基于SMDWT和密集方差法的光照不变运动检测与跟踪

摘要

自动驾驶车辆的导航管理系统应该能够收集有关车辆当前环境的可靠信息，区分救护车和货运卡车，并以适当的方式应对任何困难情况。将这些信息从视觉控制系统中分离出来是一项对现实环境中交通繁忙地区的计算要求很高的任务。在这种情况下，我们需要一个鲁棒的运动目标检测跟踪系统。为此，我们可以利用基于立体视觉的运动目标检测和跟踪，利用对称掩模的离散小波变换来处理光照变化，低内存需求，以及伪运动避免。采用背景减影和帧差相结合的方法，实现了复杂动态场景下的精确运动检测。对于快速运动轨迹，我们可以采用密集方差法。基于smdwt的目标检测的最大准确率为99.62%，最小准确率为94.95%。运动轨迹在28.03秒的时间范围内准确率最高，达到79.47%。在34.46秒的时间范围内，系统的最低精度为62.01%。分析表明，该方法在计算成本低、精度高和处理动态环境方面优于现有的单目和密集立体目标跟踪方法。

1.介绍

近年来，目标跟踪在人机界面、机器人视觉、智能安防系统等计算机视觉应用中占有重要地位。在医学成像中，目标跟踪用于疾病的诊断[1.]．尽管许多研究人员已经进行了数十年的大量研究，但一种准确、高性能的运动跟踪方法距离大多数实时要求仍然很遥远。这项任务的难度很大程度上取决于环境的动态变化以及要检测和跟踪的对象的类型。在复杂的动态交通情况下，驾驶员辅助系统(DAS)必须准确地识别现场，并做出适当的反应，以处理任何困难的情况。自动驾驶车辆的导航管理系统通常依赖于各种距离测量技术，如GPS、激光测距仪、摄像机和几个子系统，以识别车辆的行驶方向，并根据来自传感器的数据做出关键决策。2.]．

与人眼相似，摄像机及其相关子系统能够识别其他传感器无法识别的场景。传统的运动目标检测方法是背景减法[3.,4.，时间差异[5.]、统计方法[6.]，以及光流法[7.,8.]在现实世界中，这些方法对辐射变化、传感器噪声和伪运动非常敏感。通常，离散小波变换（DWT）[9和低分辨率技术被用来处理这些情况[10]．传统的DWT方案只能在较高的计算成本下执行。为了满足低内存需求而增加的分解级别往往以不完整的对象检测结束。基于对称掩模的离散小波变换(SMDWT)是满足这些要求的恰当选择，因为它总是与更短的路径、独立的子带编码和快速计算等吸引人的特性相关[11,12]．一般来说，这些方法是在单目视频上完成的，它经常面临诸如多目标遮挡、阴影干涉和辐射变化等挑战。此外，单个相机的视界应该足够宽，以覆盖运动中的物体。多摄像机系统可以准确定位运动目标而不产生任何模糊[13]．利用从立体视图中提取的深度信息，可以对感兴趣的对象进行精确定位和分割[14–16]．本文研究了一种基于密度差方差法的快速、可靠的运动目标跟踪系统。结合SMDWT的优点，结合背景差法和帧差法实现了精确的运动检测。

2.相关工作

在视频采集技术的最新发展中，多视点系统优于单目系统。通过使用立体视觉技术，可以在亚像素级准确估计物体的三维信息，从而用于更可靠的物体跟踪。立体系统可以是宽基线或短基线-基线系统。基于特征的对应通常在宽基线系统上完成[17,18导致稀疏的差异。与宽基线系统相关的主要挑战是大视点相关的闭塞。由短基线系统获得的密集深度图[19–21可以用于对感兴趣的对象进行精确分割。

