一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法
【專(zhuān)利摘要】一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，基于運(yùn)動(dòng)視覺(jué)采用幾何圖形分割和基于運(yùn)動(dòng)動(dòng)力學(xué)的目標(biāo)跟蹤技術(shù)實(shí)現(xiàn)車(chē)輛目標(biāo)的重建與跟蹤。采用分解圖像關(guān)聯(lián)矩陣的算法實(shí)現(xiàn)圖像的匹配，有效的實(shí)現(xiàn)了圖像匹配，降低算法的計(jì)算量?；谶\(yùn)動(dòng)動(dòng)力學(xué)的目標(biāo)跟蹤算法減少了跟蹤目標(biāo)丟失問(wèn)題。該技術(shù)通過(guò)處理交通監(jiān)控得到的錄像資料可以有效重現(xiàn)車(chē)輛碰撞的全過(guò)程，可對(duì)整個(gè)過(guò)程進(jìn)行定性和定量的分析。通過(guò)運(yùn)動(dòng)視覺(jué)重建出整體車(chē)輛的3D模型，通過(guò)目標(biāo)跟蹤技術(shù)實(shí)現(xiàn)相撞車(chē)輛的識(shí)別，得到車(chē)輛的運(yùn)動(dòng)軌跡，能精確、完整的記錄事故信息，并重現(xiàn)事故場(chǎng)景。
【專(zhuān)利說(shuō)明】一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及視頻圖像處理領(lǐng)域，尤其是一種基于運(yùn)動(dòng)視覺(jué)的道路車(chē)禍過(guò)程的重復(fù) 再現(xiàn)的方法。

【背景技術(shù)】
[0002] 隨著汽車(chē)保有量的增長(zhǎng)，道路交通事故已成為世界性的問(wèn)題，汽車(chē)被動(dòng)安全性也 成為汽車(chē)最首要的性能。目前，我國(guó)對(duì)交通事故的處理與認(rèn)定也是采用傳統(tǒng)方法僅限于對(duì) 目擊者的現(xiàn)場(chǎng)調(diào)查，對(duì)現(xiàn)場(chǎng)進(jìn)行拍照記錄一些零散的信息，對(duì)車(chē)輛的剎車(chē)軌跡進(jìn)行簡(jiǎn)單的 測(cè)量來(lái)進(jìn)行事故的責(zé)任認(rèn)定。這種方法效率低下、耗費(fèi)人力，責(zé)任認(rèn)定也存在較大的主觀 性，同時(shí)對(duì)車(chē)禍過(guò)程的記錄也不夠詳細(xì)、不夠直觀。另外一種采用電測(cè)量的方法對(duì)碰撞現(xiàn)場(chǎng) 進(jìn)行模擬能夠得到較精確的數(shù)據(jù)，但是它的造價(jià)太高，得到的數(shù)據(jù)也不夠直觀，也只是得到 部分的實(shí)驗(yàn)結(jié)果不能應(yīng)用到越來(lái)越多的交通事故認(rèn)定中。這樣事故報(bào)告中沒(méi)有完整而詳細(xì) 的事故信息記錄，則給事故再現(xiàn)分析帶來(lái)困難。


【發(fā)明內(nèi)容】

[0003] 本發(fā)明目的是提供一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，采用幾何圖形分割和 基于運(yùn)動(dòng)動(dòng)力學(xué)的目標(biāo)跟蹤技術(shù)實(shí)現(xiàn)車(chē)輛目標(biāo)的重建與跟蹤，通過(guò)運(yùn)動(dòng)視覺(jué)重建出整體車(chē) 輛的3D模型，利用目標(biāo)跟蹤技術(shù)實(shí)現(xiàn)相撞車(chē)輛的識(shí)別，得到車(chē)輛的運(yùn)動(dòng)軌跡，便于完整地 記錄事故信息和重現(xiàn)事故過(guò)程。
[0004] 為實(shí)現(xiàn)上述目的，采用了以下技術(shù)方案：本發(fā)明所述重現(xiàn)方法的步驟如下：
