能够进行快速准确的跟踪,但在遮挡情况下,如目标区域被部分遮挡或全部遮挡,通过均值漂移迭代算法得到的目标状态可能不是全局极值点的状态,这就导致了目标跟踪失败。为了保证遮挡情况下目标跟踪算法的鲁棒性,本文采用改进的均值漂移算法与自适应卡尔曼滤波器相结合的算法对遮挡情况下的目标进行预测并跟踪。首先,根据上一帧中的目标位置,通过自适应的卡尔曼滤波器预测出目标在当前帧中的位置,然后,在该位置的邻域内,通过均值漂移迭代算法寻找目标在当前帧中的真实位置,最后,更新滤波器参数。由于自适应卡尔曼滤波器是通过系统方程对目标位置进行预测,可以在一定程度上改善由于遮挡带来的跟踪目标丢失现象。然后,针对复杂场景中利用单一视觉特征进行跟踪具有不稳定性的缺陷,提出了基于混合直方图的均值漂移跟踪算法。颜色特征虽然在缩放、平移、旋转等情况下的具有不变性,但在复杂的场景中,例如光线强度变化、目标姿态改变,目标颜色改变等,依靠单一的视觉特征往往是不充分和不稳定的。针对单一视觉特征跟踪的局限性,本文提出了把多个参照直方图合成一个更适合目标跟踪的混合直方图。并对均值漂移算法进行了改进,用这个混合直方图作为目标模型,通过缩小颜色直方图和混合直方图的距离,来寻找被跟踪目标。最后,为了解决复杂场景中卡尔曼滤波器存在的滤波发散问题,给出了适用于复杂场景的带模型误差和噪声误差的自适应卡尔曼滤波算法。在理想状况下,卡尔曼滤波可以得到线性无偏最小方差估计,但实际应用中,由于先验知识的不足、数学模型与实际的物理状况不符、对数学模型的线性化近似中忽略了一些耦合分量、以及对系统动态噪声或测量噪声的数值选取不当等原因,都会引起滤波发散现象。为了解决滤波发散问题,本文采用带模型误差和噪声误差的自适应卡尔曼滤波器对目标位置进行预测。自适应卡尔曼滤波器在估计状态的同时,利用观测数据提供的信息,不断地校正模型参数、噪声的统计值和增益矩阵,进而减小滤波器的估计误差,以此方法来提高滤波精度。