資源描述：
《基于改進分水嶺算法多目標車輛跟蹤探究》由會員上傳分享，免費在線閱讀，更多相關內容在工程資料-天天文庫。
1、基于改進分水嶺算法多目標車輛跟蹤探究【摘要】近年來，由于車輛數(shù)量的激增，道路事故也頻頻發(fā)生，這就要對事故易發(fā)路段進行監(jiān)控，并對車輛進行跟蹤。針對目標的跟蹤，提出了利用改進的分水嶺方法與數(shù)據(jù)關聯(lián)方法相結合實現(xiàn)多目標車輛準確跟蹤，在檢測車輛時利用分水嶺算法可以有效地進行圖像分割并準確的檢測出運行車輛；跟蹤時利用運動目標輪廓采用鏈表法記錄多運動目標之間的數(shù)據(jù)關聯(lián)，并跟據(jù)質心特征進行跟蹤。實驗表明該方法能有效地對目標進行了檢測并提高了跟蹤的準確率。【關鍵詞】車輛檢測；視頻監(jiān)控；目標跟蹤；數(shù)據(jù)關聯(lián);分水嶺算法1.引言多運行車輛目
2、標跟蹤應用廣泛，特別是在視頻監(jiān)控方面，很多專家學者對其進行了廣泛的研究，提出了很多車輛檢測與跟蹤的算法。［4］中在視頻跟蹤時，通過Marr小波概率核函數(shù)生成靜態(tài)背景，運動跟蹤采用SI_P粒子濾波算法,但是背景得不到及時更新。［5］利用Kalman濾波思想對運動目標的前時刻狀態(tài)信息進行預測，但是在預測中容易受到噪聲的影響。針對上述情況,利用改進的分水嶺算法能夠準確地分割圖像，同時利用分割后的圖像采用數(shù)據(jù)關聯(lián)方法進行跟蹤O1.運動車輛的檢測2.1分水嶺算法分水嶺是一種典型的地形面貌，長時間被認為是圖像分割中的有用工具。它是
3、數(shù)學形態(tài)學的概念，并且在原始的算法上已經(jīng)做了很多的修改和完善。目前，有效的分水嶺算法的發(fā)展仍然受到重視。在地形中，我們把可視化的3D圖像中在每個點上的灰度值代表高度或者是這個點的海拔高度。分水嶺的思想是很簡單的，可以通過地形特征進行解釋。眾所終知，在處理圖像的地表特征時，把它視為一種景觀，如果把這種景觀侵入水時，圖像中的區(qū)域就會被水填充。這種淹沒過程是從最小的灰度值開始，當在某一個時刻，水位達到灰度值的最大高度時，兩個或更多的集水盆就會開始連通。把能夠阻止這種連通的點連成一條線，就會在來自不同區(qū)域將要連通的地方形成了一
4、個水壩。當水位已經(jīng)達到最高峰時，所有的區(qū)域會被水壩分割開，這些地區(qū)被稱為集水盆地和水壩或線稱為分水嶺，它把輸入的圖像劃分為一組區(qū)域。經(jīng)過分割后，結合輪廓區(qū)域面積的大小和形狀決定哪個區(qū)域代表的是運動車輛。分水嶺算法對微弱邊緣具有良好的響應，是得到封閉連續(xù)邊緣的保證的。另外，分水嶺算法所得到的封閉的集水盆，為分析圖像的區(qū)域特征提供了可能。2.2分水嶺的改進方法2.2.1圖像梯度的計算如果對輸入圖像直接應用分水嶺算法，必須進行梯度計算，但通常會造成過度分割。在這個工作中先使用"Canny”邊緣檢測對于梯度的計算是一種非常魯棒
5、的方法，并且產(chǎn)生封閉輪廓。2.2.2獲得掩膜圖像圖像梯度計算后，用標準的Vincent-Soille分水嶺算法進行分割，獲得了分水嶺線，從而形成了掩膜圖像。利用掩膜圖像減少了在分割結果中獲得集水盆的個數(shù)。2.2.3分割階段經(jīng)過上面的處理后，在掩膜圖像上利用淹沒原理進行了分水嶺分割，這種分割是基于集水盆地技術。在這個被水侵入的地表圖像中，水是從圖像的最小點開始上升；在地表的灰度圖像中，像素的灰度值代表了在這個點的高度。當水流達到最高點時就停止，這樣就形成了阻止水匯合的一條壩，這個壩就是分水嶺，它把輸入圖像進行了完全劃分，
6、形成了一系列區(qū)域，如圖2所示。3?運動目標的跟蹤3.1關聯(lián)矩陣關聯(lián)矩陣是多目標跟蹤中對目標進行觀測和軌跡進行關聯(lián)的依據(jù)，也是判斷在復雜場景中一些特殊情況的依據(jù)。常用的關聯(lián)矩陣有兩種：一種是基于連續(xù)幀中目標質心間的距離，另一種是目標相交區(qū)域的面積。本文在跟蹤過程中結合了這兩種方法，能夠對目標遮擋和重疊情況進行有效的處理，保證多目標跟蹤的準確性。假設運動目標在同一時刻不同時發(fā)生合并、分裂、消失、新增時，在連續(xù)幀目標數(shù)量不變的情況下采用質心距離的關聯(lián)矩陣；而當目標數(shù)量發(fā)生變化時采用基于相交區(qū)域面積的關聯(lián)矩陣。3.2基于關聯(lián)矩
7、陣的多目標跟蹤多目標跟蹤的過程就是為每個跟蹤目標建立目標鏈，建立相互對應的關系，同時建立相應的匹配代價函數(shù)，來跟蹤并判斷復雜情況下的各個目標的運動情況。為解決這些問題，本文提出一種新的檢測和跟蹤多目標的算法。算法分為3個核心部分。(1)運動物體的檢測。根據(jù)前面分水嶺算法提取的輪廓特征，如果輪廓形狀接近于六邊形并且面積大于規(guī)定的最小值，則認為該輪廓代表的是需要檢測運動目標。(2)每個運動物體位置的預測以及運動模型的建立，本文采用的是Kalman濾波的方法預測運動物體的位置，并在此基礎之上建立相應的運動模型。(3)關聯(lián)矩陣
8、和匹配鏈表以及相應的判斷，評價跟蹤目標與前景團塊之間的質心距離、包圍矩形面積、覆蓋比例等多個因素更加準確的視頻中的遮擋重合等情況。關聯(lián)矩陣和2個鏈表關聯(lián)矩陣產(chǎn)生后，可以根據(jù)關聯(lián)矩陣，生成2個鏈表：目標-區(qū)塊匹配鏈表和區(qū)塊-目標匹配鏈表。在目標區(qū)塊匹配鏈表中，匹配的區(qū)塊數(shù)量對應與關聯(lián)矩陣的行累加值，匹配的區(qū)塊數(shù)組是由關聯(lián)矩陣中對應行