[0005] (1)從路況監(jiān)控視頻中提取圖像序列一一按固定幀數(shù)為步長(zhǎng)間隔將道路監(jiān)控視頻 的幀提取出來(lái)，轉(zhuǎn)換成圖片格式，為后續(xù)的圖像處理做準(zhǔn)備。
[0006] (2)目標(biāo)車(chē)輛與背景分割一一利用布爾圖像的圖像分割算法BMS，布爾圖像是指對(duì) 圖片的每個(gè)顏色通道設(shè)置一個(gè)閥值來(lái)得到二值化的圖像，通過(guò)這種方法能夠有效的將目標(biāo) 車(chē)輛與背景分割開(kāi)來(lái)，將汽車(chē)的輪廓從背景中提取出來(lái)。
[0007] (3)特征點(diǎn)的提取一一對(duì)汽車(chē)輪廓圖像建立尺度空間，基于尺度空間不變性的 SIFT算子，將圖像中感興趣的可以更有效描述圖像內(nèi)容及結(jié)構(gòu)的特征找出來(lái)，例如圖像中 的邊緣、角點(diǎn)、興趣點(diǎn)等；在尺度空間中尋找可有效描述圖像內(nèi)容及結(jié)構(gòu)特征的極值點(diǎn)，并 提取出極值點(diǎn)的位置、尺度、旋轉(zhuǎn)不變量；尺度空間不變性是指在不同的尺度空間下仍然能 夠匹配特征點(diǎn)。
[0008] (4)圖像匹配一一采用因式分解圖像關(guān)聯(lián)矩陣的算法，根據(jù)所選擇特征的值，建立 特征點(diǎn)間的對(duì)應(yīng)關(guān)系，將同一空間物理點(diǎn)在不同圖像中的成像點(diǎn)對(duì)應(yīng)起來(lái)，由此得到相應(yīng) 的視差圖像。
[0009] 其中，關(guān)聯(lián)矩陣是待匹配圖像之間的關(guān)鍵點(diǎn)組成的矩陣；因式分解是將復(fù)雜的關(guān) 聯(lián)矩陣轉(zhuǎn)換成簡(jiǎn)單的較小的克羅內(nèi)克積矩陣，這種算法避免費(fèi)時(shí)去計(jì)算成對(duì)的關(guān)聯(lián)矩陣， 降低計(jì)算難度。另外使用因式分解分解關(guān)聯(lián)矩陣的算法得到了一種新的關(guān)于原始問(wèn)題的近 似方法，這使得本發(fā)明有效的改善了現(xiàn)有的圖形匹配計(jì)算算法。
[0010] (5)攝像機(jī)的標(biāo)定和校準(zhǔn)一一采用基于標(biāo)定物的攝像機(jī)標(biāo)定方法，使用結(jié)構(gòu)已知 的標(biāo)定參照物，通過(guò)建立標(biāo)定參照物上三維坐標(biāo)已知的點(diǎn)與其圖像點(diǎn)的對(duì)應(yīng)約束關(guān)系， 通過(guò)計(jì)算來(lái)確定攝像機(jī)模型的內(nèi)、外參數(shù)。
[0011] 攝像機(jī)的外參數(shù)是攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間進(jìn)行變換時(shí)所需要的一個(gè) 3X3的旋轉(zhuǎn)矩陣R和一個(gè)3X1的平移矢量T。
[0012] 攝像機(jī)的內(nèi)參數(shù)是有效焦距f、像面中心坐標(biāo)Vtl)、徑向畸變修正系數(shù)、切向畸 變修正系數(shù)、仿射畸變和非正交畸變修正系數(shù)。
[0013] (6)車(chē)輛外形輪廓幾何模型重建一一采用表面空間分割方法將汽車(chē)表面的不同 幾何形狀從汽車(chē)整體上提取出來(lái)，將汽車(chē)表面整體分割成多個(gè)不同幾何形的小部分；再利 用幾何學(xué)的分層量化方法將汽車(chē)表面分割出來(lái)的每一個(gè)小部分量化為各種不同的參數(shù)，例 如：位置、位置方向和幾何圖形的尺寸。最后將每個(gè)量化后的幾何圖形再重新映射到車(chē)輛的 每一部分得到幾何圖形描述的車(chē)輛的3D模型。
