基于小波分解的多源图像融合在交通目标跟踪中的应用

《基于小波分解的多源图像融合在交通目标跟踪中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于小波分解的多源图像融合在交通目标跟踪中的应用摘　要针对交通监控中目标跟踪这个研究热点和难点，研究图像的小波分解算法，提出一种改进的基于小波分解的多源图像融合算法。对各分解层的小波系数，按照其不同频率分量的特点，采用不同的融合规则，弥补了采用单一融合规则的不足，最后将改进算法应用于交通目标跟踪。实验结果表明改进算法是可行的、有效的，能够实现目标跟踪和达到工程应用的目的。关键词目标跟踪小波分解多源图像融合TheApplicationofMultisourceImageFusionBasedonWavel

2、etDecompositioninTrafficTrackingAbstractInviewoftargettrackingfortrafficmonitoring,thewaveletimagedecompositionalgorithmwasstudied,andproposedaimprovedalgorithmofmultisourceimagefusionbasedonwaveletdecomposition.Itadopteddifferentfusionrulesinaccordancew

3、iththecharacteristicsofitsdifferentfrequencycomponentsfordifferentdecompositionlevelwithdifferentwaveletcoefficients,soitmakesupforlackofasinglefusionrule.Thenthemethodisappliedtotraffictracking,theresultsshowthattheimprovedalgorithmisfeasibleandeffectiv

4、e,andachievesthepurposeoftrackingtargetandengineeringapplications.Keywordstargettracking;waveletdecomposition;multisourceimagefusion30引言在计算机视觉领域，序列图像多目标跟踪是一个研究热点，有广泛的应用前景，如军事目标跟踪、工业产品和交通路口监控等，采用何种技术对采集到的数据进行处理是能否得到有效结果的关键因素。常用的运动目标识别方法有贝叶斯理论、线性及非线性判决方法、神

5、经网络、模糊推理等[1]。ParagiosNK等人[2]提出首先用差分图像法获得目标运动区域，然后提取这个运动区域的边缘，作为主动轮廓的初始位置，最后通过主动轮廓的运动，分割出运动目标。ZhengL等[3]首先对图像进行运动分割，得到运动区域，然后基于图像色彩对图像进行区域分割，如果大部分面积位于运动区域内部的色彩区域，则属于目标内部区域。基于信息融合的多模式跟踪算法[4]己经非常成熟，如利用经典的集中式或分布式融合系统来融合各个跟踪模式的跟踪结果等，但它们大多是针对雷达信号跟踪而提出来的，而没有涉及到

6、交通目标跟踪的特点。图像融合是20世纪70年代后期提出的概念，是信息融合的一个重要分支[5]，在自动目标识别、智能系统、机器人视觉、遥感、医学图像处理等领域有广泛的应用[6-7]。图像融合分为像素级融合、特征级融合和决策级融合，这是基于图像的表征层划分的[8]。王连亮等将多源图像融合应用于目标识别，取得了较好的应用效果[9]。近年来，随着小波理论及其应用的发展，已将小波多尺度分解用于像素级图像融合，并显示出良好的效果[10,11]。小波变换是一种多尺度、多分辨率分解[12]，其对图像的多尺度分解过程可看

7、作对图像的多尺度边缘提取过程，同时小波的多尺度分解还具有方向性。因此，可考虑在不同尺度上，针对不同大小、方向的边缘和细节进行处理，以获得更好的效果。本文对目标跟踪领域的热点问题进行了研究，提出了一种改进的基于小波分解的多源图像融合算法，将其应用于交通目标跟踪。1改进的基于小波分解的多源图像融合算法小波变换由于其在频域与时域同时具有良好的局部化特性而广泛应用于图像处理与分析。Mallet提出了小波变换的快速分解算法域重构算法，图像的二维特性正好与小波的二维分解域重构相吻合，从而能够在高频和低频不同频域上对

8、图像进行分解和重构。按照Mallet的快速算法，图像的小波分解[11-12]如图1所示。可以看到二维图像的小波分解可以对图像按行、按列与一维的低通和高通滤波器作卷积来实现，在卷积之后进行相应的下采样。图1二维小波变换分解示意图小波变换后低频波段表征图像的近似部分，高频波段表征图像的细节信息，高频波段的系数在零值左右波动。系数的绝对值越大，表示该处亮度变化越剧烈，即可能包含图像的重要信息，如边缘、线条以及区域边界。另外，经不同传感器得到的同一