立体视觉系统用于多目标跟踪[22]．单摄像头和多传感器融合用于跟踪人类[23].对于交通环形交叉口的目标跟踪，采用立体视觉系统[24]．密集立体视觉系统用于行人追踪[25]．利用立体输入来识别和分割运动对象[26]．自动系统使用Stixel World的交通场景表示[27]．通过纳入极间约束，Andre等人[28]使用宽基线立体视觉进行目标跟踪。卡尔曼滤波用于基于立体视频的目标跟踪[29]．采用自适应粒子滤波器进行立体运动跟踪[30.]．提出了基于3D空间特征点分类的自动驾驶汽车目标检测方法[31]．为了管理城市交通中的车辆跟踪，使用了从立体视图估计的长方体[32].中介绍了自动驾驶车辆的立体视觉和激光雷达技术[33]．密集立体系统用于城市道路交叉路口的车辆追踪[34]．基于RANSAC算法的跟踪[35]及运动目标检测[36使用立体对进行运动估计。在[37]采用AdaBoost探测器和光流。在大多数现有的跟踪方法中，光照变化、假运动、动态场景、精度和计算成本是主要的挑战。

3.特性和贡献

这是第一个基于立体视觉的动态环境下快速运动目标检测和跟踪方法。它结合了基于对称掩模的离散小波变换、背景减法和帧差联合技术以及密集差异方差法的优点。本研究的主要贡献包括:(我)利用SMDWT来处理光照变化、低内存需求和伪运动避免(2)将背景差法和帧差法相结合，提高了运动检测的准确性和可靠性。这种组合方法可以处理场景的动态变化，并且不需要频繁地更新背景帧。相反，它只能根据传感器覆盖的阈值距离进行更新(iii)利用密集立体视差去除感兴趣区域中不需要的离群点，提高目标检测的准确性。最后，采用密集立体视差方差法进行快速目标跟踪，密集深度图的使用提高了基于距离的目标跟踪的精度

除此之外，基于smdwt的目标检测的准确率达到99.62%。对于80 × 110的压缩输入图像，系统的最低检测精度为94.95%。与基于提升的离散小波变换(LDWT)方法相比，该方法能在较低的时间范围内得到跟踪结果。这种新的密集差异方差方法只使用窗口内像素的最大方差值，而不是逐像素取像素值，与现有方法相比，它能获得更快的运动跟踪结果。该系统综合了背景差分和帧差联合技术、SMDWT和密集立体声差差目标跟踪等优点。在35.23秒的时间段内，跟踪精度最高可达86.4%，在34.46秒的时间段内，系统跟踪精度最低可达62.01%。结果表明，与传统的基于dwt的方法和现有的密集立体目标跟踪方法相比，该方法在精度、计算代价和处理动态场景方面具有更好的性能。

4.基于SMDWT和密集方差-方差法的运动检测与跟踪

这种基于立体视觉的目标跟踪方法融合了SMDWT在处理辐射不变性、低内存需求和伪运动避免方面的特点。该系统具有目标检测准确、无模糊、目标跟踪快速、感兴趣区域选择准确等特点。利用基于立体视觉的密集深度图，改进了基于距离的跟踪精度。此外，该系统不需要频繁地更新参考系。只有当ROI的深度值大于某个阈值时才更新。

立体信息被用于两个模块:(i)用于ROI离群点去除以提高精度，(ii)用于基于方差的运动跟踪。视差计算采用绝对差和算法。采用背景差分和帧差相结合的方法，实现了动态交通场景中目标的鲁棒检测。采用密度差方差法实现目标的绝对检测和快速运动跟踪。整个三维视觉跟踪模块由运动目标检测、利用SAD立体匹配进行深度估计和对多个运动目标的跟踪组成。数字1.显示系统概述。

