复杂场景下车辆跟踪分析-空间信息科学与技术专业论文.docx

承诺书 本人声明所呈交的硕士学位论文是本人在导师指导下进 行的研究工作及取得的研究成果。除了文中特别加以标注和致 谢的地方外，论文中不包含其他人已经发表或撰写过的研究成 果，也不包含为获得南京航空航天大学或其他教育机构的学位 或证书而使用过的材料。 本人授权南京航空航天大学可以将学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描 等复制手段保存、汇编学位论文。 （保密的学位论文在解密后适用本承诺书） 作者签名： 日 期： 南京航空航天大学硕士学位论文 南京航空航天大学硕士学位论文 摘 要 视频监控中的运动车辆目标跟踪技术研究是智能交通系统（Intelligent Transportation Systems ITS)的一个非常重要的课题。近年来，国内外众多学者对车辆目标跟踪进行了大量的 研究，但是由于车辆自身的复杂变化，包括车辆快速运动、车辆尺度变化、车辆旋转、姿态变 化和车辆受相似物干扰、车辆部分甚至全部遮挡等;以及复杂的外部环境，如摄像头移动、抖动 和恶劣的雨雪天气等，使得车辆目标的准确跟踪仍然存在诸多难点，本文针对这些难点问题展 开了研究。具体完成的研究工作如下: （1）针对车辆尺度变化、车辆旋转及形变等干扰，本文引入 SIFT 特征对车辆进行特征提 取。SIFT 特征对车辆远近变化、姿态变化、尺度缩放、光照变化有较强鲁棒性，所以 SIFT 特 征可以有效解决目标的旋转、缩放、平移，为车辆跟踪提供很好的特征支持。但是传统的 SIFT 特征跟踪不能区分前景和背景，极多的匹配特征集中在背景上，导致跟踪目标丢失。通过研究 现有车辆跟踪算法，本文提出了一种基于 SIFT 特征与 GrabCut 算法的车辆跟踪，在 SIFT 特征 跟踪的基础上引入了 GrabCut 提取前景的跟踪方法。实验表明，该方法在日间摄像机不明显晃 动环境下，初始帧运动检测车辆后能够对运动车辆实现稳定的跟踪，并且有效解决车辆姿态变 化及远近变化问题。 （2）针对车辆在快速运动的过程中，可能造成车辆跟踪失败的问题，研究分析了 TLD 算 法对车辆目标进行跟踪的利弊。TLD 算法与传统跟踪算法的显著区别在于将传统的跟踪算法和 传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。本文 对 TLD 算法进行改进，在算法检测模块引入基于 Meanshift 与 Kalman 的当前帧目标所在区域 预估，预估有效缩小了检测模块的检测范围，提高算法实时性及准确性；对原算法方差分类器 改进采用颜色特征分类器，提高了算法对目标识别性能；对综合模块改进，提高了算法目标跟 踪成功率。通过实验对改进后 TLD 及原始 TLD 进行比较，实验结果表明改进的 TLD 算法具有 更高的跟踪准确性及更好的跟踪实时性。 （3）本文将改进的 TLD 算法与基于 SIFT 特征与 GrabCut 算法的车辆跟踪方法应用在智能 交通领域中用来跟踪车辆记录车辆行驶轨迹，对违法停车，违法逆行及车速进行监测，从而进 一步扩大了车辆跟踪算法的应用前景。 关键词：车辆跟踪；SIFT；GrabCut；TLD i 南京航空航天大学硕士学位论文 南京航空航天大学硕士学位论文 复杂环境中车辆跟踪研究 复杂环境中车辆跟踪研究 iii iii PAGE PAGE iv ABSTRACT In intelligent transportation systems, the study of moving vehicles tracking under video surveillance is very important. During recent years, there are a large amount of researches on vehicle tracking no matter at home or aboard. But due to the variability of vehicles (fast movement of vehicles ,changes in vehicle dimensions, vehicle rotation and deformation , interferences of similar vehicles and partial or even total vehicle blocking)and the complexity of external environment (the movement and vibration of monitoring camera, and severe weather conditions), there exist many difficulties i