CN103854293A - 一种基于特征点匹配的车辆跟踪方法及装置 - Google Patents

Abstract

本发明公开了一种基于特征点匹配的车辆跟踪方法及装置，属于汽车主动安全领域。所述方法包括：采集道路图像；检测第N帧车辆状态信息；预测N+1帧车辆状态信息，确定N+1帧搜索区域；在第N帧道路图像中和N+1帧搜索区域中确定设定数目的特征点；计算第N帧道路图像中的特征点和N+1帧搜索区域中的特征点之间的匹配度；判断匹配成功的特征点的个数；输出N+1帧车辆状态信息。本发明通过从第N帧道路图像中和N+1帧搜索区域中确定相同数目的特征点，计算第N帧道路图像中与N+1帧搜索区域中的特征点的匹配度，根据匹配成功的特征点的个数，输出N+1帧车辆状态信息，即使在车辆行驶时有些部分受到其他物体的遮挡，也可以实现车辆的跟踪，保证车辆跟踪的连续性。

Description

一种基于特征点匹配的车辆跟踪方法及装置

技术领域

本发明涉及汽车主动安全领域，特别涉及一种基于特征点匹配的车辆跟踪方法及装置。

背景技术

随着汽车行业的发展和汽车性能的提高，大多数的汽车中已开始采用主动安全体系来提高汽车行驶的安全性。主动安全体系是指具有预防交通事故发生的能力的体系，主要包括追尾预警、自动紧急刹车、防抱死制动等系统，其中追尾预警系统、自动紧急刹车系统在实现自身功能的过程中，均需要用到车辆跟踪技术。

现有技术中通常采用基于整体图像匹配的方法来实现车辆的跟踪。基于整体图像匹配的方法是指检测出在第N帧中车辆图像的颜色直方图，确定N+1帧的搜索区域，并用搜索区域的颜色直方图与第N帧中车辆的颜色直方图进行匹配，当搜索区域的颜色直方图与第N帧中车辆的颜色直方图匹配程度符合要求时，确定搜索区域中的颜色直方图为N+1帧中车辆的颜色直方图。

在实现本发明的过程中，发明人发现现有技术至少存在以下问题：

由于实际的公路环境具有较大的复杂性和不确定性，导致车辆在行驶时会被树木、路标等其他物体遮挡住一部分，使得在车辆跟踪过程中，检测出的车辆的颜色直方图不完整，与搜索区域的颜色直方图无法匹配，最终导致车辆跟踪中断。

发明内容

为了解决现有技术车辆跟踪过程中容易受到环境影响而中断的问题，本发明实施例提供了一种基于特征点匹配的车辆跟踪方法及装置。所述技术方案如下：

一方面，提供了一种基于特征点匹配的车辆跟踪方法，所述方法包括：

采集道路图像；

对于所述道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数；

根据所述第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域；

在所述第N帧道路图像中确定设定数目的特征点，并在所述N+1帧搜索区域中确定所述设定数目的特征点；

计算所述第N帧道路图像中的特征点和所述N+1帧搜索区域中的特征点之间的匹配度；

判断匹配成功的特征点的个数是否小于第一阈值；

若所述匹配成功的特征点的个数不小于所述第一阈值，则确定所述第N帧道路图像中与所述N+1帧搜索区域中匹配度最高的特征点，输出所述匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息；

若所述匹配成功的特征点的个数小于所述第一阈值，则输出所述N+1帧车辆状态信息预测值作为所述N+1帧车辆状态信息。

进一步地，在所述第N帧道路图像中确定设定数目的特征点，并在所述N+1帧搜索区域中确定所述设定数目的特征点，包括：

从所述第N帧道路图像中获取第N帧车辆图像；

将所述第N帧车辆图像归一化为m*m像素，作为第N帧车辆模板图像，将所述第N帧车辆模板图像转化为第N帧车辆边缘图像，获取所述第N帧车辆边缘图像中幅值最大的k个特征点，m为正数，k为正整数，且k不小于2；

将所述N+1帧搜索区域归一化为m*m像素，作为N+1帧搜索区域图像，将所述N+1帧搜索区域图像转化为N+1帧搜索区域边缘图像，获取所述N+1帧搜索区域边缘图像中幅值最大的k个特征点。