4．1.基于对称掩模的离散小波变换

卷积或FIR滤波器组结构的离散小波变换（DWT）用于检测现实环境中的运动部件，计算成本很高，因此，它们不适合用于高速视频处理应用[38]．与基于卷积的变换相比，基于提升的DWT (lift -based DWT, LDWT)只需要50%的计算复杂度的视频压缩方法[39,40]虽然LDWT具有良好的重建性能，但它需要更多的转置内存。为了降低这一要求，可以使用掩模相关处理SMDWT进行运动检测和跟踪[41,42]．在本工作中，基于对称掩模的离散小波变换(SMDWT)利用2-D 5/3整数LDWT的系数应用于两帧立体图像。为了以较小的计算成本进行空间滤波，采用了3 × 3,5 × 3,3 × 5和5 × 5四个掩模。在进一步优化后，这四个子带处理将导致减少时间内存需求和快速结果。LL，用这些面具_1.,韩_1.,霍奇金淋巴瘤_1., HH_1.部分波段。其中，LL_1.子带缺乏高频成分，如虚假运动和快速照明变化。因此，在这个立体目标跟踪系统中，LL_1.子带用于空间滤波。表格1.表示LL的系数_1.面具。数字2.显示了二维SMDWT的示意图。噢_1.子带可以用下面的公式计算。

4．2．运动检测

运动检测涉及的步骤是(一)背景减法和帧差(b)二值化和或运算(c)形态学运算

其次是运动视差计算，可以提高运动跟踪的精度。

4.2.1。准备结合背景减法和帧差法

背景减法(background minus, BS)是一种基于参考帧从当前帧中检测运动目标的技术。虽然运动掩模矢量可以通过背景减影来估计，但它容易受到光照变化和其他辐射变化的影响。这可以通过结合可以处理动态场景变化的帧差(FD)方法来克服。因此，在该方法中，运动掩模数据是由BS和FD方法结合得到的。参考系只考虑背景中的稳态物体，并从参考系中减去当前的坐标系以获得运动中的物体。在FD中，运动部分从视频流的连续帧中分离出来。背景减法和帧差分可以用下面的方程来完成。 在哪里 , ,和 ． 和表示帧中的行数和列数，以及为视频中的帧数。是背景框，和就是帧差。

4.2.2。二值化和逻辑或运算

将BS和FD方法得到的数据通过二值化和逻辑或运算进行组合。二值化的阈值可能从一帧到另一帧发生变化。方程(3.)用于计算平均值和标准偏差 ．

从这些值，全球阈值“对于特定框架，可使用以下方程式计算：

是帧差分的结果，的平均值是 , 为标准差，为阈值，0.085为试错法得到的常数值。 ,OR运算的结果，可由下式得到:

4.2.3。形态学操作

二值图像中的不良特征可以通过形态运算来消除。有些动作过于微弱，可能被视为非运动像素，并将在运动蒙版中创建洞。为了生成精确的运动蒙版，应用形态闭合。

4．3．动态的差异计算

经过形态学操作获得的运动掩模可能包含来自其周围环境的离群部分。因此，这些离群值部分导致了运动参数的错误估计。运动相关感兴趣区域(ROI)的生成和基于运动的视差计算包括以下步骤。

4.3.1。ROI提取

从运动蒙版和输入图像中，可以使用以下公式生成ROI:

在这里,为形态运算得到的运动蒙版。和为左、右输入图像。和为左右ROI图像。通过视差去除错位感兴趣区域中不需要的离群点，即将估计的运动向量转换为视差向量。

4．4.立体声对应

在基于SAD的相关方法中，从参考图像获取的窗口内的像素强度与其在目标图像中的对应像素强度相匹配[42].二维对应搜索可以简化为一维搜索（沿仅方向)，若输入图像对被校正[43]．

在这里，两个视图中的所有极线都与基线平行，搜索将沿着水平方向( )只有方向。让表示从中心像素开始的任意方向上的像素数量 在大小范围内 ．用于相似性度量的代价函数SAD由式(7.）.差异( )，的转变共轭对的坐标，可由式(8.）. 在哪里 为像素的强度 在左帧中 和正确的框架。计算窗口内所有像素的SAD值，“赢家”是对应于SAD最小值的视差。

围绕中心像素的像素窗口的视差值 从零到最大视差值” ．通过将参考窗口滑动到正确的框架上，就可以进行搜索。这个过程对单个块重复，直到整个帧的视差值被计算出来，得到的图像称为视差空间图像(DSI)。这里，运动对象对应的DSI表示为 ．SMDWT后获得的图像用作该对应搜索的输入序列( )可根据以下方程式通过三角测量计算。 在哪里 , ,和分别表示摄影机焦距、摄影机中心之间的基线距离和计算的视差值。此深度值可用于识别低于阈值距离的移动对象。在本工作中，此阈值距离取为5 M

