机器视觉的车辆追踪【字数：11513】
摘 要随着工业文明的不断发展，道路交通的发展速度越来越快，拉近了世界的距离，但与此同时，交通事故猛增成了影响社会安定团结的重要因素。为了降低交通事故对社会安全的危害，在路面监控的基础上，对地面车辆进行追踪，不仅可以减少重特大交通该事故的发生，也能及时对交通事故进行处理。本课题介绍了车辆追踪的研究背景及其国内外发展现状。在研究过程中，以Matlab为设计核心，进行了总体方案的设计和选择。内容包括采集模板和对模板进行surf特征点识别系统设计。在调试Matlab程序后，设计基于Matlab的GUI界面，演示车辆追踪的过程。在此基础上对整个过程进行监控和观察，可以展示出跟踪一辆汽车的全部过程。调试结果表明，设计的系统可以完成车辆跟踪的任务，很好的满足系统要求，运行速度快，界面简洁操作方便。
目 录
1.绪论 1
1.1研究背景及其意义 1
1.2国内外研究现状 1
1.3本文的主要研究内容 2
1.4论文章节安排 2
2.系统设计方案分析 4
2.1系统总体架构 4
2.2基于空间相关的图像模板匹配 4
2.3基于Sift算法的模板匹配 6
2.4Surf特征点匹配算法 8
2.4.1构造Hessian矩阵，计算特征值α 8
2.4.2构造高斯金字塔 8
2.4.3定位特征点 9
2.4.4构造特征描述子 9
2.5章节小结 9
3.系统软件设计 11
3.1图像预处理 11
3.2提取Surf特征点 12
3.3建立模板图像和场景图像的匹配 13
3.4跟踪目标的标注 14
4.演示界面GUI 17
4.1演示界面设计 17
4.2图片调用程序详解 19
5.系统功能调试与演示 22
5.1单车追踪过程 22
5.2多车追踪过程 24
6.总结与展望 26
6.1总结 26
6.2展望 26
参考文献 28
附录 29
*好棒文|www.hbsrm.com +Q: ^351916072*
致谢 32
1.绪论
1.1研究背景及其意义
随着工业文明的不断发展，道路交通的发展速度越来越快，拉近了世界的距离，但与此同时，随着我国道路交通的飞速发展，交通事故猛增成了影响社会安定团结的重要因素。汽车交通给人们带来舒适，便捷等一些正面效应的同时也给人们带来了许多的负面效应，交通事故是其中破坏性最大和最严重的负面效应之一。为了降低交通事故对社会安全的危害，在路面监控的基础上，对地面车辆进行追踪，不仅可以减少重特大交通事故的发生，也能及时对交通事故的情况进行处理。
机器视觉是人工智能中一个快速发展的分支。 机器视觉系统是利用摄像机将目标转化成图像信号，并将截取后的图像信号发送到专用图像处理系统，根据它的灰度值和像素信息，将图像转换成数字信号，图像系统将这些数字信号进行各种操作，提取目标轮廓以及特征点，并根据测定结果来实时控制设备的场景。
如今，随着计算机技术的不断发展，目标跟踪等问题逐渐应用于智能交通等环境中。它的关键技术点在于实现目标特征点的提取，在提取特征点时，主要取决于目标与背景之间的像素差异，因为机器视觉软件在处理外部环境时，当目标和背景像素比较接近时，目标提取误差就会很大，有时甚至可能完全提取不到目标信息，最终导致跟踪失败，现有的算法对一些复杂的交通环境进行有效的目标跟踪还是有很大的局限性，所以需要对现有的算法进行改进。本文通过研究实际环境中的道路状况，改进现有的跟踪算法，增强了所选目标内各特征点之间的约束，使得对于目标的提取过程不仅取决于图像之间的像素差异。通过降低外界环境对跟踪效果的影响，从而使得跟踪结果有更高的准确性。
本文使用软件matlab，主要研究通过路面监控摄像头完成对复杂环境中的车辆进行跟踪的任务。
1.2国内外研究现状
