论文部分内容阅读
基于视觉的目标跟踪技术是机器视觉的重要应用领域,已经成为当今智能交通领域的热点研究课题之一,也是智能交通监控应用的一个重要研究方向。通过对运动汽车的跟踪实现交通参数的提取以及交通事件自动检测等,而在跟踪车辆的过程中,经常会发生车辆间的相互遮挡、光线变化、复杂背景的影响以及汽车运动的随机性等问题,这些问题直接影响车辆的跟踪精度。如何实现在复杂背景、车辆遮挡、光线变化、目标机动等情况下对车辆实时稳定的跟踪是本文研究的重点。针对汽车运动过程的机动特点,建立了机动目标的“当前”统计模型,大量文献证明“当前”统计模型在跟踪机动目标时效果良好,但是其对匀速运动或弱机动目标跟踪时性能变差。针对这一问题,本文对“当前”统计模型进行了改进,通过对最大加速度的实时调整,从而克服了由固定加速度引起的收敛速度慢以及滤波发散问题,提高了跟踪的准确性。标准Kalman滤波器对目标机动和运动模型选择不准的目标跟踪的适应能力较差,甚至导致跟踪失败,基于此,本文采用自适应Kalman滤波器结合“当前”统计模型,建立状态滤波算法,利用加速度和预测状态之间的关系,使最大加速度随着目标机动情况而进行自适应调整,进一步对加速度方差进行实时调整,从而使得系统噪声方差随着目标运动情况自适应变化,实现了目标的自适应跟踪。考虑到跟踪的实时性,在建立目标的特征点表示模型时融合了目标的颜色和纹理信息,弥补了单纯利用目标灰度的匹配跟踪中对颜色不同车辆识别上存在的缺陷。经过对特征点的优化选择一方面减少了特征点的数量,提高了匹配速度;另一方面增加了特征点的信息量,提高了特征点在跟踪过程中的稳健性。针对跟踪过程中存在遮挡及转弯变形问题,构建了一种基于特征点的图像跟踪算法,该算法在目标部分遮挡或旋转变形时都能够连续跟踪。根据匹配率和目标与背景的颜色差值建立了目标运动状态的判断机制及模板更新策略,解决了遮挡、转弯等情况下的目标跟踪问题。最后,采用真实视频图像对本文算法进行了仿真实验,并获得了较好的跟踪效果,验证了本文算法的有效性。