摘 要

进入21世纪以来，我国经济持续的有活力的发展，人民的生活水平，生活质量也在不断提高，人们对未来的美好生活越来越期盼。汽车，舒适而又便捷的交通工具也逐渐成为人们的生活必需品。伴随着汽车的数量逐步增加，这也使得城市内的交通问题受到关注。我国目前的交通事故主要集中在汽车方面，事故发生频率高，范围广，对社会经济和财产造成了很大损失，甚至严重威胁到人们的生命安全，可以说已经成为一种普遍而又损失很大的灾难。随着现代科技的发展和计算机技术的应用，如何解决对车辆进行检测与跟踪便成为一个亟待研究解决的难题。

目前国内外的研究热点主要集中在计算机视觉和图像信息处理方面，其中对图像特征的提取和匹配是图像处理研究的前提。图像的特征提取是为了简化复杂图像中所包含的信息，并提取该模式中图像有代表性的信息，又称特征点，以表示图像的特征，这是进行图像匹配和目标物体跟踪的基础和前提。KAZE算法是近几年来新出现的一种图像特征检测和描述算法，该算法采用非线性扩散滤波构建尺度空间，是在图像域中进行非线性扩散处理的过程。与传统的尺度标准或线性高斯尺度空间相比，能够有效减少图像边界处模糊和细节的丢失，使模糊能够局部地适应图像数据，在具备尺度不变性的同时保留更高的局部精度和可区分性。因此KAZE能够更好的提取图像的特征，以此来进行目标和图像的匹配能达到更高的标准，而在进行目标跟踪时，更能达到很好的效果。

本文以KAZE为主要特征提取算法并进行匹配，在第一张航拍图像中先手动选取目标车辆，利用KAZE算法对目标车辆进行特征提取，然后在另外的航拍图像中进行目标车辆的匹配，结果最好能够达到目标车辆的特征点能够全部清晰的集中在所需要跟踪的目标车辆上面，以此来实现对目标车辆的跟踪。KAZE算法虽然也会有误差存在，但相较而言对特征的匹配能达到很好的效果。对于城市交通中通过航拍得到的图像，能够实现对所想要的目标车辆进行跟踪，那么它之后的行进路线是否会造成交通问题都能提前预警从而能降低交通事故的发生率。如果在未来航拍图像能够达到更高的精度，并搭配其他的特征提取算法，则对车辆的跟踪更加能实时而有效。

关键词：KAZE；图像特征；图像匹配；航拍技术；汽车跟踪；交通监控

Abstract

Since the beginning of the 21st century, China's economy has continued to develop vigorously, the people's living standards and quality of life have also been continuously improved, and people are increasingly expecting a better life in the future. Cars, comfortable and convenient means of transportation have gradually become a necessity for people. With the gradual increase in the number of cars, this has also caused traffic problems in the city to be concerned. China's current traffic accidents are mainly concentrated in the automobile sector. The frequency of accidents is high and the scope is wide. It has caused great losses to the social economy and property, and even seriously threatens people's lives. It can be said that it has become a common and very lossy. With the development of modern technology and the application of computer technology, how to solve the problem of detecting and tracking vehicles has become a difficult problem to be solved.

At present, research hotspots at home and abroad mainly focus on computer vision and image information processing. The extraction and matching of image features is the premise of image processing research. The feature extraction of the image is to simplify the information contained in the complex image, and extract the representative information of the image in the pattern, also called the feature point, to represent the feature of the image, which is the basis and premise of image matching and target object tracking. The KAZE algorithm is a new image feature detection and description algorithm emerging in recent years. The algorithm uses nonlinear diffusion filtering to construct the scale space, which is a process of nonlinear diffusion processing in the image domain. Compared with the traditional scale standard or linear gaussian scale space, it can effectively reduce the loss of blur and details at the image boundary, make the blur locally adapt to the image data, and retain higher local accuracy and distinguishability while maintaining the invariance of scale. Therefore, KAZE can better extract the features of the image, so that the matching of the target and the image can reach a higher standard, and the target tracking can achieve better results.

In this paper, KAZE is used as the main feature extraction algorithm and matching. In the first aerial image, the target vehicle is manually selected. The KAZE algorithm is used to extract the target vehicle, and then the target vehicle is matched in another aerial image. The result is the most. The feature points that can reach the target vehicle can all be clearly concentrated on the target vehicle to be tracked, thereby achieving tracking of the target vehicle. Although there are errors in the KAZE algorithm, the matching of features can achieve good results. For the images obtained by aerial photography in urban traffic, it is possible to track the desired target vehicle, and whether the subsequent route will cause the traffic problem to be early warning, thereby reducing the incidence of traffic accidents. If the aerial imagery can achieve higher precision in the future, and with other feature extraction algorithms, the tracking of the vehicle can be more real-time and effective.

