英语原文共 15 页，剩余内容已隐藏，支付完成后下载完整资料
基于新的特征描述符：
对角十六进制模式的车辆跟踪和速度测量系统
D Jeyabharathi, Dr. D Dejey
摘要
目标检测和跟踪是计算机视觉领域中一个重要和活跃的研究领域。提出的车辆跟踪和速度测量（VTSM）系统可以测出车辆的速度参数。 速度参数用于以低成本对事故进行判断。 本文的主要目标是开发一种算法，可以检测前景，跟踪指定对象并计算对象的速度参数。 从视频中的移动对象中识别静态背景是一项关键任务。为了在不受约束的场景中实现更优秀的前景检测质量，提出了一种新颖的动态背景扣除和对象跟踪算法，该算法使用了一种新的对角十六进制模式（DHP）。使用公制F-score和MOTA来衡量所提出的系统的性能。从结果中可以看出，所提出的系统为背景扣除和跟踪提供了良好的结果。
关键词：局部四元模式；对角线十六进制模式；背景扣除；前景检测
第1章 介绍
交通监控和监控是计算机视觉领域的一个动态研究课题，试图通过一组图像来检测，识别和跟踪物体，并通过取代人类操作员监控摄像机的旧传统策略来试图理解和描述物体行为。
一个成功和广泛使用的交通监控系统必须满足以下基本要求：从背景中自动分割每辆车；车辆跟踪必须适应环境变化——强烈阳光下的阴影，晚上昏暗的照明，夜间的车头灯和突然的光线变化；精确计算车速；实时操作和低成本。
视频分析有三个关键步骤：检测感兴趣运动目标，逐帧跟踪这些目标，分析目标以识别其行为[18],[23]。
这三个步骤中的每一步都是至关重要且具有挑战性背景扣除是该系统的第一步。
在背景扣除中，每个视频帧都与参考或背景模型匹配。当前帧中背景显着变化的像素被认为是移动物体。这些“前景”像素被进一步处理用于对象定位和跟踪。由于这是一个室外环境，背景减法算法应该在一天中的不同时间熟悉太多的照明水平，并处理不利的天气条件，例如雾或雪，从而改变背景[20][37][16][60]。
下一步是多个对象跟踪。对象检测涉及在视频序列的帧中定位对象。每个跟踪方法都需要在每个帧中或者当对象首次出现在视频中时使用对象检测机制。在静态背景下，许多背景减法和跟踪算法效果最好，但在动态环境下失败。因此，大多数跟踪算法都是在室内而不是室外环境中使用的。本文侧重于动态背景扣除和对象跟踪。大多数跟踪算法找出下一帧中物体的位置。没有其他信息从车辆中提取出来[4][19][58]。
提出的系统可以实时有效地为道路交通控制，监控提供服务，并且可以向控制室发出关于任何超速车辆的警报。因此它可以提高道路安全并减少事故。此外，如果发生碰撞，它可以向控制室报警，从而帮助警方人员在几分钟内采取下一步行动，而不是几个小时，挽救生命。特别是在路口和繁忙的交叉路口夜间，事故经常发生，没有证据表明没有目击证人。建议的系统可以帮助识别事故原因并追踪那些对事故负责的车辆。这可以进一步作为一个有效的证据将在法庭出示。
考虑到所有这些，作用可以概括为如下：开发基于新特征描述符的动态背景减法技术，称为对角十六进制模式。它可以用来检测基于中心像素及其相邻像素方向的空间纹理信息；使用对角线十六进制模式（DHP）提取的每个对象的边缘和角点用作跟踪目的的特征。
本文组织如下：背景减法和对象跟踪算法的调查给出第2节。第3节介绍了提出的对角线十六进制模式（DHP）的概念。第4节讨论了提出的新型车辆跟踪和速度测量（VTSM）系统。实验结果在第5节中给出。最后，结论和未来的工作将在第6节讨论。
第2章 相关原理
2.1背景差法
背景差法技术有很多，其中许多是在[12,9]和[7]等文献中进行描述。它可以大致分为3类：基于像素，基于区域和基于框架[61]。
