探索车辆匹配与车辆跟踪技术研究

《探索车辆匹配与车辆跟踪技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、西南交通大学硕士学位论文车辆匹配与车辆跟踪技术研究姓名：刘金贵申请学位级别：硕士专业：交通信息工程及控制指导教师：彭强20100501西南交通大学硕士研究生学位论文第1页摘要由于近年来智能交通系统发展迅速，车辆匹配与车辆跟踪技术得到了广泛的应用，它融合了计算机图像处理、模式识别、神经网络、人工智能、遗传算法等相关领域的知识和技术。由于在实际应用中图像很可能发生视角、光照、尺度、平移、旋转、仿射等变化，选择合适的图像特征和特征描述算子非常重要，本文选择应用SIFT算法较好的解决了车辆匹配时对象的遮挡、旋转、光照、仿射变换等问题。车辆跟踪的核

2、心问题是匹配问题。本文在分析和研究了SIFT算法、Kalman滤波器、Meanshift算法、高斯背景建模算法的基础上，结合不同的应用场景实现了多种跟踪方法，论文的主要工作如下：1．对图像特征提取及描述和运动目标检测与跟踪方法做了介绍，对当前常用的特征点检测算法Harris、Movers和SIFT算法进行了分析比较。2．通过对SIFT算法进行分析研究，针对SIFT算法高复杂度、计算速度慢的问题进行了改进，构造了新的描述算子，使其更好的应用于车辆匹配。通过大量的车辆图片进行了实验，实验结果表明，车辆图像在发生局部遮挡、平移、旋转、光照等影响

3、下，改进后的算法在保持稳定性的同时提高了匹配速度，并应用于车辆出入口检测和车辆匹配识别演示系统。3．对目标跟踪算法进行了分析研究，由于Meanshift算法缺少位置更新机制，将Kalman滤波器预测算法引入到Meanshift算法中。本文在两种算法结合下实现了车辆跟踪，跟踪效果更加鲁棒。4．SIFT算法对图像发生平移、旋转、缩放等变化具有鲁棒的特性，本文将SIFT算法应用到车辆跟踪领域并结合Kalman滤波算法实现了更加鲁棒的车辆跟踪。5．车辆多目标自动跟踪算法是计算机视觉领域的热点问题，本文使用高斯背景建模的方法，有效的提取车流序列的背

4、景和车辆前景，实现了多目标自动的车辆跟踪。关键词：特征提取；SIFT算法；车辆匹配；车辆跟踪；高斯背景建模西南交通大学硕士研究生学位论文第1I页AbstractBecauseoftherapiddevelopmentofIntelligentTransportationSysteminrecentyears，vehiclematchingandvehicletrackingwhichhaveutilizedtheknowledgeandtechnologyincomputerimageprocessing，pattemrecognitio

5、n，neutralnetwork,artificialintelligence，geneticalgorithmsandtherelatedfieldshavebeenusedwidely．Inpracticalapplication,imagesarelikelytochangebyperspective，light，scale，translation，rotationandaffine，SOitisveryimportanttoselecttheappropriateimagefeatureandfeaturedescriptor．n

6、leSIFTalgorithmadoptedbythepresentstudycarlsolvetheproblemsofshading，rotation，lightand世inewhichCancausechangesinvehiclematching．ThecoreissueofvehicletrackingiSobjectmatching．ThepresentresearchrealizedseveraltrackingmethodindifferentscenesbasedontheanalysisandstudiesonSIFT

7、algorithm．KalmanFilter,MearlShiftalgorithm，andGaussianbackgroundmodelingalgorithm．乃eauthorofthe曲esishasdonethefollowingwork：1．Imagefeatureextraction，description，movingtargetdictionandtrackingmethodsareintroduced．Thepresentcommonly—usedfeaturedetectionalgorithrn．HarrisandM

8、overscomerdetectionandSIFTalgorithmsareanalyzedandcompared．2．T11roughthestudiesonSIFTalgorithm．i