基于目标和运动信息Mean-Shift算法在视觉车辆跟踪中应用

度矢量流的轮廓特征,提出了 GVF-Snake 模型,实Р现了目标车辆的跟踪。Roya R 等学者利用形态学的方法提取车辆的轮廓特征,Р实现了在高速路上对多目标的跟踪[26]。基于轮廓的跟踪算法很大程度上依赖于目Р标边缘的精确提取,一旦初始化车辆轮廓时出现较大偏差,就可能使 Snake 模型Р收敛不到真实的边缘。Р 特征匹配跟踪算法是利用目标特征相似性实现跟踪的,包括特征提取和特征Р匹配,它是一种基于最优理论的处理方法。该方法通过三个步骤实现目标的跟踪:Р首先,提取目标独有的特征量;其次,在后序图像序列中搜索与特征量相匹配的Р候选模型;最后,通过相似性函数确定目标的位置。在文献[27]中,作者利用车Р辆的 Harris 特征实现了目标的跟踪,该算法简单易实现,运算速度快,并取得了Р较好的实验结果。在文献[27]的基础上,谢磊等学者[28]对算法进行了改进,他们Р利用光学投影方程恢复了拟匹配的特征点高度信息,从而增加了车辆跟踪的准确Р度。文[29]利用目标角点特征实现了车辆跟踪。根据同一车辆角点相似的原理,Р通过匹配相邻帧间的角点特征确定角点所在区域的目标位置。文献[30]用目标的Рsift 特征实现车辆跟踪。该方法首先在当前帧中提取目标区域的 sift 特征点,然后Р计算下一帧目标区域的 sift 特征点,如果这些特征点与目标先验的特征点相似,Р则用该特征点位置估算出目标的位置,否则就取消对象的跟踪,重新计算目标区Р域的 sift 特征点直到匹配成功。角点特征法和 sift 特征法较好地克服了目标的尺Р度、旋转、亮度变化等带来的跟踪丢失问题,但当目标被遮挡时,仍会导致角点Р错判和 sift 特征点为零的情况,从而跟丢目标。最后,文献[31~32]用 PS(Particle РSwarm)算法进行车辆跟踪。该算法通过 particle swarm 在搜索区域找到和目标模Р 5