对于目前存在的运动目标跟踪问题，主要存在背景差分法、光流法和特征点匹配这几大主要的方法。背景差分法中的帧差法主要针对环境的光照变化，对运动中的物体进行跟踪的算法。但是在车辆的跟踪中，需要针对车辆的旋转、缩放等问题进行处理，在运动物体内部灰度值接近的情况下，两图相减会出现空洞的现象，且帧差法并不能提取完整的模板图像，仅能提取图像轮廓，所以帧差法很难实现复杂交通情况下的跟踪[2]。
光流法是利用像素在图像序列中的变化以及两帧之间的关联程度来找到两帧之间存在的对应关系，从而找出物体的运动信息的一种方法。光流法的基本假设条件需要场景亮度稳定不变，在对复杂交通场景下的车辆进行追踪时，难免会出现雨天和雾天等复杂的天气现象，所以不易追踪到车辆，且光流法检测速度较慢，不适用于实时车辆追踪和检测。
特征点识别算法是一种稳定的图像识别和描述的算法，特征识别算法能针对车辆的旋转、缩放，处理部分跟踪物体被遮挡和识别多种复杂环境情况下的运动目标，相对帧差法和光流法来说更加准确和稳定。
1.3本文的主要研究内容
本课题研究的主要内容是针对车辆的追踪识别问题，在对既定追踪车辆的模型特征点分析的基础上，在后续图片中识别出该车辆，从而达到车辆追踪的目的。
车辆的视频通过相机拍摄，采用俯拍角度模拟道路监控，在截取确定被追踪车辆后，对视频进行处理，在视频中截取部分包含该车辆的图片约20张。本文首先对车辆预处理做了介绍，而后重点对车辆模型匹配的算法——特征点识别算法进行了系统的研究，在对车辆进行模型匹配的过程中，对比了基于空间相关的图像模板匹配、sift算法匹配和surf特征点匹配三种方法的匹配效果，在提取模板和待识别图像surf特征点的基础上，根据特征点生成图像的特征向量，以便初步建立匹配对。为了精确跟踪到该车辆，预测仿射变化，去除不满足变化的野值。顺时针创建四边形，在每张图片中框出该车辆，从而达到跟踪的目的。
1.4论文章节安排
论文共分为6章内容，第一章为绪论，第2章为系统设计方案对比，第3到4章为系统软件设计，第5章为系统功能调试与演示，第6章是对全文进行总结。本文的研究框架如图1.1所示。
/
图1.1本文结构大纲
本文的具体内容如下：
第一章为绪论部分。它主要介绍了课题研究背景，研究意义，国内外的研究现状，并按照发展历史对国内外智能车发展进程进行了介绍，更加详细的说明了车辆跟踪在现代化智能交通中的作用。
目 录
1.绪论 1
1.1研究背景及其意义 1
1.2国内外研究现状 1
1.3本文的主要研究内容 2
1.4论文章节安排 2
2.系统设计方案分析 4
2.1系统总体架构 4
2.2基于空间相关的图像模板匹配 4
2.3基于Sift算法的模板匹配 6
2.4Surf特征点匹配算法 8
2.4.1构造Hessian矩阵，计算特征值α 8
2.4.2构造高斯金字塔 8
2.4.3定位特征点 9
2.4.4构造特征描述子 9
2.5章节小结 9
3.系统软件设计 11
3.1图像预处理 11
3.2提取Surf特征点 12
3.3建立模板图像和场景图像的匹配 13
3.4跟踪目标的标注 14
4.演示界面GUI 17
4.1演示界面设计 17
4.2图片调用程序详解 19
5.系统功能调试与演示 22
5.1单车追踪过程 22
5.2多车追踪过程 24
6.总结与展望 26
6.1总结 26
6.2展望 26
参考文献 28
附录 29
*好棒文|www.hbsrm.com +Q: ^351916072*
致谢 32
1.绪论
1.1研究背景及其意义
随着工业文明的不断发展，道路交通的发展速度越来越快，拉近了世界的距离，但与此同时，随着我国道路交通的飞速发展，交通事故猛增成了影响社会安定团结的重要因素。汽车交通给人们带来舒适，便捷等一些正面效应的同时也给人们带来了许多的负面效应，交通事故是其中破坏性最大和最严重的负面效应之一。为了降低交通事故对社会安全的危害，在路面监控的基础上，对地面车辆进行追踪，不仅可以减少重特大交通事故的发生，也能及时对交通事故的情况进行处理。
