论文部分内容阅读
运动目标的检测和跟踪作为计算机视觉的一个重要组成部分吸引了大量国内外学者的研究,而且它也是实现智能交通系统的一个技术基石。面对诸如基于模型和区域的传统跟踪方法所表现出的跟踪效率低下的问题,本文致力于基于特征的跟踪算法研究。在众多的基于特征跟踪算法中,由David Lowe所提出的SIFT (Scale Invariant Feature Transform)算法在特征提取方面所表现出的优势是相当大的,该算法具备了旋转不变特性、光照不变特性、尺度不变性、部分仿射不变特性等等。本文首先针对目标跟踪特别是车辆跟踪的国内外研究现状做了详细介绍,分析阐述了SIFT算法同其他基于特征匹配算法的优势所在,且结合实例阐述了SIFT算法实现的基础理论知识：高斯卷积、尺度空间。继而,以SIFT算法的步骤为主线并结合实验来详细分析该算法。对该算法的主要研究内容：图像的高斯金字塔建立、引入DOG算子的原因及DOG算子的相关特性、特征点的精确定位及特征点的过滤操作、特征点梯度方向及其模值的相关计算、基于邻域内像素点的梯度信息而确定的特征点描述算子向量生成、改进K-D树算法--BBF搜索树法、错配点清除操作的RANSAC算法作了相应的理论与实例分析。本文研究的另一个重要内容是对SIFT算法的一些经典改进算法即：PAC-SIFT、SURF、ASIFT作了相关技术分析和讨论,并对这些经典的改进算法与SIFT算法作了相关性能、效率的比较。本文亦从三大方面对SIFT算法的进行改进并辅以相关的实验分析,具体为：1.在DOG图像金字塔形成后,对确定准特征点的计算方法进行改进,即：准特征点是否在图像的亚像素级别上是否真正接近真实特征点的位置?且此改进是基于一个比例系数的动态选择来实现的。2.在确定两个匹配点是否为正确匹配时,欧式距离比的阈值确定及向量间的相似性问题；本文通过引入一个自适应动态阈值确定算法对该阈值的确定做了相应改进,并引入向量空间的余弦定理解决向量相似性问题。3.大误差错配点在SIFT算法中是普遍存在的,如果直接用该大误差错配点进行后续的RANSAC错配点清除工作将会使得算法变得冗余,且精准度下降,故本文在RANSAC算法进行前就对大误差错配点进行剔除,提出一种模斜率的计算方法,并给出了相关剔除的具体算法和实例分析。最后,本文采用改进后的SIFT算法设计了多运动车辆的跟踪系统,并取得了比较理想的跟踪效果。