4.1.1。去除ROI中的异常值

ROI中不需要的异常值可以根据以下等式去除： 在哪里的运动蒙版^th框架。运动矢量的视差用于消除异常值，并且为运动蒙版向量的阈值水平。每帧的均值和方差定期更新。

４．５．Variance-Based运动跟踪

在这种基于方差的运动跟踪中，从感兴趣区域中取一个大小为5的窗口，计算像素的方差。方差值可由下式计算: 在哪里是在移除不需要的异常值后获得的运动遮罩。窗口水平滑动以覆盖整个ROI。此处仅考虑窗口中像素的最大方差值，而不是逐像素取值。这种基于窗口的方法提供更快的运动跟踪结果，并聚合此结果“方差最大值”被视为一个移动对象。固定一个边界用于定位移动对象，以指出当前输入帧中的对象。最后，使用获得的视差值计算该对象距离摄像机的深度，并根据该深度值做出决策，以获得驾驶员辅助。

5.结果和分析

在本工作中，使用KITTI Vision Benchmark Suite上可用的数据集对算法进行了测试和评估[44]及戴姆勒行人分段基准[45使用Intel®2.10 GHz Core™i3 2310M CPU, 4gb RAM和MATLAB。原始图像的帧大小在RGB系统中。表格2.详细说明用于分析的视频帧。通过应用SMDWT，每个输入图像被压缩到80 × 110的大小。例如，对于尺寸为320 × 440的输入视频，本作品采用的是二级分解，对于尺寸为640 × 880的输入视频，采用的是三级分解。尽管分解水平的提高会带来更快的结果，但它会降低精度。在准确性和速度之间总是存在权衡。

5．1.SMDWT结果与分析

利用SMDWT去除输入视频序列中的噪声和虚假运动。数字3.显示了使用BS和FD方法和LL组合生成的运动遮罩_1.群SMDWT。从图3 (c)，很明显，生成的运动蒙版未能保持物体的形状。这可以通过部署LL来克服_3.子带而不是LL_1，因为你_3.子带可以更有效地保留移动对象。数字4.表示SMDWT的第三级分解结果。数字4(一)显示输入视频帧的左视图，图4 (b)为SMDWT的第三级分解结果，如图所示4 (c)显示了你_3.子带图像。目标检测性能，以准确率表示，可由下式计算:

表格3.举例说明了使用SMDWT、LDWT和中值滤波器进行运动目标检测的准确性比较。可以看出，对于分解后的80 × 110大小的输入图像，系统的检测准确率最高可达99.62%，最低可达94.95%，高于中值滤波。

5.2。SMDWT-SAD对应结果

SMDWT-SAD对应的准确性通过使用Middlebury立体声数据提供的校正立体图像对进行测试[46]．首先对图像进行SMDWT预处理，然后对不同曝光时间和不同光照条件下的图像进行SAD对应。这里取最大视差等级为ground truth视差最大值的1 / 3 [47]．

5.3。绩效评估

立体声算法的性能和结果质量可以通过改变某些参数来评估[48]．均方根误差(RMSE)可由下式计算。 在哪里 为得到的视差， 它的基础真值，和表示视差图中的像素总数。

数字5.使用不同曝光时间和不同光照条件下的输入图像，对比SMDWT-SAD和SAD得到的视差图的均方根误差。数字6.给出了它们对视差计算所需计算时间的相应比较。从对比中可以明显看出，SMDWT-SAD与传统SAD对应相比更准确。而且，SMDWT-SAD方法所花费的时间比SAD要少得多。因此，这种新的SMDWT-SAD方法在基于立体目标跟踪的光照不变视差计算中更加准确和快速。

5.4。目标跟踪结果

采用不同的输入视频帧对系统进行了定性和定量的测试和分析。数据7(一)–7(我)展示了结合BS和FD方法和SMDWT的运动掩模生成。

数字8.演示运动跟踪结果。在这里,数据8(一个)–8 (c)显示视频连续三帧的跟踪结果数据8 (d)–8 (f)展示视频2中不同帧的跟踪结果。在这里，边界框中心的值显示了该点的视差值。