[0014] (7)多目標(biāo)碰撞車(chē)輛跟蹤一一基于運(yùn)動(dòng)動(dòng)力學(xué)的目標(biāo)跟蹤算法實(shí)現(xiàn)對(duì)目標(biāo)車(chē)輛的 跟蹤；對(duì)車(chē)輛的運(yùn)動(dòng)建立運(yùn)動(dòng)動(dòng)力學(xué)模型，應(yīng)用該模型估計(jì)車(chē)輛的運(yùn)動(dòng)狀態(tài)，對(duì)目標(biāo)車(chē)輛進(jìn) 行跟蹤。
[0015] (8)事故現(xiàn)場(chǎng)周?chē)鷪?chǎng)景重建一一因?yàn)榻煌ㄊ鹿实耐鈬h(huán)境不是一個(gè)剛體結(jié)構(gòu)，不 能采用基于結(jié)構(gòu)的重建算法，所以采用一種基于SIFT算子的特征點(diǎn)的提取與匹配算法實(shí) 現(xiàn)周?chē)鷪?chǎng)景的點(diǎn)云重建。
[0016] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)：
[0017] 1、應(yīng)用布爾圖像分割方法，很好的將目標(biāo)車(chē)輛從背景中分割出來(lái)，并凸顯出車(chē)輛 外形；
[0018] 2、應(yīng)用運(yùn)動(dòng)動(dòng)力學(xué)的目標(biāo)車(chē)輛跟蹤技術(shù)，對(duì)目標(biāo)車(chē)輛進(jìn)行高精度的識(shí)別與跟蹤， 能夠很好地得到相撞車(chē)輛的運(yùn)動(dòng)軌跡，為交通事故認(rèn)定提供依據(jù)；
[0019] 3、采用分解圖像關(guān)聯(lián)矩陣的算法實(shí)現(xiàn)圖像匹配，有效降低算法的計(jì)算量；
[0020] 4、有效解決多個(gè)目標(biāo)車(chē)輛外形相似、追蹤時(shí)目標(biāo)軌跡交叉、相機(jī)移動(dòng)等問(wèn)題，還可 避免由于目標(biāo)移動(dòng)超出視野或者被其他目標(biāo)遮擋而引起的數(shù)據(jù)丟失問(wèn)題。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0021] 圖1是本發(fā)明方法的系統(tǒng)框圖。
[0022] 圖2是本發(fā)明方法步驟2的流程圖。
[0023] 圖3是本發(fā)明方法步驟3的流程圖。
[0024] 圖4是本發(fā)明方法步驟6的流程圖。
[0025] 圖5是本發(fā)明方法步驟7的流程圖。
[0026] 圖6是本發(fā)明方法的攝像機(jī)模型示意圖。
[0027] 圖7是本發(fā)明方法中目標(biāo)車(chē)輛與背景分割的實(shí)驗(yàn)結(jié)果圖。
[0028] 圖8是本發(fā)明方法中幾何學(xué)的3D模型重建的實(shí)驗(yàn)結(jié)果圖。
[0029] 圖9是本發(fā)明方法中車(chē)輛的點(diǎn)云重建結(jié)果圖。
[0030] 圖10是本發(fā)明方法中車(chē)輛跟蹤實(shí)驗(yàn)結(jié)果圖。

【具體實(shí)施方式】
[0031] 下面結(jié)合附圖對(duì)本發(fā)明做進(jìn)一步說(shuō)明：
[0032] 如圖1、2、3、4、5、6所示，本發(fā)明所述方法步驟如下：
[0033] (1)從路況監(jiān)控視頻中提取圖像序列一一按固定幀數(shù)為步長(zhǎng)間隔將道路監(jiān)控視頻 的幀提取出來(lái)，轉(zhuǎn)換成圖片格式，為后續(xù)的圖像處理做準(zhǔn)備。
[0034] (2)目標(biāo)車(chē)輛與背景分割一一利用布爾圖像的圖像分割算法，將目標(biāo)車(chē)輛與背景 分割開(kāi)來(lái)，將汽車(chē)的輪廓從背景中提取出來(lái)；目標(biāo)車(chē)輛與背景分割是指進(jìn)行車(chē)禍過(guò)程的三 維重建時(shí)，首先要將目標(biāo)車(chē)輛從背景中提取出來(lái)，具體實(shí)現(xiàn)步驟如下：