机器视觉是人工智能中一个快速发展的分支。 机器视觉系统是利用摄像机将目标转化成图像信号，并将截取后的图像信号发送到专用图像处理系统，根据它的灰度值和像素信息，将图像转换成数字信号，图像系统将这些数字信号进行各种操作，提取目标轮廓以及特征点，并根据测定结果来实时控制设备的场景。
如今，随着计算机技术的不断发展，目标跟踪等问题逐渐应用于智能交通等环境中。它的关键技术点在于实现目标特征点的提取，在提取特征点时，主要取决于目标与背景之间的像素差异，因为机器视觉软件在处理外部环境时，当目标和背景像素比较接近时，目标提取误差就会很大，有时甚至可能完全提取不到目标信息，最终导致跟踪失败，现有的算法对一些复杂的交通环境进行有效的目标跟踪还是有很大的局限性，所以需要对现有的算法进行改进。本文通过研究实际环境中的道路状况，改进现有的跟踪算法，增强了所选目标内各特征点之间的约束，使得对于目标的提取过程不仅取决于图像之间的像素差异。通过降低外界环境对跟踪效果的影响，从而使得跟踪结果有更高的准确性。
本文使用软件matlab，主要研究通过路面监控摄像头完成对复杂环境中的车辆进行跟踪的任务。
1.2国内外研究现状
对于目前存在的运动目标跟踪问题，主要存在背景差分法、光流法和特征点匹配这几大主要的方法。背景差分法中的帧差法主要针对环境的光照变化，对运动中的物体进行跟踪的算法。但是在车辆的跟踪中，需要针对车辆的旋转、缩放等问题进行处理，在运动物体内部灰度值接近的情况下，两图相减会出现空洞的现象，且帧差法并不能提取完整的模板图像，仅能提取图像轮廓，所以帧差法很难实现复杂交通情况下的跟踪[2]。
光流法是利用像素在图像序列中的变化以及两帧之间的关联程度来找到两帧之间存在的对应关系，从而找出物体的运动信息的一种方法。光流法的基本假设条件需要场景亮度稳定不变，在对复杂交通场景下的车辆进行追踪时，难免会出现雨天和雾天等复杂的天气现象，所以不易追踪到车辆，且光流法检测速度较慢，不适用于实时车辆追踪和检测。
特征点识别算法是一种稳定的图像识别和描述的算法，特征识别算法能针对车辆的旋转、缩放，处理部分跟踪物体被遮挡和识别多种复杂环境情况下的运动目标，相对帧差法和光流法来说更加准确和稳定。
1.3本文的主要研究内容
本课题研究的主要内容是针对车辆的追踪识别问题，在对既定追踪车辆的模型特征点分析的基础上，在后续图片中识别出该车辆，从而达到车辆追踪的目的。
车辆的视频通过相机拍摄，采用俯拍角度模拟道路监控，在截取确定被追踪车辆后，对视频进行处理，在视频中截取部分包含该车辆的图片约20张。本文首先对车辆预处理做了介绍，而后重点对车辆模型匹配的算法——特征点识别算法进行了系统的研究，在对车辆进行模型匹配的过程中，对比了基于空间相关的图像模板匹配、sift算法匹配和surf特征点匹配三种方法的匹配效果，在提取模板和待识别图像surf特征点的基础上，根据特征点生成图像的特征向量，以便初步建立匹配对。为了精确跟踪到该车辆，预测仿射变化，去除不满足变化的野值。顺时针创建四边形，在每张图片中框出该车辆，从而达到跟踪的目的。
1.4论文章节安排
论文共分为6章内容，第一章为绪论，第2章为系统设计方案对比，第3到4章为系统软件设计，第5章为系统功能调试与演示，第6章是对全文进行总结。本文的研究框架如图1.1所示。
/
图1.1本文结构大纲
本文的具体内容如下：
第一章为绪论部分。它主要介绍了课题研究背景，研究意义，国内外的研究现状，并按照发展历史对国内外智能车发展进程进行了介绍，更加详细的说明了车辆跟踪在现代化智能交通中的作用。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/914.html
