论文部分内容阅读
基于视频的车辆检测与跟踪技术属于模式识别与计算机视觉的研究范畴,许多学者花费了很大的心力对其做了深入的研究。由于基于视频的检测与跟踪技术具有成本低,速度快等优点,其已经成为了当今智能交通控制领域的重要组成部分。但是因为视频信号中的背景噪声、光照变化等随机因素相对较多,所以不同的算法在准确性和收敛性上存在很大的差异。本文首先用广义GAMMA混合模型代替高斯混合模型,对视频序列做背景建模,然后对车辆进行检测,再后,使用粒子滤波算法对检测结果进行了跟踪,最后通过基于GPU的并行算法改进了粒子滤波算法的运行速度,改进了整体算法的效能,得到了更好的结果。基于视频智能车辆检测系统中,一般采用背景差法进行检测。这种方法需要分别对车辆与背景进行建模,常用的模型是高斯混合模型。本文在使用高斯混合模型进行车辆检测的基础上,使用广义GAMMA混合模型代替高斯混合模型,并通过EM算法对广义GAMMA混合模型的参数进行估计。这种方法能够克服高斯混合模型的对阴影识别能力差的缺陷,得到更好的检测结果。最后,通过仿真实验证明了这种算法的可靠性和优越性。在检测出运动车辆后,一般的步骤是要进行对车辆的跟踪。由于车辆跟踪算法一般使用Kalman滤波理论及其改进,因此,首先,要对车辆的运动方式进行建模,建立状态转移方程和观测方程,然后应用滤波算法对目标车辆进行跟踪。1993年,Gordon等人在序贯重要性采样之后加入了重采样步骤,完善了粒子滤波算法,使其成为在非高斯和非线性环境下,也就是更接近实际应用的情况下,进行车辆跟踪的更好的算法。本文就是在学习了基本的运动状态建模和粒子滤波理论的基础上,通过仿真实验实现了基于粒子滤波算法的车辆跟踪。但是,粒子算法由于需要对许多粒子点进行重要性采样,因此其运算速度较慢,实时性不好。因此,本文通过对基于GPU的并行算法编程研究,实现了粒子滤波算法的并行计算,改善了其性能。最终完成了整体算法的改进。