[0035] 1)以δ為步長(zhǎng)在〇?255之間取不同的Θ作為圖片每個(gè)顏色通道的閾值，得到 多個(gè)均勻分布的二值化的布爾圖像；
[0036] 2)將得到的二值化圖像中的封閉區(qū)域內(nèi)部賦值為1，其余部分賦值為0,得到凸顯 目標(biāo)車(chē)輛的關(guān)注圖像；
[0037] 3)對(duì)多個(gè)關(guān)注圖像取線(xiàn)性平均值得到整體的平均關(guān)注圖像；
[0038] 4)進(jìn)行高斯模糊得到最后的凸顯圖像；
[0039] 所述的布爾圖形的獲得公式如下：
[0040] Bi= THRESH(Φ (I), Θ )
[0041] 其中，THRESHC，Θ )函數(shù)表示對(duì)輸入圖像I進(jìn)行二值化；Θ表示二值化的閥值； 通過(guò)布爾圖像得到凸顯目標(biāo)車(chē)輛的關(guān)注圖像公式如下：

【權(quán)利要求】
1. 一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于，所述方法步驟如下： (1) 從路況監(jiān)控視頻中提取圖像序列一一按固定幀數(shù)為步長(zhǎng)間隔將道路監(jiān)控視頻的幀 提取出來(lái)，轉(zhuǎn)換成圖片格式； (2) 目標(biāo)車(chē)輛與背景分割一一利用布爾圖像的圖像分割算法，將目標(biāo)車(chē)輛與背景分割 開(kāi)來(lái)，將汽車(chē)的輪廓從背景中提取出來(lái)； (3) 特征點(diǎn)的提取一一對(duì)汽車(chē)輪廓圖像建立尺度空間，基于尺度空間不變性的SIFT算 子在尺度空間中尋找可有效描述圖像內(nèi)容及結(jié)構(gòu)特征的極值點(diǎn)，并提取出極值點(diǎn)的位置、 尺度、旋轉(zhuǎn)不變量； (4) 圖像匹配一一采用因式分解圖像關(guān)聯(lián)矩陣的算法，根據(jù)所選擇特征的值，建立特征 點(diǎn)間的對(duì)應(yīng)關(guān)系，將同一空間物理點(diǎn)在不同圖像中的成像點(diǎn)對(duì)應(yīng)起來(lái)，由此得到相應(yīng)的視 差圖像； 其中，關(guān)聯(lián)矩陣是待匹配圖像之間的關(guān)鍵點(diǎn)組成的矩陣；因式分解是將復(fù)雜的關(guān)聯(lián)矩 陣轉(zhuǎn)換成簡(jiǎn)單的較小的克羅內(nèi)克積矩陣； (5) 攝像機(jī)的標(biāo)定和校準(zhǔn)一一采用基于標(biāo)定物的攝像機(jī)標(biāo)定方法，使用結(jié)構(gòu)已知的標(biāo) 定參照物，通過(guò)建立標(biāo)定參照物上三維坐標(biāo)已知的點(diǎn)與其圖像點(diǎn)的對(duì)應(yīng)約束關(guān)系，通過(guò)計(jì) 算來(lái)確定攝像機(jī)模型的內(nèi)、外參數(shù)； 攝像機(jī)的外參數(shù)是攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間進(jìn)行變換時(shí)所需要的一個(gè)3X3的 旋轉(zhuǎn)矩陣R和一個(gè)3X1的平移矢量T; 攝像機(jī)的內(nèi)參數(shù)是有效焦距f、像面中心坐標(biāo)（Utl,Vtl)、徑向畸變修正系數(shù)、切向畸變 修正系數(shù)、仿射畸變和非正交畸變修正系數(shù)； (6) 車(chē)輛外形輪廓幾何模型重建一一采用表面空間分割方法將汽車(chē)表面的不同幾何形 狀從汽車(chē)整體上提取出來(lái)，將汽車(chē)表面整體分割成多個(gè)不同幾何形的小部分；再利用幾何 學(xué)的分層量化方法將汽車(chē)表面分割出來(lái)的每一個(gè)小部分量化為各種不同的參數(shù)，最后將每 個(gè)量化后的幾何圖形再重新映射到車(chē)輛的每一部分得到幾何圖形描述的車(chē)輛的3D模型； (7) 