进一步地，计算所述第N帧道路图像中的特征点和所述N+1帧搜索区域中的特征点之间的匹配度，包括：

通过2D Gabor滤波器，建立形同公式，分别获取所述第N帧车辆边缘图像中k个特征点与所述N+1帧搜索区域边缘图像中k个特征点的2D Gabor特征向量；

根据所述第N帧车辆边缘图像中k个特征点的2D Gabor特征向量与所述N+1帧搜索区域边缘图像中k个特征点的2D Gabor特征向量，以相似度函数计算所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点的匹配度。

进一步地，判断匹配成功的特征点的个数是否小于第一阈值之前，所述方法还包括：

判断所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点的匹配度是否大于第二阈值；

若所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点的匹配度不大于所述第二阈值，则所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点匹配成功；

若所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点的匹配度大于所述第二阈值，则所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点匹配失败。

进一步地，对于所述道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数，包括：

以所述第N帧车辆图像中任意一点作为原点，建立二维坐标系；

根据车辆检测算法，检测第N帧车辆图像底部边缘中点的坐标，得到第N帧车辆的位置；

设定第N帧车辆在X轴的速度分量、第N帧车辆在Y轴的速度分量、第N帧车辆在X轴的加速度分量和第N帧车辆在Y轴的加速度分量均为零。

进一步地，根据所述第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域，包括：

根据所述第N帧车辆的位置，通过卡尔曼滤波预测器，建立卡尔曼滤波状态方程，预测在所述二维坐标系中N+1帧车辆的位置，得到N+1帧车辆的位置预测值、N+1帧车辆在X轴的速度分量预测值、N+1帧车辆在Y轴的速度分量预测值、N+1帧车辆在X轴的加速度分量预测值和N+1帧车辆在Y轴的加速度分量预测值；

测定所述第N帧车辆图像的大小，以所述N+1帧车辆的位置预测值作为所述N+1帧搜索区域的中心点，确定所述N+1帧搜索区域，若所述第N帧车辆图像的大小为a*b像素，则设定所述N+1帧搜索区域的大小为2a*2b像素，a和b均为正数。

另一方面，提供了一种基于特征点匹配的车辆跟踪装置，所述装置包括：

图像采集模块，用于采集所述道路图像；

检测模块，用于对于所述道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数；

预测模块，用于根据所述第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域；

采集模块，用于在所述第N帧道路图像中确定设定数目的特征点，并在所述N+1帧搜索区域中确定所述设定数目的特征点；

匹配模块，用于计算所述第N帧道路图像中的特征点和所述N+1帧搜索区域中的特征点之间的匹配度，并判断匹配成功的特征点的个数是否小于第一阈值；

输出模块，用于在所述匹配成功的特征点的个数不小于所述第一阈值时，确定所述第N帧道路图像中与所述N+1帧搜索区域中匹配度最高的特征点，输出所述匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息，或在所述匹配成功的特征点的个数小于所述第一阈值时，输出所述N+1帧车辆状态信息预测值作为所述N+1帧车辆状态信息。

进一步地，所述采集模块包括：

获取单元，用于获取所述第N帧道路图像中第N帧车辆图像；

转化单元，用于将所述第N帧车辆图像归一化为m*m像素，并转化为第N帧车辆边缘图像，以及将所述N+1帧搜索区域归一化为m*m像素，并转化为N+1帧搜索区域边缘图像，m为正数；

采集单元，用于获取所述第N帧车辆边缘图像中幅值最大的k个特征点，并获取所述N+1帧搜索区域边缘图像中幅值最大的k个特征点，k为正整数，k不小于2。

进一步地，所述匹配模块包括：

计算单元，用于计算第N帧车辆边缘图像中特征点的特征向量和N+1帧搜索区域边缘图像中特征点的特征向量；

匹配单元，用于根据所述第N帧车辆边缘图像中的特征点的特征向量和所述N+1帧搜索区域边缘图像中的特征点的特征向量，计算所述第N帧车辆边缘图像中的特征点和所述N+1帧搜索区域边缘图像中的特征点之间的匹配度，并判断匹配成功的特征点的个数是否小于第一阈值；

第一判断单元，用于判断所述第N帧车辆边缘图像中的特征点和所述N+1帧搜索区域边缘图像中的特征点的匹配度是否大于第二阈值；

第二判断单元，用于判断所述第N帧车辆边缘图像中的特征点和所述N+1帧搜索区域边缘图像中的特征点匹配成功的个数是否小于第一阈值。

进一步地，所述输出模块包括：

第一输出单元，用于在所述匹配成功的特征点的个数不小于所述第一阈值时，确定所述第N帧车辆边缘图像中与所述N+1帧搜索区域边缘图像中匹配度最高的特征点，输出所述匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息；