数字9展示了视频1中基于roi的运动跟踪结果。这里，红色的圆圈表示移动的ROI。表格4.展示了SMDWT、LDWT和基于速度和跟踪精度的中值滤波器的比较。视频5在35.23秒的时间段内达到了86.4%的最高准确率。在34.46秒的时间范围内，该系统的最低精度为62.01%。由此可见，尽管SMDWT和LDWT的跟踪精度相同，但SMDWT的跟踪速度要比LDWT快。

5.5。定性分析

在不使用SMDWT的情况下，由于车辆的关闭和遮挡，会出现很多错误检测，如图所示10 ()．通过合并SMDWT，如图所示，这些问题被消除了10 (b)．在图10 (c)，由于视频2的虚假运动和光照条件差，导致错误检测，即即使跟踪运动中的物体，也会被碎片化。将会_2.子带图像避免了这种错误检测，如图所示10 (d)．图中出现了很多错误检测和错误跟踪10 (e)是否使用SMDWT-LL来消除_2.子带和方差方法如图所示10 (f)．

5.6。定量分析

表格5.演示了从我们系统的定量分析中得到的结果。计算并比较了不同视频序列的SMDWT方差和SMDWT均值的运动跟踪精度。采用SMDWT方差法，系统的跟踪精度达到79.47%。与SMDWT均值跟踪方法相比，SMDWT方差方法更准确。

5.7。与现有方法的比较

表格6.并与现有的单目和立体跟踪方法进行了精度比较。单目系统基于颜色直方图和局部转向核检测运动目标进行目标跟踪[49]．立体LSK [29]使用视差直方图进行目标跟踪。结合基于外观模型的粒子滤波方法已用于视觉跟踪[50].在ℓ_1.方法(51，粒子滤波方法用于视觉跟踪。从对比表中可以明显看出，我们的SMDWT密集差异-方差法比其他方法更准确。与单目和立体方法相比，该方法对所有输入的视频序列具有更高的跟踪精度。

6.结论和未来工作

提出了一种基于立体视觉的动态环境运动目标跟踪系统。这种快速运动跟踪方法采用SMDWT处理光照变化和虚假运动。在此基础上，结合背景差和帧差技术实现了可靠的运动检测。在该组合方法中引入阈值水平，可以在不频繁更新参考帧的情况下处理场景的动态变化。基于密度差的感兴趣区域选择提高了目标检测的准确性。基于密集差值的运动跟踪除了提高了跟踪的精度和速度外，还提高了运动跟踪的精度和速度。通过性能分析，证明了该系统在动态场景目标检测、伪运动避免、快速运动跟踪和ROI选择等方面的有效性。因此，这种快速光照不变系统可以用于动态场景的实时运动跟踪，即使在恶劣的环境条件下。

在自动驾驶汽车和视频监控系统等实时应用中，大多数运动跟踪系统都要求同时具有准确性和速度。随着自动驾驶技术对驾驶辅助系统的需求日益增加，将认知方法与视觉技术相结合，将有助于解决该领域的不确定性和技术挑战。对该系统进行了改进，提出了一种快速的深度学习方法来处理目标识别和遮挡处理。另一种扩展方法是利用基于外观的物体模型，使用多个立体摄像机进行目标跟踪。这些方法将为自动驾驶汽车技术领域带来巨大增长。