多目標(biāo)碰撞車(chē)輛跟蹤一一基于運(yùn)動(dòng)動(dòng)力學(xué)的目標(biāo)跟蹤算法實(shí)現(xiàn)對(duì)目標(biāo)車(chē)輛的跟 蹤；對(duì)車(chē)輛的運(yùn)動(dòng)建立運(yùn)動(dòng)動(dòng)力學(xué)模型，應(yīng)用該模型估計(jì)車(chē)輛的運(yùn)動(dòng)狀態(tài)，對(duì)目標(biāo)車(chē)輛進(jìn)行 跟蹤； (8) 事故現(xiàn)場(chǎng)周?chē)鷪?chǎng)景重建一一采用基于SIFT算子的特征點(diǎn)的提取與匹配算法實(shí)現(xiàn) 周?chē)鷪?chǎng)景的點(diǎn)云重建。
2. 根據(jù)權(quán)利要求1所述的一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于，所述 步驟（2)中，目標(biāo)車(chē)輛與背景分割是指進(jìn)行車(chē)禍過(guò)程的三維重建時(shí)，首先要將目標(biāo)車(chē)輛從 背景中提取出來(lái)，具體實(shí)現(xiàn)步驟如下： 1) 以S為步長(zhǎng)在O?255之間取不同的Θ作為圖片每個(gè)顏色通道的閾值，得到多個(gè) 均勻分布的二值化的布爾圖像； 2) 將得到的二值化圖像中的封閉區(qū)域內(nèi)部賦值為1，其余部分賦值為0,得到凸顯目標(biāo) 車(chē)輛的關(guān)注圖像； 3) 對(duì)多個(gè)關(guān)注圖像取線(xiàn)性平均值得到整體的平均關(guān)注圖像； 4) 進(jìn)行高斯模糊得到最后的凸顯圖像； 所述的布爾圖形的獲得公式如下： Bi=THRESH(Φ(I),θ) 其中，THRESHC，θ)函數(shù)表示對(duì)輸入圖像I進(jìn)行二值化；Θ表示二值化的閥值；通過(guò) 布爾圖像得到凸顯目標(biāo)車(chē)輛的關(guān)注圖像公式如下：
其中，2表示得到的目標(biāo)車(chē)輛的封閉圖形；A(B)表示提取出布爾圖形B的封閉區(qū)間；Ρ(Β|Ι)表示基于布爾圖像B的最優(yōu)廣義函數(shù)。
3. 根據(jù)權(quán)利要求1所述的一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于，所述 步驟（3)中，SIFT算子描述子提取公式如下：
Θ(X，y)=tarT1((L(X，y+1)-L(X，y-1))(L(χ+1，y)-L(χ-1，y))) 其中，m(x，y)和Θ(x，y)分別代表點(diǎn)（x，y)處的梯度和方向；L(x，y)表示（x，y)點(diǎn)處 的灰度值。
4. 根據(jù)權(quán)利要求1所述的一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于，所述 步驟（4)中，判斷圖像節(jié)點(diǎn)匹配與否的算法公式如下：
其中，X表示待匹配圖像的對(duì)應(yīng)矩陣；Kp表示節(jié)點(diǎn)關(guān)聯(lián)矩陣；Kq表示邊界關(guān) 聯(lián)矩陣；K表示整體關(guān)聯(lián)矩陣； K矩陣分解公式如下：
其中，//, ；"2 =b2，/,,:H〇，iF-Gi表示第i幅圖像的關(guān)聯(lián) 矩陣
5. 根據(jù)權(quán)利要求1所述的一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于，所 述步驟（5)中，所述攝像機(jī)外參數(shù)包括旋轉(zhuǎn)矩陣R和平移矢量T，為了能夠利用圖像坐標(biāo) Pi(Xi,yd表達(dá)空間任意一點(diǎn)Xwi=(Xwi，ywi，zwi)必須先將其空間坐標(biāo)變換為攝像機(jī)坐標(biāo)Xcii =(xei，yei，ZcJ，該變換的矩陣表達(dá)式： Xci= RXwi+t 其中，R是一個(gè)3X3的旋轉(zhuǎn)矩陣；t是一個(gè)3X1的平移矢量； 所述攝像機(jī)內(nèi)參數(shù)包括有效焦距f、像面中心坐標(biāo)（Utl,Vtl)、徑向畸變修正系數(shù)、切向畸 變修正系數(shù)、仿射畸變和非正交畸變修正系數(shù)；用來(lái)描述攝像機(jī)的內(nèi)部幾何結(jié)構(gòu)及鏡頭的 光學(xué)特性； 所建立的攝像機(jī)內(nèi)參數(shù)模型如下：