基于像素的算法基于独立地为每个像素制作统计背景模型。这些类型的算法基于简单的统计数据，如平均值到复杂的多模态分布。该组中最简单的方法包括：将前一帧设置为背景模型，将每个像素的运行平均值和建模作为高斯[12][9]。高斯混合模型（GMM）[56]和核密度[18]是基于像素的方法中最流行的技术。码书是文献中报道的另一类技术。它由每个像素的码本组成，基本上是一种压缩形式的背景。每个码本具有码字，这些码字是基于使用色彩失真度量的训练图像序列而制成的。传入的像素与相关的码本协调进行分组。这些系统通常需要很长的训练序列，并且没有模型更新机制[2]。最近的基于码本的背景差法[30]，其中使用多层模型来减少照明变化。
基于区域的技术是第二类技术，它们不同于像素之间基于像素的等效技巧局部空间关系。 Sheikh等人[54]提出了非参数核密度估计来模拟移动物体和背景像素的概率，但它们包含模型中的像素位置[47][63][18]。 Liu等人提出的另一种基于区域的技术。文献[37]在图像区域使用统计循环移位矩（SCSM）进行变异检测。除此之外，还有各种基于区域的方法[2][53][21]通过考虑不同大小的块而不是像素单独考虑空间依赖性。稀疏表示法也是一种重要的基于区域的方法。Li等人[34]已经使用稀疏表示法通过发现视频的区分帧来减小视频大小，而不是直接对背景建模。在这个过程中不需要任何假设。最后，使用基于PCP（主成分追踪）的循环迭代从这些判别性帧中提取背景。
基于帧的方法为整个帧生成统计BG模型。许多基于帧的方法基于阴影模型，该模型计算输入帧与参考帧或BG模型之间的强度比[61][55]。基于帧的技术并没有像基于像素的方法那样增加太多的知名度，但是已知能够针对渐变和突然的光照变化提供更强大的解决方案[7]。基于阴影模型，Pilet 等人 [49]提出了一种技术，利用输入图像和背景图像之间的强度比例。
视频监控遇到的紧急情况会造成背景扣除中的不准确和不确定性。因此，一些作者最近在背景扣除的不同步骤中传递了模糊原则。 Bouwmans [6]对背景扣除步骤中使用的模糊概念进行了全面的调查，但该调查仅涉及基于模糊概念的背景模型。 Kim等人[32]采用模糊c-approach聚类模型，利用模糊颜色直方图作为特征。该模型减少了由背景运动产生的颜色变化，同时仍然突出前景对象，并且获得比MOG更好的动态背景结果[56]。最近在文献[10]中发展了稳健的主成分分析（RPCA）模型。最近，Bouwmans等人[8]已经开始对基于RPCAPCP的方法进行综合评估，以测试和排列现有的前景检测算法。本调查由70篇论文组成，但仅涵盖基于RPCA的背景模型。
基于神经网络的移动物体检测解决方案受到了很大的关注，因为这些技术通常比传统技术更加高效和高效。在文献[1]中，Alessio等人已经提出了一种基于神经的背景减法方法，用于从PTZ摄像机拍摄的图像序列中的运动物体检测，其中历史模型以自组织方式自动适应场景背景变化。
在文献[40]中，Mahfuzul等人已经提出了一种称为知觉背景差法（PBS）的新技术，该技术通过基于人类视觉感知的特征做出关键模型决定来避免过度依赖统计观察。中心对称空间时间局部三元模式（CSSTLTP）[36]是一个基于砖的描述符，它受2D尺度不变局部模式算子的启发。对于每个视频砖的序列，通过使用自回归移动平均模型（ARMA）追求子空间。
基于帧的方法大大减少了计算开销，并且对逐渐以及突然的照明变化都很有效。所提出的系统使用基于帧的背景减法。
2.2目标跟踪
在对象跟踪技术中，最困难的任务是在一个框架中表示对象。对于对象表示颜色直方图[55]，已经使用了图像特征[13][31]特征向量[59]。
在基于内核的跟踪中，内核是指对象形状或外观.Comaniciu等人[14]提出了基于内核的跟踪，其中对象的颜色直方图用于跟踪。相似性度量基于巴士指标。 Comaniciu等人[15]提出了基于平均偏移的方法。对于三维目标物体和单色物体，此方法不适用。在这些情况下，即使光照变化很小，它也往往无法跟踪物体。