第二输出单元，用于在所述匹配成功的特征点的个数小于所述第一阈值时，输出所述N+1帧车辆状态信息预测值作为所述N+1帧车辆状态信息。

本发明实施例提供的技术方案带来的有益效果是：

本发明实施例通过分别从第N帧道路图像中和N+1帧搜索区域中提取相同数目的特征点，并计算第N帧道路图像中的特征点与N+1帧搜索区域中的特征点的匹配度，根据匹配成功的特征点的个数是否小于第一阈值，输出N+1帧车辆状态信息，即使在车辆行驶时有些部分受到其他物体的遮挡，也可以实现车辆的跟踪，保证车辆跟踪的连续性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的基于特征点匹配的车辆跟踪方法流程图；

图2是本发明实施例二提供的基于特征点匹配的车辆跟踪方法流程图；

图3是本发明实施例三提供的基于特征点匹配的车辆跟踪装置结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地详细描述。

实施例一

参见图1，图1所示的实施例提供了一种基于特征点匹配的车辆跟踪方法，该方法包括：

步骤101：采集道路图像。

步骤102：对于道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数。

步骤103：根据第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域。

步骤104：在第N帧道路图像中确定设定数目的特征点，并在N+1帧搜索区域中确定设定数目的特征点。

步骤105：计算第N帧道路图像中的特征点和N+1帧搜索区域中的特征点之间的匹配度。

步骤106：判断匹配成功的特征点的个数是否小于第一阈值。

若匹配成功的特征点的个数不小于所述第一阈值，则执行步骤107；

若匹配成功的特征点的个数小于第一阈值，则执行步骤108。

步骤107：确定第N帧道路图像中与N+1帧搜索区域中匹配度最高的特征点，输出匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息。

步骤108：输出N+1帧车辆状态信息预测值作为N+1帧车辆状态信息。

本发明实施例通过分别从第N帧道路图像中和N+1帧搜索区域中提取相同数目的特征点，并计算第N帧道路图像中的特征点与N+1帧搜索区域中的特征点的匹配度，根据匹配成功的特征点的个数是否小于第一阈值，输出N+1帧车辆状态信息，即使在车辆行驶时有些部分受到其他物体的遮挡，也可以实现车辆的跟踪，保证车辆跟踪的连续性。

实施例二

参见图2，图2所示的实施例提供了一种基于特征点匹配的车辆跟踪方法，该方法包括：

步骤201：采集道路图像。

在车辆行驶过程中，通过安装在车辆内部或车辆外部的摄像设备，采集车辆前方的道路图像。

对于道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数。

步骤202：在道路图像中选取第N帧道路图像，并在第N帧道路图像中获取第N帧车辆图像，选取第N帧车辆图像中任意一点作为原点，建立二维坐标系。

步骤203：根据车辆检测算法，检测第N帧车辆图像底部边缘中点的坐标，得到第N帧车辆的位置。

步骤204：设定第N帧车辆在X轴的速度分量、第N帧车辆在Y轴的速度分量、第N帧车辆在X轴的加速度分量和第N帧车辆在Y轴的加速度分量均为零。

其中，第N帧车辆状态信息主要包括第N帧车辆的位置、第N帧车辆的速度和第N帧车辆的加速度。通过车辆检测算法，检测第N帧道路图像中车辆底部边缘中点在二维坐标系中的坐标，并将该坐标记为第N帧车辆的位置，然后将第N帧车辆的速度分解为第N帧车辆在X轴的速度分量和第N帧车辆在Y轴的速度分量，将第N帧车辆的加速度分解为第N帧车辆在X轴的加速度分量和第N帧车辆在Y轴的加速度分量，并且将第N帧车辆在X轴的速度分量、第N帧车辆在Y轴的速度分量、第N帧车辆在X轴的加速度分量和第N帧车辆在Y轴的加速度分量均设定为零。

根据第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域。

步骤205：根据第N帧车辆的位置，通过卡尔曼滤波预测器，建立卡尔曼滤波状态方程，预测在所述二维坐标系中N+1帧车辆的位置，得到N+1帧车辆的位置预测值、N+1帧车辆在X轴的速度分量预测值、N+1帧车辆在Y轴的速度分量预测值、N+1帧车辆在X轴的加速度分量预测值和N+1帧车辆在Y轴的加速度分量预测值。

