论文部分内容阅读
视频车辆跟踪是智能交通系统研究开发中的重要环节。当前对视频车辆跟踪算法的研究已经较为深入,而且取得了大量的研究成果,但其中仍旧存在一系列的问题。由于现实交通场景较为复杂,在视频车辆跟踪过程中经常遇到一系列场景干扰问题,其中阴影和目标干扰问题最为常见,有时甚至会导致跟踪过程失败。针对这两类问题,同时考虑到跟踪的实时性和高效性,以实时压缩跟踪算法为框架,设计了一种基于压缩感知的视频车辆跟踪算法,整体研究工作主要包括5个方面。(1)相关理论知识贮备。搜集查阅了大量中英文文献,对视频车辆跟踪的原理以及压缩跟踪的相关理论,有了比较深入的理解,并对当前常用视频车辆跟踪算法进行了仔细分析。(2)稀疏测量矩阵解析。该矩阵用来对高维原始信号进行观测降维,从而得到低维观测向量,在对高维信号降维的同时应保证原始信号的损失最小。利用随机高斯矩阵将目标车辆的高维Haar-like特征进行降维处理,然后将降维后的特征用于分类器的更新与分类。(3)实时压缩跟踪算法分析。实时压缩跟踪是一种运动目标实时跟踪算法,该算法具有跟踪速率高、计算复杂度低等优点。利用该算法实现目标跟踪时,在跟踪过程中首先需要进行采样,然后进行样本特征提取,再利用分类器对样本特征进行分类处理,得到具有最大分类器参数的样本即为目标位置。但该算法在遇到阴影和目标干扰问题时,跟踪效果并不理想,因此对其进行了相关改进。(4)目标位置优化算法设计。针对视频车辆跟踪过程中遇到的较为常见的阴影和目标干扰等问题,对分类器分类之后得到的目标位置进行了优化处理。将目标粗位置区域划分为多个子区域,然后经过一系列判断,重新计算区域质心从而得到目标位置,并且通过加权序列跟踪窗口来处理目标干扰的问题。此外,加权序列跟踪窗口在一定程度上修正了质心重计算过程中的误差,提高了算法的准确性。(5)算法验证实验。利用Matlab R2014a开发平台以及其它辅助性软件,对本文算法的可行性和准确性进行了验证。通过绘制中心距离变化曲线和坐标位置比较曲线,验证了算法的准确性;通过计算成功率,验证了算法的高效性。实验证明了本文算法的可行性与有效性。研究创新之处主要有两个方面:(1)针对阴影问题,在原有算法的基础上,设计增加了模式选择和质心重计算环节,即在确定目标大致位置之后,将该位置区域划分为多个子区域,然后通过一系列条件判断,保留部分子区域并重新计算质心,最终确定目标车辆位置,从而提高了算法的鲁棒性。(2)利用加权序列跟踪窗口改善目标干扰问题,取连续多帧含有目标的跟踪窗口位置进行加权处理,一方面处理了目标干扰的问题,同时对阴影处理部分中质心重计算过程中产生的误差进行了修正,提高了算法的准确性。算法设计的不足之处是:在跟踪过程中,如果一旦出现跟丢的状况,分类器将会按照错误的目标特征进行更新,从而导致之后的跟踪过程失败。此外,如果视频图像序列中存在对目标车辆大面积遮挡时,算法无法完成对目标的高效跟踪。