来用于车辆跟踪的主要数学工具有:模板匹配、卡尔曼滤波和粒子滤波等,这些方法目前已成为该领域的研究热点。Р基于车辆模型的跟踪 Р这种跟踪算法为模型法检测车辆的后续操作。这种算法的核心是建立的精细提取已知车辆的3-D模型与待检测图像之间的匹配操作。这类算法的优点之一是在确定车辆类型和几何模型细节时准确度高。而缺点是对车辆模型的过分依赖,而很明显的是不可能为公路上行驶的每种车辆都建立精细的模型。而实际中,基于模型的跟踪算法由于计算量大,不利于实时处理,只能应用在车辆较少的情况下。Р Р基于车辆区域的跟踪 Р该算法中车辆被表示成斑点,或像素连通块,或块区域,连接区域被提取并根据情况被合并或分割。这种算法在车辆稀少时效果很好,且块区域可以提供丰富的信息如大小、形状和密度等。但其最严重的缺点是区域的合并和分割,存在着不准确性。 Р基于车辆轮廓的跟踪 Р车辆轮廓模型跟踪算法的主要思想是先初始勾勒出车辆的轮廓,并且不断地在后续帧更新轮廓进而达到跟踪的目的。这种算法其实是基于区域算法的一个变形。而基于区域的算法在阴影和道路拥挤的情况下其效果会变得很差,因为阴影和车辆之间的遮挡都会将本来相邻的多个连通块变为一个,造成漏检和误检。虽然轮廓可以通过简单的边缘检测的算法得到,但这些简单的算法往往同时检测出背景中的一些干扰边缘。与区域算法相比优点在于计算量低,而缺点是存在初始化困难的问题。它存在和区域法一样的问题,即在阴影和拥塞情况下效果欠佳。 Р基于车辆特征的跟踪 Р这类算法对每辆车提取一些特征,如可曲线,这些点、线条可能代表了车辆的保险杆、车窗、车顶棚等,或将这些特征组合来表示一个车辆。这类算法的突出优点是即使存在部分遮挡,一些特征仍是可见的,可以为跟踪过程提供依据。但在检测每个车辆的特征时也同样存在车辆彼此太接近,无法正确提取的问题。它需要进行特征聚类,即在众多的特征中分析哪些是属于同一辆车的。
全文预览
