復(fù)雜場景下車輛（動目標(biāo)）的識別和跟蹤技術(shù)研究.pdf

1、在目前的智能交通系統(tǒng)中，對車輛的識別和跟蹤一直是一個核心的環(huán)節(jié)，它能夠提供各種動態(tài)的交通環(huán)境信息，便于統(tǒng)一管理和調(diào)度，緩解交通擁擠和減少交通事故，因此對車輛的準(zhǔn)確識別和長期跟蹤一直是智能交通監(jiān)控的研究熱點。本文重點研究了車輛的識別和跟蹤理論，從四個步驟重點論述了車輛的檢測、識別和跟蹤方法，并用具體的實驗證明了本文算法的可靠性和有效性。具體的工作如下：
　　（1）提出了一種基于改進的混合高斯模型的動目標(biāo)檢測算法，該算法通過幀間匹配度

2、信息反饋改變了傳統(tǒng)方法的學(xué)習(xí)規(guī)則，克服了車輛檢測斷裂或分離的缺陷，排除了車輛和環(huán)境對背景學(xué)習(xí)的干擾。實驗表明，該方法對于提取動目標(biāo)區(qū)域較經(jīng)典方法更加準(zhǔn)確。
　?。?）提出了一種基于HSV色彩空間法和混合高斯模型的陰影檢測算法，該算法通過人工采集方法和HSV色彩空間法來獲得陰影樣本，并利用期望最大法對陰影訓(xùn)練樣本估計模型參數(shù)，獲得的混合高斯模型用來區(qū)分車輛和陰影。實驗結(jié)果表明該方法可以有效分離車輛和陰影。
　?。?）采用了7個

3、Hu不變距、分散度、長寬比和緊湊度組成10維的形狀特征向量以及三層 BP神經(jīng)網(wǎng)絡(luò)對行人、大車、小車、自行車或者摩托車這四類目標(biāo)進行分類，實驗結(jié)果表明通過樣本訓(xùn)練出來的神經(jīng)網(wǎng)絡(luò)分類器可以對這四類目標(biāo)有效分類。
　?。?）提出了一種改進的TLD跟蹤算法，該算法結(jié)合原來的單分類器，加入了基于Haar特征和在線Adaboost方法的分類器，構(gòu)成了一種半監(jiān)督協(xié)同訓(xùn)練的分類器，提高了分類器的泛化能力，實驗結(jié)果表明該方法可以進一步提高跟蹤效果。