低分辨率目标检测与跟踪算法及其应用-检测技术与自动化装置专业论文.docx

摘要 摘要 I I 摘 要 目标检测与跟踪是计算机视觉的重要领域之一。可视目标检测与跟踪在智能 交通系统中发挥重要作用。本文研究交通场景下的低分辨率目标检测与跟踪算法。 本文的主要工作如下： 首先，针对低分辨率目标检测问题，本文提出一种分辨率自适应的目标检测 方法，并采用非负矩阵分解的方法建立目标模型。通过非负矩阵分解迭代计算提 取目标重要轮廓信息，以一个字典矩阵的形式表示目标。字典矩阵中的每一列成 为一个码字，表示一种轮廓。目标被表示为这些码字的非负线性组合。通过目标 字典的广义逆矩阵计算组合系数作为目标特征。这种方法改进了 Haar-like 特征描 述目标的空间局限性，字典广义逆矩阵的一行表示一种滤波器，在图像上计算若 干像素点的加权和为特征的一维。目标和背景都用字典表示，得到的特征使用支 持向量机分类器训练一个分类器。在低分辨率情况下，本文提出的目标表示方法 是鲁棒的。检测过程先借助经典的 Haar-like 特征结合 Adaboost 分类器去除绝大部 分非目标区域，对剩余的候选区分别用字典张成得到目标特征，输入到训练好的 SVM 分类器中进行最终判别。SVM 分类器分类为正的候选区认定为检测到的目标。 其次，本文基于压缩跟踪算法（CT）提出动态压缩跟踪算法（DCT）。CT 算 法中存在随机测量矩阵不能更新的问题，是静态的随机测量矩阵。DCT 中使用动 态随机测量矩阵，使目标特征随目标的移动而动态发生变化，以适应目标和背景 之间的差异。本文定义了动态随机测量矩阵的框架，提出了实现测量矩阵更新的 两条分类器选择必要条件。在两个公开数据库上测试了 CT 和 DCT 的跟踪效果。 由于随机测量矩阵的更新，跟踪过程中目标和背景之间的不可分特征被随机新特 征替换掉。这种方法减小判别能力差的特征对跟踪的影响，证明 DCT 算法优于 CT 算法。 为了验证前述提出的低分辨率目标检测和跟踪方法，搭建电子警察系统的车 辆检测与跟踪子系统。检测部分仍旧使用传统的 Haar-like 特征结合 Adaboost 分类 器去除大部分非目标区域，将少数候选区输入到支持向量机分类器做最终的判定。 跟踪即使用 DCT 方法，在搜索过程中加入对目标尺度变化的考虑。该系统可实现 实时车辆检测和跟踪，克服了传统电子警察系统车辆检测和跟踪对远处低分辨率 的车辆无法检测和跟踪的问题。 关键词：目标检测和跟踪，非负矩阵分解，压缩跟踪，随机测量矩阵 AB ABSTRACT II II ABSTRACT Object detection and tracking is one of the important fields of computer vision. Visual target detection and tracking plays an important role in intelligent transportation systems. This paper focus on low resolution objects detection and tracking algorithm in traffic scene. The main work of this paper is as follows: Firstly, an object detection method is proposed which is adaptive to low resolution condition. In this method, non-negative matrix factorization (NMF) is adopted to build object model. One object is represented by a dictionary matrix which consists of important contours of this kind of objects, and the contours is gotten by iterative calculation based on NMF. Each column of the dictionary matrix is a code word which is stand for a contour. The object is represented as a nonnegative linear combination of these code words. The features of a target are the combination coefficients which are gotten based on the generalized in