基于机器视觉的智能车跟踪系统研究与实现

论文摘要

机器视觉领域是一个重要的科学领域,它是用机器(摄像机和计算机等)替代人眼对目标进行检测、识别、跟踪、判断,主要用于大批量的工业生产、药品检测、银行卡演示系统、表面检测及汽车电子行业。自20世纪50年代以来,汽车电子和智能控制技术得到广泛的重视和飞速的发展,智能车随之成为汽车控制领域内的一个研究热点,而视觉跟踪是智能车研究的主要方向之一。智能车对移动目标的识别和跟踪是从视觉传感器获取的图像序列中分割出运动目标并对这些目标进行识别和跟踪,因此,目标的检测、识别和跟踪是智能车视觉跟踪中的一个重要任务。本课题设计了一个基于高速球形摄像机的智能车跟踪系统,该系统对摄像头视野中的两辆小车进行跟踪,PC机通过摄像头获取前方目标车的运动状态,利用机器视觉算法进行判断和分析,通过无线指令控制后方智能小车跟踪前方目标车,并且摄像头跟随目标的运动方向转动,使两车体始终在摄像头的视野范围之内。其核心研究内容主要包括三个部分:一是运动目标的检测与提取;二是运动目标的跟踪;三是摄像头和智能车速度及方向的控制。本文首先介绍了几种常用的运动目标检测算法,包括光流法、时间差分法、背景差分法,验证并分析它们各自的优缺点和适用范围,重点阐述了基于混合高斯背景模型的目标检测方法;然后,介绍了MeanShift算法的基本原理,主要研究了CAMShift目标跟踪算法、Kalman运动估计跟踪算法、粒子滤波跟踪算法。在此基础上,论文完成了如下工作:(1)结合混合高斯模型与CAMShift目标跟踪算法,设计实现了一种自动的运动目标检测与跟踪系统。首先用基于混合高斯的背景模型实现对运动目标所在区域的识别和提取,确定目标区域并初始化跟踪窗口;然后在目标区域内提取颜色特征,通过CAMShift算法计算目标的精确位置并调整搜索窗口大小。在跟踪过程中,利用目标位置信息,通过串口控制高速球机的运动,使目标并尽可能位于视场中央,以实现对运动目标的快速准确的实时跟踪。(2)在上述算法实现的基础上对CAMShift做出几点改进,一是融合目标的颜色特征与纹理特征,将色调直方图与梯度直方图进行加权处理,作为目标特征模板,处理相似颜色的干扰;二是用自适应扩展搜索窗口改进CAMShift算法,避免因目标瞬时速度过大导致跟踪目标丢失;三是引入运动预测估计算法,结合Kalman滤波进行目标位置预测和更新,解决因严重遮挡引起的跟踪丢失问题。(3)设计了一种多目标跟踪的解决方案,由于运动场景和运动状态的复杂化,卡尔曼滤波在非线性、非高斯系统表现出来的效果欠佳,论文对粒子滤波算法进行了研究,利用样本重要性重采样法,加权融合目标颜色与梯度方向直方图,实现基于多特征的粒子滤波目标跟踪算法,并用CAMShift算法优化粒子滤波,用于多目标的跟踪,提高了跟踪的实时性和鲁棒性。(4)利用视觉跟踪算法的反馈结果给出了一种简单有效的智能车控制指令的策略,实现智能车的前行、停止、左转、右转。同时,设计了一种高速球形摄像机的方向和速度控制策略,在球机机械参数未知的情况下,设定摄像头速度比例系数,根据目标位置的偏移程度对摄像机的转速进行线性调节,防止球机震荡,调整球机P/T方向角度使被跟踪目标始终在视野之内。(5)基于OpenCV图像处理技术,运用VS2008软件在Windows平台上建立运动目标检测、跟踪、控制的整套软、硬件试验系统。基于MFC的开发库,将多个功能集成在一个友好界面下,实现了智能车视觉跟踪系统,并验证了系统各项功能的有效性。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究背景及意义
• 1.2 国内外研究的现状
• 1.3 目标检测与跟踪方法综述
• 1.3.1 运动目标检测方法
• 1.3.2 运动目标跟踪方法
• 1.3.3 面对的难点
• 1.4 智能车辆机器视觉的发展趋势
• 1.5 论文主要工作和章节安排
• 第2章 运动目标检测算法研究
• 2.1 基于光流的运动目标检测
• 2.2 基于时间差分的运动目标检测
• 2.2.1 相邻差分法
• 2.2.2 对称差分法
• 2.3 基于背景差分的运动目标检测
• 2.3.1 单高斯背景模型
• 2.3.2 混合高斯背景模型
• 2.4 形态学处理
• 2.5 目标特征提取
• 2.5.1 目标几何特征
• 2.5.2 目标颜色特征
• 2.5.3 目标纹理特征
• 2.6 本章小结
• 第3章 基于改进CAMShift 算法与Kalman 滤波的目标跟踪算法
• 3.1 基于MeanShift 的目标跟踪算法
• 3.1.1 MeanShift 算法概述
• 3.1.2 MeanShift 算法的基本原理
• 3.2 CAMShift 算法
• 3.2.1 CAMShift 算法原理及实现过程
• 3.2.2 CAMShift 算法的改进
• 3.3 结合改进CAMShift 算法与 Kalman 滤波的目标跟踪算法
• 3.3.1 基于Kalman 滤波的运动状态估计
• 3.3.2 组合算法
• 3.4 实验结果及分析
• 3.5 本章小结
• 第4章 基于粒子滤波的多目标跟踪算法
• 4.1 粒子滤波算法
• 4.1.1 粒子滤波器基本原理
• 4.1.2 顺序重要性采样SIS
• 4.1.3 样本重要性重采样SIR
• 4.1.4 粒子滤波算法描述
• 4.2 融合多特征的粒子滤波目标跟踪算法
• 4.3 多特征CAMShift 优化的粒子滤波跟踪算法
• 4.4 实验结果及分析
• 4.5 本章小结
• 第5章 智能车视觉跟踪系统设计及实现
• 5.1 系统总体结构
• 5.1.1 系统硬件配置
• 5.1.2 视觉跟踪系统软件结构及实现
• 5.2 高速球机云台控制策略
• 5.2.1 摄像头方向控制
• 5.2.2 摄像头转速控制
• 5.3 智能车运动控制策略
• 5.3.1 智能车转向控制策略
• 5.3.2 智能车行走控制策略
• 5.4 系统功能测试及分析
• 5.5 本章小结
• 第6章 总结与展望
• 6.1 全文总结
• 6.2 研究展望
• 参考文献
• 致谢
• 附录攻读学位期间所发表的学术论文