在点跟踪中，连续帧中的检测对象由一个点表示。 Hue等人[29]描述了经典粒子滤波器的扩展。这些方法只根据当前和之前的观测值采用最大的后验概率。它们往往会因背景杂波，遮挡和多目标混淆而失效。在[39,45,51]中，对象跟踪是基于概率模型的。
基于特征的算法根据特征之间的相似性来跟踪对象，例如边缘，颜色，直方图，连续帧的大小[31][13]。 Li等人[42]已经提出了一种使用自适应卡尔曼滤波器的基于角点特征的目标跟踪方法。每个移动物体都由其角落表示。然后，通过连续帧之间的角点变化实现跟踪.Xue等人[11]已经使用投票策略来选择判别特征来表示对象。然后使用利用判别特征的均值漂移算法完成对象跟踪。
在区域跟踪中，使用前一帧提取对象区域。 Bascle等人[3]描述了一种通过图像序列跟踪复杂形状的新方法，该方法结合了可变形区域模型和可变形轮廓。
用于检测车辆的基于特征的跟踪方法可用于在诸如更拥挤，阴影和照明转换等具有挑战性的条件下有效地跟踪对象。跟踪整个车辆，而不是跟踪整个车辆，跟踪车辆特征以使该方法对部分遮挡具有鲁棒性。在变化的照明条件下，该系统功能完备，因为大多数重要功能都用于追踪目的。所提出的系统使用基于特征的跟踪方法。
在最近的论文[17]中，Danelljan等人已经扩展了CSK方法，其中基于循环结构[26]获取子窗口的过程是使用许多颜色属性/特征，并从基准数据集[65]中选择41个颜色序列进行评估。 CSK方法通过使用多通道特征进行扩展[27]，层次和组合和或图表示被用于同时跟踪，学习和分析对象[38]。高斯过程修正器被用来通过估计目标外观和两种标记样本的概率来提高跟踪性能[21]，并且在基准数据集[55]上已经证明了一些有希望的结果。这些追踪器将被添加到图书馆并在评估网站上提供。在[64]中，吴等人近年来展示了大量的基于不同基准数据集的跟踪算法。
2.3局部模式
Ojala等人[43]在纹理分类领域提出了局部二元模式（LBP）。为了减少特征向量的复杂性[44][48]，他们提出了旋转不变的纹理分类[35][52]。 Zhao等人提出了时空局部二进制模式。 LBP已被用于纹理分割[67]，背景建模和检测[25]，兴趣区域描述[24]，图像检索[28]。
Subrahmanyam Murala等人提出了局部四元模式（LTrP）[57]，它根据在垂直和水平方向上使用一阶导数计算出的方向来提取信息。局部二元模式（LBP），局部三元模式（LTP）基于两个方向上的边缘分布提取信息。 LTr P根据方向代码提取信息。它有四个方向代码。因此，LTrP提取了比LBP和LTP更多的信息，但它不考虑像素的对角线一阶导数。所提出的对角十六进制模式（DHP）可以从对角线方向的一阶导数中提取十六个方向码。它具有比LTr P更多的信息。因此，显然这些方法的性能可以得到改善。这一观察推动了这项工作提出了十六个方向代码并被称为DHP。
3.对角线十六进制模式
局部四元模式的想法已被用来定义DHP.DHP使用中心灰色像素的方向描述局部纹理的空间结构。 它基于通过对角线导数计算的像素方向对图像进行编码。使用每个方向的十六进制二进制码的组合来计算特征向量。
3.1十六进制模式
DHP使用中心灰色像素的方向描述空间信息。 给定图像I，计算沿45°，135°，225°，315°方向的一阶导数。 3times;3区域中心像素的一阶导数可写为（1）并且可以如（2）中那样计算中心像素的方向。
全文共18691字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[12525]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