Key Words：KAZE ; Image feature; Image matching; Aerial photography; Car tracking; Traffic monitoring

目录

第一章 绪论 1

1.1本课题研究的目的和意义 1

1.2国内外的研究现状 1

1.3本文的主要研究内容 4

第二章 图像特征与特征匹配 4

2.1图像特征 4

2.2图像特征的提取 6

2.3特征匹配原理 6

2.3.2基于特征的匹配方法 7

2.4图像匹配的评估 8

第三章 KAZE特征算法 10

3.1KAZE算法 10

3.2非线性尺度空间的构建 10

3.3特征检测与特征描述 11

3.4特征的匹配 12

3.5 KAZE算法的一点改进 12

第四章 KAZE特征的航拍图像车辆跟踪仿真 15

4.1提取目标车辆并检测特征 15

4.2进行匹配 15

4.3跟踪结果 17

第五章 总结 19

参考文献 20

致谢 22

绪论

1.1本课题研究的目的和意义

随着社会发展，科技进步，人们的生活质量也越来越高，对简单化，智能化的产品更加青睐。而便捷化的汽车便逐渐成为了人们生活的首要选择甚至成为必需品，但是汽车数量的不断增加，种类繁多，而城市的空间是有限度的，一旦超过这个限度，便捷的汽车也会带来拥堵问题甚至交通事故等一系列难题。因此，为解决这类难题，对车辆进行检测并随时跟踪便成为必要。在当今信息时代，计算机技术和图像处理技术的发展，以及航拍成像技术的成熟和交通监控的全覆盖性，使通过航拍图像对车辆进行跟踪成为可能。

对于一辆正在行驶的汽车来说，航拍的图像中汽车都是静止的，只能确定它在当时时间的具体空间位置，而当我们所获得的信息只有这些拍摄的图像时，我们利用图像处理技术，在不同标准下根据自己所选的算法检测目标车辆的特征并提取出来，根据提取出来的图像特征和信息，在下一幅图像中进行匹配，标示出目标车辆出现的位置，即实现了对车辆的跟踪。对于解决只有图像信息例如航拍图像，遥感图像或者测绘图像中目标物体的跟踪有很大帮助。

虽然Scale Invariant Feature Transform（sift），peeded-Up Robust Features（surf）等算法在图像特征提取方面取得了较好的效果，但这些特征都是基于高斯尺度空间进行特征检测的线性尺度空间，特征点在相同尺度上的改变都是相同的。因为高斯函数是低通滤波函数，它模糊了图像的边界，丢失了大量的边界信息。针对这个缺陷，本文主要采用KAZE来提取目标车辆的特征。KAZE是一种新型的，不在高斯尺度空间下，而是先构建非线性尺度空间，在此空间下进行特征的提取，保证了图像边界在大小变化中不会丢失大量信息，从而很好地保留了图像边界的细节信息。这样在提取航拍图像中，非常小的目标车辆时，所获得的的特征点相比sift,surf会多很多，这样在进行匹配时，能够获得更精准的追踪结果。

1.2国内外的研究现状

最早的图像匹配技术是20世纪70年代早期，美国从事飞行器辅助导航系统，武器投射系统的末制导等应用研究中提出的，由于在军事领域取得了不错的进展，而在民用领域方面又亟需图像处理的技术，因此需求的增大，导致越来越多的人投入到图像匹配的研究中，来探讨图像技术的应用方式。然而刚开始研究人员只假设在理想状态下图像进行匹配的方法，在实际应用中则得不到希望的结果。因为实际的环境难以把握和预测，外界的变换会对图像造成很大的干扰，正是基于这种环境下，国内外的优秀学者不断开拓，进行了大量的分析和实验，使图像匹配技术取得了很大的进展。。

20世纪70年代，Moravec首次提出图像的“兴趣点”概念^[1]，也就是后来的图像特征点，这是一种非常简单的检测特征点的方法，它以灰度方差的像素点为“兴趣点”，一般位于图像中亮度变换明显的范围，这样的方法知识简单的检测图像亮度变换明显的像素点作为特征点，而对于其他的变换则无能为力，几乎没有抗干扰能力。

1988年Harris根据Moravec算法提出自己的改进算法Harris^[2]，在原有检测“兴趣点”不变的条件下，增加了对“兴趣点”矩阵特征值的计算，这样相比较而言，在亮度的基础上又增加了尺度空间的限制，增加了一定的抗干扰能力。

来到20世纪90年代，Linderberg^[3]在Harris的矩阵特征值的基础上，提炼出尺度空间的概念，在对图像进行处理前，需要先对图像进行平滑处理，同时，高斯滤波器是线性尺度空间中唯一正确的滤波器也被证实。