数据可用性

用于支持本研究结果的数据可根据要求从相应作者处获得。

的利益冲突

作者声明他们没有利益冲突。

参考文献

1. 王玉玲，“基于学习的医学影像检测与跟踪:一种概率方法”，国立中山大学影像科学研究所硕士论文变形模型， pp. 209-235，施普林格，Dordrecht，荷兰，2013。视图:出版商的网站|谷歌学者
2. 研究。Lim, J. Kim, c - h。Lee和M. Lee，“基于立体的多假设跟踪多车辆检测和跟踪框架”，国际先进机器人系统杂志，第10卷，第7期，第1-13页，2013年。视图:出版商的网站|谷歌学者
3. A. M. McIvor，《背景减法技术》图像及视觉计算， vol. 4, pp. 3099-3104, Elsevier, 2000。视图:谷歌学者
4. 刘玉玲，艾华，郭玉玲。基于背景减法的运动目标检测与跟踪目标检测、分类和跟踪技术，页62-66，中国武汉，2001。视图:出版商的网站|谷歌学者
5. 黄光，翁美，达旭，“一种新的运动目标检测帧间差分算法”第三届国际图像与信号处理大会(CISP)，第一卷，烟台，中国，2010。视图:出版商的网站|谷歌学者
6. 王磊，胡伟，谭天，“人体运动分析的最新进展”，模式识别第36卷第2期3，页585-601,2003。视图:出版商的网站|谷歌学者
7. N. Paragios和R. Deriche，“用于检测和跟踪移动物体的测地活动轮廓和水平集”，模式分析与机器智能学报第22卷第2期3、2000年。视图:出版商的网站|谷歌学者
8. L. Wixson，“通过积累方向一致的流动来检测显著运动”，模式分析与机器智能学报第22卷第2期8，页774 - 780,2000。视图:出版商的网站|谷歌学者
9. F.-H。程和杨绍明。关铭“基于离散小波变换的实时多目标跟踪与识别”，模式识别第39卷第3期6，页1126-1139,2006。视图:出版商的网站|谷歌学者
10. B. Sugandi, H. Kim, J. K. Tan, S. Ishikawa，“利用低分辨率图像跟踪运动物体”，在第二届创新计算、信息与控制国际会议(ICICIC 2007)，第408-408页，日本熊本，2007年。视图:出版商的网站|谷歌学者
11. 学术界。夏朝,人类。郭,js。基于对称掩模的二维整数提升离散小波变换低复杂度改进算法IEEE视频技术电路和系统交易第19卷第2期8，第1202-1208页，2009。视图:出版商的网站|谷歌学者
12. H. B. Resmi, V. A. Deepambika, M. A. Rahman，“基于对称掩模小波的运动目标检测和跟踪的方差方法”，Procedia计算机科学， 2015年，第58卷，第58 - 65页。视图:出版商的网站|谷歌学者
13. V. Lippiello, B. Siciliano，和L. Villani，“使用固定多摄像头系统的鲁棒视觉跟踪”IEEE机器人与自动化国际会议，ICRA'03，第3卷，第3333-3338页，台北，台湾，2003。视图:出版商的网站|谷歌学者
14. 李春华，吕磊，王海华，“基于显式立体深度的人群动态场景的鲁棒目标跟踪”，科技成果与展望计算机视觉学报。2012，第71-85页，施普林格，柏林，海德堡，德国，2012。视图:出版商的网站|谷歌学者
15. G. Catalin和S. Nedevschi，“用粒子滤波从立体序列跟踪物体”，在第四届智能计算机通信与处理国际会议，第279-282页，罗马尼亚，Cluj-Napoca, 2008。视图:出版商的网站|谷歌学者
16. L. Zhao和C. E. Thorpe，“基于立体和神经网络的行人检测”，IEEE智能交通系统汇刊，第1卷，第3期，第148-154页，2000年。视图:出版商的网站|谷歌学者
17. M. Bajracharya, B. Moghaddam, A. Howard, S. Brennan，和L. H. Matthies，“一种快速立体系统，用于从移动的车辆中检测和跟踪行人，”国际机器人研究杂志第28卷第2期11-12，第1466-1485页，2009。视图:出版商的网站|谷歌学者
18. a . Barth和U. Franke，“从一个移动的平台上使用立体视觉来估计驶来车辆的驾驶状态”，IEEE智能交通系统汇刊，第10卷，第5期。4, pp. 560-571, 2009。视图:出版商的网站|谷歌学者
