運(yùn)動車輛目標(biāo)提取與跟蹤技術(shù)研究.pdf

1、運(yùn)動車輛目標(biāo)提取與跟蹤技術(shù)是近年來智能交通系統(tǒng)中備受關(guān)注的發(fā)展方向，是實(shí)現(xiàn)目標(biāo)車輛識別并對目標(biāo)行為進(jìn)行分析和判斷的必要前提，主要涉及到模式識別、計(jì)算機(jī)視覺、圖像處理、信息通信等諸多學(xué)科領(lǐng)域的理論知識。
　　本論文主要是研究與實(shí)現(xiàn)了在視頻序列中運(yùn)動車輛目標(biāo)提取與跟蹤技術(shù)，運(yùn)動車輛目標(biāo)的提取包括運(yùn)動車輛目標(biāo)的檢測與目標(biāo)圖像的分割，論文主要包含以下幾個方面的內(nèi)容：
　?。?）圖像預(yù)處理和運(yùn)動目標(biāo)檢測：圖像預(yù)處理主要介紹濾波和形態(tài)學(xué)

2、算法；運(yùn)動目標(biāo)的檢測中基本常用的方法有運(yùn)動分割法、背景差分法和幀差分法，闡述了單高斯背景模型和混合高斯背景模型的基本原理，采用混合高斯背景模型算法結(jié)合背景差分法，檢測到運(yùn)動目標(biāo)，確定目標(biāo)區(qū)域。
　?。?）運(yùn)動車輛的精確分割：首先闡述了傳統(tǒng)的車輛圖像邊緣檢測方法，然后詳細(xì)介紹了基于PDE(偏微分方程)的GAC模型圖像分割方法，該方法與傳統(tǒng)的邊緣檢測方法相比分割精度更高，提取出的輪廓線的連續(xù)性和光滑性更好。其次著重闡述了GAC測地線活

3、動輪廓模型圖像分割算法的基本原理，主要對原算法存在的陷入局部最小值、過演化問題和初始化問題幾個方面的不足,分別從避免陷入局部最小值實(shí)現(xiàn)準(zhǔn)確分割和重新加入約束能量兩個方面入手，對原始模型進(jìn)行改進(jìn)得到新的模型算法實(shí)現(xiàn)圖像的快速分割，并對原始模型和改進(jìn)后的模型算法進(jìn)行了實(shí)驗(yàn)對比和分析。實(shí)驗(yàn)結(jié)果表明，原始模型算法與改進(jìn)后的模型算法相比，改進(jìn)后的算法的分割精確度更高、演化速度更快。
　?。?）運(yùn)動車輛目標(biāo)提取與跟蹤：將背景差分法和改進(jìn)后的G