1999年，British Columbia大学大卫·劳伊（ David G.Lowe）教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的、对图像缩放、旋转变换保持不变性的图像局部特征描述算法—Scale-invariantfeature transform（SIFT）^[4][5]，这一经典算法使得特征检测的速度更快，抗干扰能力更强，在一段时间内，Sift算法占据了图像特征提取的半壁江山。但后来人们也发现该算法的缺点，它的过程极其复杂，运算量大，程序运行速度慢。

在Sift算法越来越无法满足人们对图像特征提取的快速高效的情下，Bay等人于2006年提出的局部特征描述子——Speeded-up Robust Feature（SURF）^[6][7]算法采用的是Hessian矩阵行列式近似值图像，surf可以视为sift的加速版本，使得特征检测的效率大大提高。

在2010年Michael Calonder在ECCV10上发表了Binary Robust Independent Elementary Features（BRIEF）^[8]算法，BRIEF采用二进制编码的方法对特征点周围区域提取描述子，它的描述子更简单，存储空间也比SIFT、SURF更小，采用Hamming Distance进行比较，匹配速度更快。同年，Leutenegger提出Binary Robust Invariant Scalable Keypoints（BRISK）^[9]算法，该算法以BRIEF为基础，也是一种二进制的特征描述算子， 但它具有较好的旋转不变性、尺度不变性等。

2012年，Alcantrarilla等人提出KAZE^[10]算法，它是一种新的非线性匹配的方法。KAZE的名称是日语中“风”的谐音，这是为了纪念一位日本学者，他创造了尺度空间分析理论。KAZE算法利用非线性滤波，构建非线性尺度空间，图像在模糊处理时，就不会对细节和边界信息等造成影响。对图像进行特征的提取检测和匹配时，该算法在非线性尺度空间中进行，相较于线性的SIFT、SURF等算法不仅是计算复杂度可以降低，还能提高鲁棒性，这也是非线性KAZE与线性SIFT、SURF等算法的差别。

2014年，中国学者索春宝^[11][12]等对SIFT、SURF、BRIEF、BRISK算法从多个方面进行比较，首先在相同的处理器条件下，对同一组图像使用上面的算法后的仿真结果。测试的图像分别是几何变换、角度变换、光照变换和大小变换后的两组对照图像。实验结果表明，在除光照变换外的其他方面来看，SURF算法稳定性良好，BRISK算法在图像模糊面积比较大时，表现最优异。

2014年，薛金龙^[13]等人使用KAZE算法进行航拍图像与Google Earth图像的匹配研究。从实验结果来看，非线性算法要强于线性算法，并且使用快速显式扩散FED对KAZE算法的匹配正确率问题做了优化。

城市交通监控系统对于城市的管理和监督有着十分重要的作用，对于如今汽车已经成为人们出行不可或缺的时代，如何对汽车进行有效的监控和管理，对违章汽车进行信息采集，以及侦破肇事逃逸事件都能起到恨到的作用。交通监控技术主要以视频监控为主，监控点主要布置在车流，人流等密集区域，而在道路盲点，隧道口，大桥等位置也会有视频监控。传统的交通监控只能做到对某一小段路的部分实况信息的采集，而对于突发状态或者较长道路时则无法做到及时有效的监控，很容易造成二次事故。随着科技的发展，现如今的城市交通监控系统采用了识别技术，在传统的图片监控，违章记录，流量密度统计的基础上还能对车身颜色，车辆类型，车身长度，套牌车，车主信息等进行实时监控和记录，保证了对城市交通的基本掌握，对于缓解城市交通拥堵有很大的提升。

航拍技术又可以称为无人机拍照技术或空中摄影技术，是指区别于传统的地面拍摄而从高空中俯视拍摄地面，以获得地面局部或全部的信息。航拍技术可以分为人为拍摄或者机械拍摄，人为拍摄即摄影师在飞机，直升机或者热气球上在需要拍摄的目的地上方进行拍摄，这样能获取摄影师最想要的的图片，能够包含最有用的地面信息，但是这种方法比较耗时耗力，需要长久在空中进行拍摄。机械拍摄是如今比较热门的航拍拍照方法。它主要采用无人机进行航空拍摄，由地面的摄影师进行远程操控，并能把无人机拍摄到的画面即时的传回到摄影师的手中，摄影师根据传回来的画面进行调整无人机的位置，以达到最理想的拍摄效果。由于无人机拍摄简单方便，现大多数的航拍都是由无人机来进行的，而除非是艺术摄影师则会采用人为拍摄，以获得最想要的的画面。

1.3本文的主要研究内容

本次的研究目标主要是能通过航拍图像，能够检测出所选定的目标车辆在下个图像中出现的大致位置，由于航拍图像里的内容十分复杂，物体较小，且要提取特征的物体不一定位于航拍图像的正中心，这都会对我要完成的研究目标造成困难，我希望特征点数量以及图像匹配度都能达到一定要求。

全文共五章，其内容如下：