19. T.-N。阮、B. Michaelis、A. al-Hamadi、M. Tornow和m - m。Meinecke，“使用占用网格和目标跟踪的立体相机城市环境感知”，IEEE智能交通系统汇刊，第13卷，第2期1，页154-165,2012。视图:出版商的网站|谷歌学者
20. A. Gaschler, D. Burschka，和G. Hager，“无明确三维重建的极线立体跟踪”第20届国际模式识别会议，页1755-1758,2010。视图:谷歌学者
21. R. Muñoz-Salinas, M. García-Silvente，和R. Medina Carnicer，“无背景建模的自适应多模态立体声人跟踪，”视觉传达与图像再现学报第19卷第2期2，第75-91页，2008。视图:出版商的网站|谷歌学者
22. 蔡立军、何立军、徐彦宏、赵彦宏、杨旭，“立体视觉多目标检测与跟踪，”模式识别号，第43卷。12, pp. 4028-4041, 2010。视图:出版商的网站|谷歌学者
23. T. Zhao, M. Aggarwal, R. Kumar，和H. Sawhney，“实时广域多摄像头立体跟踪”，在2005 IEEE计算机学会计算机视觉与模式识别会议(CVPR’05)，第1卷，976-983页，美国圣地亚哥，2005。视图:出版商的网站|谷歌学者
24. M.Muffert，D.Pfeiffer和U.Franke，“环形交叉口基于立体视觉的目标跟踪方法，”IEEE智能交通系统杂志，第5卷，第5期。2，页22-32,2013。视图:出版商的网站|谷歌学者
25. C. G. Keller, M. Enzweiler, M. Rohrbach, D. F. Llorca, C. Schnorr，和D. M. Gavrila，《密集立体声对行人检测的好处》，IEEE智能交通系统汇刊，第12卷，第2期4, pp. 1096-1106, 2011。视图:出版商的网站|谷歌学者
26. A. Wedel, A. mei, C. Rabe, U. Franke，和D. Cremers，“从密集的场景流中检测和分割独立移动的物体”计算机视觉和模式识别中的能量最小化方法国际研讨会，第14-27页，柏林斯普林格，海德堡，2009年。视图:出版商的网站|谷歌学者
27. P. David和U. Franke，“通过动态笔调的方法有效地再现交通场景”，发表于2010年智能汽车研讨会(四)，页217-224，圣地亚哥，美国，2010。视图:出版商的网站|谷歌学者
28. G. Andre, D. Burschka，和G. Hager，“无明确3D重建的极线立体跟踪”2010年第20届国际模式识别会议，页1755-1758，伊斯坦布尔，土耳其，2010。视图:出版商的网站|谷歌学者
29. O. Zoidi, N. Nikolaidis, A. Tefas，和I. Pitas，“融合纹理、颜色和视差信息的立体目标跟踪”，信号处理:图像通信，第29卷，第2期5, pp. 573-589, 2014。视图:出版商的网站|谷歌学者
30. 孙H.邹H.周S.王C.和N.El Sheimy，“使用立体视觉的自动驾驶周围移动障碍物检测，”国际先进机器人系统杂志，第10卷，第5期。6, p. 261, 2013。视图:出版商的网站|谷歌学者
31. Zeng y, Hu y, Liu S. et al.， " RT3D:基于激光雷达点云的车辆实时三维检测技术，"IEEE机器人与自动化通讯，第3卷，第2期。4，第3434-3440页，2018。视图:出版商的网站|谷歌学者
32. R. Danescu, S. Nedevschi, M. M. Meinecke，和T. Graf，“城市交通环境中基于立体视觉的车辆跟踪”2007 IEEE智能交通系统会议，第400-404页，美国夏威夷，2007年。视图:出版商的网站|谷歌学者
33. M. Allodi, A. Broggi, D. Giaquinto, M. Patander, and A. Prioletti，“自动驾驶汽车的机器学习与立体视觉和激光雷达观测的跟踪关联”2016 IEEE智能汽车研讨会(四)，第648-653页，瑞典哥德堡，2016。视图:出版商的网站|谷歌学者
34. B. Alexander, D. Pfeiffer，和U. Franke，“在城市十字路口使用密集立体声跟踪车辆”，在第三次行为监测和解释讲习班，BMI，第47-58页，卡尔斯鲁厄，德国，2009。视图:谷歌学者
