基于智能机器视觉的目标检测跟踪技术研究.docVIP

基于智能机器视觉的目标检测跟踪技术研究 　　摘要：由于雾天、阴天、高噪环境等外部环境因素的影响，常常出现跟踪过程中易丢失目标的现象。该文通过改进多尺度Retinex算法增强图像，在压缩图像中高亮区域范围的同时，拉伸暗区的动态范围，使得暗区的细节信息明显提高，并结合Camshift算法，使用预测位置误差方法估计运动目标搜索范围，并使用滤波器对参数修正，有效克服了Camshift算法自身的缺陷。 　　关键词：特征检测；目标跟踪；Retinex算法；Chamshift算法 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）34-0216-03 　　Abstract：Due to the fog， cloudy， high noise environment and other external factors， it is easy to lose target in the tracking process. In this paper， through the improved multi-scale Retinex algorithm， the highlighted area in the image is compressed while the dynamic range of the dark region is stretched. The details of the dark area increased significantly. Combined with Camshift algorithm， the predictive position error method was used to estimate the range of motion target. By using the filter to modify the parameters， effectively overcome the shortcomings of the Camshift algorithm itself. 　　Key words：feature detection； target tracking； retinex algorithm； chamshift algorithm 　　1 概述 　　?S着社会经济的快速发展和城市车辆保有量的激增，城市道路交通监控系统在交通管理中发挥着越来越重要的作用。由于雾天、阴天、高噪环境等外部环境使大气的能见度降低，采集图像发生退化，这给户外图像采集与处理带来困难，并增加了交通运输的监控管理难度。 　　图像增强原理的方法可以不受图像退化的影响，增强图像信息，还原出符合人们视觉要求和计算处理要求的图像。其中全局直方图均匀化是基本的图像还原方法，它通过算法使图像灰度概率密度均匀分布以增强图像对比度，但该方法只对场景简单的雾霾图像对比度有较好处理效果。之后，依次出现基于Retinex理论的图像还原算法[1]；基于小波变换的图像还原算法； He k.等在2011年提出利用暗原色规律的图像去雾算法。 　　目标跟踪在智能交通中有重要的研究价值，至今，已有不少学者进行了相关的研究工作： 如梯度、颜色特征共同建模提高跟踪精度； 将均值漂移结合粒子滤波，提高算法效率；将SIFT方法结合运动、颜色特征提高跟踪稳定性等。Bradski提出的Camshift算法有较高的运算效率，不受目标形状变化的影响，以颜色直方图为目标，可以有效地解决遮挡、变形问题。 　　文章首先通过改进的多尺度Retinex增强图像，通过颜色空间变换后拉伸并改进HSI分量后逆变换回RGB空间，提高图像质量和对比度，然后利用改进的Camshift算法预测目标位置，缩小目标搜索的范围，保证跟踪稳定可靠。 　　2 Retinex方法增强图像 　　2.1 单尺度Retinex算法 　　Edwin Land提出的Retinex理论[2，3]是一种关于视觉系统调节被感知物体的亮度、颜色的模型，视觉理论中，因为周边环境存在光源和物体反射，我们才能看到物体本身。[L（x，y）]环境光照度分量决定图像动态范围，[R（x，y）]反射分量表决定了图像局部的对比度，描述了图像的细节， Retinex理论的数学表达式如下，其中，I（x，y）代表被观察或照相机接收到的图像信号。 　　1997年，Rahman和Jobson在中心环绕的基础上提出单尺度Retinex算法（Single Scale Retinex，SSR），该算法增强后的图像具有颜色恒常特性，色彩真实，动态范围压缩大，是基于光照补偿的一种图像增强算法，相比原中心环绕的算法，运算速度提高显著。假定照射图像具有空间平滑特性，单尺度Retinex算法