车辆特征点3d参数估计及聚类算法研究

《车辆特征点3d参数估计及聚类算法研究》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、分类号:TP3910710-2013124045硕士学位论文车辆特征点3D参数估计及聚类算法研究张茜婷导师姓名职称宋焕生教授申请学位级别工学硕士学科专业名称计算机应用技术论文提交日期2016年4月28日论文答辩日期2016年6月10日学位授予单位长安大学3DParameterEstimationandClusteringAlgorithmResearchforVehicleFeaturePointsAThesisSubmittedfortheDegreeofMasterCandidate：ZhangXitingSupervisor：Prof.SongHuansheng

2、Chang’anUniversity,Xi’an,China摘要利用车辆特征点聚类分析车辆目标是机器视觉领域一个重要应用。目前已有的特征点聚类方法大都基于二维图像平面，利用特征点之间的位置关系及特征点轨迹的运动约束进行聚类。这种方法在摄像机架设较高，视觉较开阔的情况下可以得到有效的聚类结果，但在摄像机架设较低、视角偏差较大、车辆拥堵较严重的视频场景中，由于存在车辆遮挡、车辆粘连等现象，这类方法并不适用。本文研究了车辆特征点的3D参数估计方法，并提出一种迭代的聚类算法框架，通过对特征点进行初聚类、精细聚类和类间合并完成聚类分析。初聚类过程中首先分析特征点的逆投影变换，再

3、采用改进的K-means聚类算法对特征点的逆投影点进行初聚类，得到初步类别。基于初聚类结果对特征点的逆投影速度和三维高度的关系进行分析，估计特征点的3D参数。将3D参数与设定的车辆三维模型相匹配，对特征点进行剔除和重分配，实现精细聚类。最后利用特征点的三维轨迹间运动约束，判定两两类别是否属于同一车辆目标，完成类间合并，得到最终的聚类类别。将该算法框架应用于实际交通场景，可以得到较稳定的聚类结果。统计一定时间内经过某一检测区域的类别数获取车流量，准确率可以达到95%以上。同时通过估计各类别内特征点的3D参数，以此与车辆模型做匹配，可以估计车辆类型，实现车型分类,准确率可

4、以达到90%以上。关键词：特征点聚类，车辆遮挡，3D参数估计，K-means聚类，运动轨迹约束iAbstractItisanimportantapplicationtoanalyzethevehicletargetusingvehiclefeaturepointsclusteringinthefieldofmachinevision.Atpresent,themethodsoffeaturepointsclusteringmostlyusethepositionalrelationshipbetweenthefeaturepointsona2Dimageplanean

5、dthetrajectoriesconstraintofthem.Thesemethodscangetgoodclusteringresultsunderthesituationthatthecameraissetupinahighpositionwithabroadview.Otherwise,thesemethodsarenotapplicablewhenthevehicleisblocked.Inthispaper,aniterativeclusteringalgorithmframeworkisproposedafterstudyingthemethodof3

6、Dparameterestimationofvehiclefeaturepoints.Itismainlycompletedbyusingthebasicclustering,thedetailedclusteringofthefeaturepointsandmergingbetweencategories.Inthebasicclusteringprocess,thepreliminaryclassificationcompletedbyadoptingtheimprovedK-meansclusteringalgorithmwiththeanalysisofthe

7、inverseprojectiontransformationoffeaturepoints.Basedonthebasicclusteringresults,the3Dparameterofthefeaturepointscanbeestimatedafteranalyzingtherelationshipbetweentheinverseprojectionvelocityandthe3Dheightofthem.Thenthedetailedclusteringresultisachievedthroughexcludingandredistr