其中，（χ/，y/ )表示像平面上的理想透視投影點(diǎn)；（SXi，δyi)表示總的畸變的修正系 數(shù)；建立空間點(diǎn)和像平面點(diǎn)的共線(xiàn)性方程求解攝像機(jī)內(nèi)參數(shù)如下：
其中，（Ui,Vi)表示空間點(diǎn)對(duì)應(yīng)的像點(diǎn)坐標(biāo)；f表示攝像機(jī)焦距；4和dy表示單個(gè)像素 在X軸和y軸上的物理尺寸；（sUi,δVi)表示利用像素坐標(biāo)表示的畸變因素。
6. 根據(jù)權(quán)利要求1所述的一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于，所述 步驟（6)中，所述車(chē)輛3D模型的重建步驟如下： 1) 圖像分解一一將汽車(chē)的每一個(gè)小部分分解，每個(gè)角度圖片中目標(biāo)車(chē)輛的分割公式如 下：
其中，P(I,wIΤ)表不分割方式；q(I，w)表不參考分割方式； 2) 目標(biāo)量化一一得到每一個(gè)小部分的目標(biāo)位置、方向、尺寸；對(duì)表面分割結(jié)果的評(píng)價(jià)公 式如下：
其中，IG(S)表示評(píng)價(jià)得分；Snmk表示第m個(gè)圖片的第η個(gè)分割部分的第k個(gè)有效幾何 圖形； 3) 重新組合一一采用AND-OR樹(shù)最優(yōu)搜索算法將每個(gè)量化后的幾何圖形再重新映射到 車(chē)輛的每一部分得到幾何圖形描述的車(chē)輛的3D模型；AND-OR樹(shù)最優(yōu)搜索算法公式如下：
其中，ch⑴函數(shù)返回節(jié)點(diǎn)i的索引號(hào)。
7. 根據(jù)權(quán)利要求1所述的一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于，所述 步驟（7)中，目標(biāo)跟蹤算法的實(shí)現(xiàn)步驟如下： 1)采用廣義線(xiàn)性賦值方法建立模型：
2) 線(xiàn)性回歸的方法對(duì)跟蹤小片段做近似：
其中，Cii表示跟蹤小片段； 3) 兩個(gè)跟蹤小片段之間相似點(diǎn)檢測(cè)Pij:
其中，漢/,α」表示用皮修補(bǔ)了Qi和α』之間的間隔； 4) 連接相鄰的兩個(gè)跟蹤小片段得到跟蹤目標(biāo)的運(yùn)動(dòng)軌跡； 通過(guò)上述過(guò)程得到目標(biāo)車(chē)輛在每一個(gè)圖像中的位置，將所得的車(chē)輛3D模型定位到每 一個(gè)圖片的位置得到動(dòng)態(tài)的3D車(chē)輛運(yùn)動(dòng)場(chǎng)景。
8. 根據(jù)權(quán)利要求1所述的一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于：所述 尺度空間不變性是在不同的尺度空間下仍然能夠匹配特征點(diǎn)的特性。
9. 根據(jù)權(quán)利要求1所述的一種基于運(yùn)動(dòng)視覺(jué)的車(chē)禍過(guò)程重現(xiàn)方法，其特征在于：尺度 空間是指在圖像處理中引入一個(gè)被視為尺度的參數(shù)通過(guò)連續(xù)變換尺度參數(shù)獲得不同尺度 下的圖像處理信息。
【文檔編號(hào)】G06T7/00GK104463842SQ201410571218
【公開(kāi)日】2015年3月25日 申請(qǐng)日期:2014年10月23日 優(yōu)先權(quán)日:2014年10月23日
【發(fā)明者】張立國(guó), 崔利洋, 楊芳梅, 金梅 申請(qǐng)人:燕山大學(xué)