论文部分内容阅读
目标跟踪是计算机视觉领域多年来研究的热点及难点。尽管近年来取得了实质性的进展,但即使是目前最先进的多目标跟踪算法,仍然受到形变、背景干扰、目标间交互遮挡等影响。在城市交通场景中,对车辆等运动目标的跟踪可以为交通监控系统提供智能化操作。本文研究使用单目标跟踪器结合数据关联,实现多目标跟踪任务,并将其应用于交通监控场景。最后,依据跟踪结果对车辆轨迹进行分析聚类。本文针对运动车辆,分别设置独立的单目标跟踪器,减少跟踪系统对检测器的依赖。在单目标跟踪算法中,车辆特征的提取是关键的一步。本文研究并采用基于深度模型的车辆表观特征,提升算法鲁棒性与精确度。本文认为短时间内的车辆轨迹,可以拟合成一个简单曲线。以此为根据,提出一种预测车辆运动方向与距离的方法,减少系统计算量,提升运算速度。同时针对单目标跟踪器存在的漂移问题,研究使用最大相关响应值与峰值旁瓣比结合作为跟踪置信度,控制滤波模板的更新,提升跟踪性能。最后通过对比实验,证明了优化后单目标跟踪器的优秀性能。以性能优秀的单目标跟踪器为基础,为了解决多目标间的匹配问题,本文根据孪生网络学习到的车辆表观特征,使用余弦相似度度量进行匹配。对同一个车辆目标提取一次深度表观特征,同时应用于滤波模板的更新与相似度度量上,进一步减少系统计算量。为了提高目标间匹配的准确度,本文研究并使用运动车辆的位置特征做二次匹配。使用车辆位置、位置预测信息、跟踪器置信度等参数描述车辆的运动状态,并根据实际情况设计了运动状态的更新与转换方法。在交通监控场景数据集UA-DETRAC上,进行对比实验,证明了相比较仅使用传统特征度量目标间相似度的多目标跟踪算法,本文使用深度表观特征结合跟踪置信度更新滤波模板、使用基于孪生结构的表观特征结合位置特征二次匹配,分别在MOTA和Prcn指标上得到了25%、18%的提升,同时降低了车辆跟踪系统的IDswitch,在准确性与正确率上展现了较大的优势。应用车辆跟踪的结果,分析并处理车辆轨迹,使用DBSCAN算法聚类得到不同的轨迹类簇,实现车辆轨迹分析功能。最后对车辆跟踪与轨迹分析系统的需求与功能模块进行了分析,设计并实现了基于上述算法的车辆跟踪与轨迹分析系统。