復雜道路環(huán)境下車輛的精細分割與跟蹤.pdf

1、車輛的分割和跟蹤技術是圖像處理以及計算機視覺領域的熱門課題，該技術實現了對感興趣目標及其運動軌跡的提取。通過計算車輛的前景區(qū)域并進行跟蹤完成了運動對象的速度、轉向信息、違章行為以及道路的擁堵程度等交通信息的監(jiān)控與分析，因其巨大的研究價值及應用前景，該技術被應用于智能交通系統(tǒng)、安防監(jiān)控、城市交通規(guī)劃等多個領域。但是由于光源的遮擋，在行駛過程中車輛自身的陰影與其協同運動，產生了車輛前景粘連及輪廓失真等現象，對后續(xù)的車輛分析造成了嚴重的影響。

2、隨著相機網絡的普及，相機集群覆蓋的視野逐漸擴大，與此同時人們對目標在廣域內的跟蹤需求也日益增加，但相機網絡產生的海量數據制約了該應用的快速發(fā)展。針對上述問題，本文在傳統(tǒng)方法的基礎上提出了一種精細化車輛分割算法以及一種應用于廣域目標跟蹤的候選目標計算方法并通過相關實驗體現了兩者的有效性。
　　本文的主要研究內容及貢獻如下：
　　首先，通過大量的國內外相關文獻的閱讀，本文深入地研究了現有的目標檢測及跟蹤的算法框架、原理與實現方法

3、。分析并詳細地闡述了傳統(tǒng)方法中存在的優(yōu)點和不足，并結合本文的實際需要選擇適當的方法。
　　然后，針對運動陰影造成的前景粘連和輪廓失真問題，提出了一種基于時空多特征融合的車輛精細分割方法。利用顏色、物理模型以及紋理三個方面共同獲取前景概率譜，并結合視頻的時域相關性在消除陰影的同時取得了良好的前景分割效果。通過與多個陰影消除方法實驗數據的對比，證明了本文提出的時空多特征融合的前景分割方法的優(yōu)越性。
　　最后，為解決多相機網絡的高

4、復雜度計算問題，提出了一種針對廣域目標跟蹤的時空模型車輛候選目標提取方法?；诮y(tǒng)計信息恢復網絡的拓撲結構并結合高斯混合模型估計相機間的轉移時間分布，從而得到候選目標。通過相關的實驗以及與各種方法的對比，反映出本文方法在縮小搜索范圍及命中率方面的良好表現，為后續(xù)的車輛匹配和跟蹤等處理打下充分的基礎。
　　綜上所述，本文提出了一種車輛前景區(qū)域的精細化分割方法，有效地提高了陰影的檢測率及辨識率，完整地分割出車輛目標；同時提出了一種廣域車