1、中文8900字外文：http:/ 基于背景差值动态特征分组的实时目标跟踪 ZuWhan Kim 加利福尼亚 PATH(Partners for Advanced Transportation TecHnology)，加州伯克利分校，加州，美国 http:/path.berkeley.edu/zuwhan 摘要 目标检测和跟踪有着宽泛的应用领域 ，其中包括智能交通系统。我们将介绍一种将背景差值算法和特征跟踪 分组算法相结合的目标检测和跟踪算法。 首先 ,我们 展示一种增大背景差值的算法，其使用一种低频特征作为线索。它 所获得
2、的背景差值线索被用来提高特征检测和分组的结果。然后，我们将阐述一种动态多级特征分组方法，其可以被用于实时应用和提供高 轨迹 的 质量 。一些从富有挑战性的交通 案例的 视频剪辑中得出的实验性结果将被展示。 1.介绍和准备工作 目标检测和跟踪是计算机视觉中的主要研究领域。这些应用领域中 ，有一种叫 交通 传感分析。因为摄像机比大多数其他传感器安装起来更为廉价和容易，所以它们中的许多已被安装于道路周边，特别是在交通路口。由此产生的视频图像常被 用来评估交通流量，检测车辆 、行人的信号时序，和为了安全而跟踪车辆和行人 。 数十年来，已有众多的车辆和行人检测和跟踪
3、算法被提出，如15,19,16,3,6,9,14,1,18,还有许多商业系统用以检测车辆（如“虚拟循环检测器”）和行人。以上的系统（和许多其他的目标跟踪应用）大多数是基于背景差值算法。它先从一组图像中提取出一个静态的背景假说 ，然后计算出背景假说和即时图像的区别来找出前景目标。 背景差值算法需要的时间消耗 较小 ，且在照明情况良好的时候显示出强大的检测能力。然而，在区分障碍物时仅仅考虑背景差值结果会导致极其 复杂 的问题。 苏州大学本科生毕业设计（外文文献原文） 而且， 这种算法很难 处理某些问题：如 突然地光线变化和停止不动的 车辆。例如 ， 在交通堵塞时
4、 ， 行驶缓慢的汽车或十字路口 停止的汽车都会最终被当做是背景物体。不仅如此，轨迹通常是用目标 气泡的中心连接确定的，而 这常常 导致z 形轨迹。 另一种方法是基于特征跟踪和分组， 3,1。其通过连接和追踪单 独的角特征和按轨迹将它们进行分组的方法来完成。分组算法适用于对 角特征全轨迹 进行后处理 。由于 这种方法采用了一组长轨迹， 所以它对 遮盖物的分割比采用背景差值的方法更加容易。 使用这种算法的一个挑战是：我们有时很难长时间、稳定地追踪角特征，特别 是当车辆在路口拐弯或是车辆被其他车或行人挡住。此外，保持和处理 一组 较长 的角轨迹可能会变得十分困 难。例如，当一
5、辆车在交通路口等待超过 1 分钟时，我们必须保存超过 1000 帧的角特征轨迹。因此，这些算法无法适用于实时检测和跟踪应用，特别是在交通路口。另一个挑战是：分组算法总是将一起移 动的 邻近车辆分成一组或将大车分为两组。这是因为其角特征在有些情况并不是在车辆中平均分布的。 最后，有一种来自基于外表车辆检测的方法 15,19,14。 Kim 和 Malik14提出的一种基于模型的车辆检测算法（该算法做最终 被 NGSIM(Next Generation SIMulation)交通模型所采用），其 努力生成大量长轨迹 13。然而，这种方法只能对从特定的视角（如俯视视角 13） 对 某些特
6、定种类的车辆（如旅行车和货车 13）有效。而且 ,对 13的基于模块匹配跟踪并不适用于路口视频 ,因为在这些视频里是以车辆的透视变化为关键的。 对于基于表面的行人检测也有积极的研究，例如 18。然而，许多可靠的 检测算法需要繁重的运算，所以 稳定跟踪是 一个问题 。我们所要介绍的算法能够有效地将多个对 非移动目标 进行 检测 的 算法或互动检测结果结合起 来，以获得 高质量的结果和减少计算 量 。 我们计划一种将 背景 差值和特征检测分组算法相结合的方法。我们的算法和之前的几种有以下区别 通过用特征跟踪结果作为额外的线索给出稳定 性更好的背景差值结果； &
7、nbsp;同时，通过用背景差值作为线索给出更好的特征检测和分组结果； 其给出一种多级特征分组算法用以处理多种型号的目标，以此同时检测旅游苏州大学本科生毕业设计（外文文献原文） 大巴和自行车；而且 它引入了一种能够适用于实时应用和从不完整的特征跟踪中产生高质量目标轨迹的动态特征分组（其与之前的使用优质长轨迹的工作截然相反）。 在 10中 ,一种将背景差值和特征跟踪结合起来的方法被发现了。 Kanhere et al.借此通过假设背景差值区域的 下限即是目标下限 的方法，用背景差值结果为低角度摄像机估计了角特征的三维高度。虽然这样的假设通常因遮蔽现
8、象而失败，但通过 对多重图像的冗余估计我们仍可以从大量的富有挑战性的高速公路 视频剪辑来获得良好的结果。然而，一些背景差值和特征跟踪分组算法的挑战依然存在，例如路口处的长角轨迹和照明的变法。不仅如此，通过一帧一帧比较而来 生成 轨迹并不能实现高质量的轨迹。在我们的框架体系中，也包括了一种高度估计算法，以此来作为一个进一步提高结果的线索。 在第 2 部分中，我们介绍了一些我们对于背景差值算法做了些扩充。特征分组算法将会在第 3 部分中加以讲解。多种应用的结果将会在第 4 部分展示，而总结和前景将会在第 5 部分说明。 2.背景差值 一种经典的背景差值算法对像
9、素密度采用了卡尔曼滤波器（或 混合） 以此来发现背景 11: +1 = + 1 1 +2 , (1) 此处 Bt表示在 t 时刻的背景模型， Dt是现在的图像和 Bt的差别，而 Mt是二维移动目标假设掩膜。 这样的方法在前景目标经常出现的情况下表现的不错， 但在 背景被物体遮住时这种算法就开始乏力了。另一个问题是 Mt通常是通过划分临界值和采用形态学算子从 Dt产生， 这样的自我反馈会使得过滤不稳定。例如，一个单独的检测错误和突然的 光照 变化会导致永久的错误（或者 重影），这些错误甚至可能按一定规模成长直到覆盖到整个图 像。突然的 光照变化在许多领域中都时常发生，应为大多数摄像机都有自动光圈。 多种多样的扩充被使用到了背景差值中，例如，使用 临时中值 替代 混合 4。
