基于智能机器视觉的目标检测跟踪技术研究

《基于智能机器视觉的目标检测跟踪技术研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于智能机器视觉的目标检测跟踪技术研究摘要：由于雾天、阴天、高噪环境等外部环境因素的影响，常常出现跟踪过程中易丢失目标的现象。该文通过改进多尺度Retinex算法增强图像，在压缩图像中高亮区域范围的同时，拉伸暗区的动态范围，使得暗区的细节信息明显提高，并结合Camshift算法，使用预测位置误差方法估计运动目标搜索范围，并使用滤波器对参数修正，有效克服了Camshift算法自身的缺陷。中国8/vie　　关键词：特征检测；目标跟踪；Retinex算法；Chamshift算法　　中图分类号：TP18文献标识码：A：1009-3044（20

2、16）34-0216-03　　Abstract：Duetothefog，cloudy，highnoiseenvironmentandotherexternalfactors，itiseasytolosetargetinthetrackingprocess.Inthispaper，throughtheimprovedmulti-scaleRetinexalgorithm，thehighlightedareaintheimageispressedicrangeofthedarkregionisstretched.Thedetailsoft

3、hedarkareaincreasedsignificantly.binedshiftalgorithm，thepredictivepositionerrormethodatetherangeofmotiontarget.Byusingthefiltertomodifytheparameters，effectivelyoveretheshortingsoftheCamshiftalgorithmitself.　　Key；chamshiftalgorithm　　1概述　　�S着社会经济的快速发展和城市车辆保有量的激增，城市道路交通监控系

4、统在交通管理中发挥着越来越重要的作用。由于雾天、阴天、高噪环境等外部环境使大气的能见度降低，采集图像发生退化，这给户外图像采集与处理带来困难，并增加了交通运输的监控管理难度。　　图像增强原理的方法可以不受图像退化的影响，增强图像信息，还原出符合人们视觉要求和计算处理要求的图像。其中全局直方图均匀化是基本的图像还原方法，它通过算法使图像灰度概率密度均匀分布以增强图像对比度，但该方法只对场景简单的雾霾图像对比度有较好处理效果。之后，依次出现基于Retinex理论的图像还原算法[1]；基于小波变换的图像还原算法；Hek.等在2011年提出利

5、用暗原色规律的图像去雾算法。　　目标跟踪在智能交通中有重要的研究价值，至今，已有不少学者进行了相关的研究工作：如梯度、颜色特征共同建模提高跟踪精度；将均值漂移结合粒子滤波，提高算法效率；将SIFT方法结合运动、颜色特征提高跟踪稳定性等。Bradski提出的Camshift算法有较高的运算效率，不受目标形状变化的影响，以颜色直方图为目标，可以有效地解决遮挡、变形问题。　　文章首先通过改进的多尺度Retinex增强图像，通过颜色空间变换后拉伸并改进HSI分量后逆变换回RGB空间，提高图像质量和对比度，然后利用改进的Camshift算法预测

6、目标位置，缩小目标搜索的范围，保证跟踪稳定可靠。　　2Retinex方法增强图像　　2.1单尺度Retinex算法　　Edan和Jobson在中心环绕的基础上提出单尺度Retinex算法（SingleScaleRetinex，SSR），该算法增强后的图像具有颜色恒常特性，色彩真实，动态范围压缩大，是基于光照补偿的一种图像增强算法，相比原中心环绕的算法，运算速度提高显著。假定照射图像具有空间平滑特性，单尺度Retinex算法表示为：　　上式中，*是卷积算子，Retinex图像第[i]个通道的输出为[Ri（x，y）]，环绕函数为[F（x，

7、y）]，第[i]个通道中像素值为[Ii（x，y）]，环绕函数为高斯函数，[F（x，y）=Ke-r2/c2]，K由归一化函数决定，其中[r=x2+y2]，[c]是环绕尺度。　　4实验验证及分析　　如图1所示，a，e和c，g分别为原图及改进后多尺度Retinex算法的增强结果，b，f和d，h分别为原图及改进后多尺度Retinex算法灰度直方图对比，改进算法灰度直方图分布更均匀，将亮度分量和饱和度、色度分开，解决原算法在RGB空间中要分别调整R、G、B三个颜色通道而产生颜色失真的问题，细节锐化和图像信息都得到提高。　　如图2所示，a和b分别

8、为Camshift算法改进前后车辆跟踪结果。分别截取视频的76，79，83和89帧，当车辆位移过大时，原Camshift算法易丢失目标，将跟踪窗口错误的定位在后面一辆车上，改进后的算法通过对目标进行运动估计，利用预测值平