论文部分内容阅读
随着智慧城市和智能交通系统的发展,有效的目标检测和跟踪技术引起了国内外学者的高度重视。尤其在智能交通监控中,车辆特征的相似性、车辆行驶过程中出现的遮挡、光照、旋转、尺度、姿态变化以及外界环境的变化等问题给目标检测和跟踪技术带来了极大的挑战。如何从海量的交通视频中获取有效信息和分析交通现状,最终实现智能控制和智能管理是智能交通系统面临的技术难题。本文针对交通视频中目标检测和跟踪的算法展开研究,主要研究内容为:(1)研究了几种传统的目标检测和跟踪算法的原理和实现过程,分析了其在实际应用中的优势和局限性,并比较了不同算法的性能。其次,研究了TLD(Tracking-Learning-Detection)目标跟踪算法,TLD算法将传统的检测技术和跟踪技术相结合,解决了长时间跟踪过程中目标发生的轻微形变、光照、以及部分遮挡问题,并加入了一种改进的在线学习机制,使得整体算法更加的稳定、可靠。(2)针对TLD算法在面对目标出现大尺度的旋转、严重遮挡、光照突变的情况下,跟踪的准确性难以保证的问题,对跟踪模块提出了两方面的改进:一方面针对LK(Lucas-Kanade)光流法对光照比较敏感,且生成的跟踪点不是特征点,不能用来表征目标,在跟踪的过程中容易造成跟踪漂移的问题,提出在原跟踪模块的基础上结合ORB(Oriented FAST and Rotated BRIEF)特征检测算法和PROSAC优化算法来跟踪目标。另一方面,针对当目标出现大面积遮挡、消失重现时,TLD算法容易跟踪失败的问题,提出结合Kalman滤波算法,当TLD跟踪失败时,用Kalmanl滤波器预估目标位置。(3)针对TLD算法检测模块扫描子窗口数量过多影响系统的实时性的问题,提出在检测模块前加入一种背景模型自适应更新的Vibe(Visual Background Extractor)前景检测算法,用局部扫描取代全局扫描的改进算法。最后通过实验结果和分析验证了改进算法的可靠性和有效性。