35. 研究。Lim和M. Kang，“基于立体视觉的视觉跟踪，使用3D特征聚类稳健的车辆跟踪”第11届国际控制、自动化和机器人信息学会议论文集，第2卷，第788-793页，奥地利维也纳，2014。视图:出版商的网站|谷歌学者
36. 陈林，范林，谢国忠，黄凯，“基于倾斜平面平滑的连续立体对运动目标检测”，IEEE智能交通系统汇刊第18卷第2期11, pp. 3093-3102, 2017。视图:出版商的网站|谷歌学者
37. T. Kowsari, S. S. Beauchemin和J. Cho，“使用立体视觉和多视图AdaBoost的实时车辆检测和跟踪”2011第十四届国际IEEE智能交通系统会议(ITSC)，第1255-1260页，华盛顿特区，美国，2011年。视图:出版商的网站|谷歌学者
38. K. Andra, C. Chakrabarti，和T. Acharya，“基于提升的正向和反向小波变换的VLSI架构”，IEEE信号处理汇刊，第50卷，第5期。4，页966-977,2002。视图:出版商的网站|谷歌学者
39. I. Daubechies和W. sweden，“分解小波变换到提升步骤”，傅里叶分析与应用杂志，第4卷，第4期。3、1998年。视图:出版商的网站|谷歌学者
40. T. Acharya和C. Chakrabarti，“基于提升的离散小波变换架构的调查”，信号、图像和视频技术的超大规模集成电路信号处理系统，第42卷，第2期3，页321-339,2006。视图:出版商的网站|谷歌学者
41. 学术界。夏朝,人类。郭,js。蒋介石和学术界。Lin，“一种新的基于SMDWT的视觉处理应用的快速算法”2009 IEEE国际电路与系统研讨会，页762-765，台北，台湾，2009。视图:出版商的网站|谷歌学者
42. V. A. Deepambika和A. Rahiman，“理想和非理想照明条件下机器人应用的立体对应算法”，国际图像处理杂志(IJIP)，第9卷，第5期。3, pp. 89-101, 2015。视图:谷歌学者
43. A. fusello, E. Trucco，和A. Verri，“立体对矫正的紧凑算法”，机器视觉及其应用，第12卷，第1期，第16-22页，2000年。视图:出版商的网站|谷歌学者
44. http://www.cvlibs.net/datasets/kitti/．
45. http://www.gavrila.net/Datasets/Daimler_Pedestrian_Benchmark_D/daimler_pedestrian_benchmark_d.html．
46. http://vision.middlebury.edu/stereo/data/．
47. D. Scharstein和R. Szeliski，“使用结构光的高精度立体深度图”计算机视觉与模式识别，2003。诉讼，第1-8页，麦迪逊，美国，2003。视图:出版商的网站|谷歌学者
48. D. Scharstein和R. Szeliski，“密集两帧立体对应算法的分类和评估”，国际计算机视觉杂志，第47卷，第47期。1/3，页7-42,2002。视图:出版商的网站|谷歌学者
49. O. Zoidi, A. Tefas, I. Pitas，“基于局部转向核和颜色直方图的视觉目标跟踪”，IEEE视频技术电路和系统交易，第23卷，第2期。5, pp. 870-882, 2013。视图:出版商的网站|谷歌学者
50. Mei X.， Ling H.， " Robust visual tracking using .ℓ1最小化”2009 IEEE第12届计算机视觉国际会议，第1436-1443页，日本京都，2009年。视图:出版商的网站|谷歌学者
51. S. K. Zhou, R. Chellappa，和B. Moghaddam，“在粒子过滤器中使用外观自适应模型的视觉跟踪和识别，”IEEE图像处理汇刊，第13卷，第11期，第1491-15062004页。视图:出版商的网站|谷歌学者

版权

版权所有©2018 V.A.Deepambika和M.Abdul Rahman。这是一篇根据知识共享署名许可协议，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。