基于改进分水岭算法的多目标车辆的跟踪研究.docVIP

PAGE PAGE 1 基于改进分水岭算法的多目标车辆的跟踪研究 　　【摘要】近年来，由于车辆数量的激增，道路事故也频频发生，这就要对事故易发路段进行监控，并对车辆进行跟踪。针对目标的跟踪，提出了利用改进的分水岭方法与数据关联方法相结合实现多目标车辆准确跟踪，在检测车辆时利用分水岭算法可以有效地进行图像分割并准确的检测出运行车辆；跟踪时利用运动目标轮廓采用链表法记录多运动目标之间的数据关联，并跟据质心特征进行跟踪。实验表明该方法能有效地对目标进行了检测并提高了跟踪的准确率。 　　【关键词】车辆检测；视频监控；目标跟踪；数据关联；分水岭算法 　　Abstract：Intherecentyears，Roadaccidentsoccurredfrequentlybecauseofthenumberofvehiclerapidlyincreased，ItmustMonitortheaccidentpronelocation，andtotrackvehicle.Fortargettrackingproblem，itusesacombinationofimprovedwatershedmethodanddataassociationmethodforrealizationofmultiobjectivevehicletracking.Itcaneffectivelyandaccuratelydetectmovingvehiclesbyusingthewatershedalgorithmforimagesegmentationinthedetectionofvehiclesandrecordthedataassociationamongthemultiplemovingtargetswhichtrackingobjectsbyaccordingtothecentroid.Theexperimentalresultsshowthatthemethodcaneffectivelydetectandimprovesthetrackingaccuracy. 　　Keywords：VehicleDetection；VideoSurveillance；ObjectTracking；DataAssociation；watershedmethod 　　1.引言 　　多运行车辆目标跟踪应用广泛，特别是在视频监控方面，很多专家学者对其进行了广泛的研究，提出了很多车辆检测与跟踪的算法。[4]中在视频跟踪时，通过Marr小波概率核函数生成静态背景，运动跟踪采用SI_P粒子滤波算法，但是背景得不到及时更新。[5]利用Kalman滤波思想对运动目标的前时刻状态信息进行预测，但是在预测中容易受到噪声的影响。针对上述情况，利用改进的分水岭算法能够准确地分割图像，同时利用分割后的图像采用数据关联方法进行跟踪。 　　2.运动车辆的检测 　　2.1分水岭算法 　　分水岭是一种典型的地形面貌，长时间被认为是图像分割中的有用工具。它是数学形态学的概念，并且在原始的算法上已经做了很多的修改和完善。目前，有效的分水岭算法的发展仍然受到重视。在地形中，我们把可视化的3D图像中在每个点上的灰度值代表高度或者是这个点的海拔高度。分水岭的思想是很简单的，可以通过地形特征进行解释。众所终知，在处理图像的地表特征时，把它视为一种景观，如果把这种景观侵入水时，图像中的区域就会被水填充。这种淹没过程是从最小的灰度值开始，当在某一个时刻，水位达到灰度值的最大高度时，两个或更多的集水盆就会开始连通。把能够阻止这种连通的点连成一条线，就会在来自不同区域将要连通的地方形成了一个水坝。当水位已经达到最高峰时，所有的区域会被水坝分割开，这些地区被称为集水盆地和水坝或线称为分水岭，它把输入的图像划分为一组区域。经过分割后，结合轮廓区域面积的大小和形状决定哪个区域代表的是运动车辆。分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。 　　分水岭计算过程是一个迭代标注过程，在该算法中，分水岭计算分两个步骤：一个是排序过程，一个是淹没过程，下面是分水岭的描述： 　　假设定义域上的函数为待处理图像，它的最大最小值分别为，。集合表示函数的上阈限，其中：=。 　　且 　　的分水岭区域即为集合和，可以通过迭代运算得到，即： 　　（1） 　　函数的分水岭是的补集。对应水面上涨过程，聚水盆地之间水坝的建立就是记录的测地影响区的骨架的过程，而所有的水坝对应了函数的分水岭。 　　采用的方法是用阈值限制梯度图像以达到消除灰度值的微小变化产生的过度分割，获得适量的区域，再对这些区域的边缘点的灰度级进行从低到高排序，然后再从低到高实现淹没的过程，梯度图像