其中，卡尔曼滤波状态方程具体如下：

$\left[\begin{array}{c}{\hat{x}}_{n+1}\\ {\hat{y}}_{n+1}\\ {\hat{v}}_{x,n+1}\\ {\hat{v}}_{y,n+1}\\ {\hat{a}}_{x,n+1}\\ {\hat{a}}_{y,n+1}\end{array}\right]=\left[\begin{array}{cccccc}1& 0& t& 0& {0.5t}^2& 0\\ 0& 1& 0& t& 0& {0.5t}^2\\ 0& 0& 1& 0& t& 0\\ 0& 0& 0& 1& 0& t\\ 0& 0& 0& 0& 1& 0\\ 0& 0& 0& 0& 0& 1\end{array}\right]\left[\begin{array}{c}{x}_n\\ y_n\\ v_{x,n}\\ v_{y,n}\\ a_{x,n}\\ a_{y,n}\end{array}\right]+w_n$

在上述卡尔曼滤波状态方程中，

为N+1帧车辆在X轴的坐标、

为N+1帧车辆在Y轴的坐标、

为N+1帧车辆在X轴的速度分量预测值、

为N+1帧车辆在Y轴的速度分量预测值、为N+1帧车辆在X轴的加速度分量预测值、

为N+1帧车辆在Y轴的加速度分量预测值、x_n为第N帧车辆在X轴的坐标、y_n为第N帧车辆在Y轴的坐标、v_x,n为第N帧车辆在X轴的速度分量、v_y,n为第N帧车辆在Y轴的速度分量、a_x,n为第N帧车辆在X轴的加速度分量、a_y,n为第N帧车辆在Y轴的加速度分量、t为第N帧与N+1帧相隔的时间，w_n满足正态分布的过程噪声和观测噪声向量，他们是互不相关的零均值白噪声序列。

将第N帧车辆的位置、第N帧车辆在X轴的速度分量、第N帧车辆在Y轴的速度分量、第N帧车辆在X轴的加速度分量和第N帧车辆在Y轴的加速度分量带入卡尔曼滤波状态方程中，求解得到N+1帧车辆的位置预测值、N+1帧车辆在X轴的速度分量预测值、N+1帧车辆在Y轴的速度分量预测值、N+1帧车辆在X轴速度分量的预测值和N+1帧车辆在Y轴速度分量的预测值。

步骤206：测定第N帧车辆图像的大小，以N+1帧车辆的位置预测值作为N+1帧搜索区域的中心点，确定N+1帧搜索区域，若第N帧车辆图像的大小为a*b像素，则设定N+1帧搜索区域的大小为2a*2b像素，a和b均为正数。

在第N帧道路图像中确定设定数目的特征点，并在N+1帧搜索区域中确定设定数目的特征点。

步骤207：对于从第N帧道路图像中提取第N帧车辆图像，将第N帧车辆图像归一化至m*m像素，作为第N帧车辆模板图像，将第N帧车辆模板图像转化为第N帧车辆边缘图像，从第N帧车辆边缘图像中获取幅值最大的k个特征点，其中m为正数，k为正整数，且k不小于2。

步骤208：将N+1帧搜索区域也归一化至m*m像素，与第N帧车辆图像归一化至同样大小，作为N+1帧搜索区域图像，将N+1帧搜索区域图像转化为N+1帧搜索区域边缘图像，从N+1帧搜索区域边缘图像中获取幅值最大的k个特征点。

例如：

将第N帧车辆图像归一化至24*24像素，作为第N帧车辆模板图像，然后将第N帧车辆模板图像转化为第N帧车辆边缘图像，并从第N帧车辆边缘图像中获取24个幅值最大的特征点；

将N+1帧搜索区域归一化至24*24像素，作为N+1帧搜索区域边缘图像，然后将N+1帧搜索区域图像转化为N+1帧搜索区域边缘图像，并从N+1帧搜索区域边缘图像中获取24个幅值最大的特征点。

计算第N帧道路图像中的特征点和N+1帧搜索区域中的特征点之间的匹配度，并判断匹配成功的特征点的个数是否小于第一阈值。

步骤209：选用具有5个尺度8个方向的形同公式的2D Gabor滤波器，通过形同公式计算第N帧车辆边缘图像中k个特征点与N+1帧搜索区域边缘图像中k个特征点的2D Gabor特征向量，使得第N帧车辆边缘图像中每个特征点与N+1帧搜索区域边缘图像中每个特征点均产生一个40维的特征向量。

步骤210：根据第N帧车辆边缘图像中k个特征点的2D Gabor特征向量与N+1帧搜索区域边缘图像中k个特征点的2D Gabor特征向量，以欧几里得距离公式作为相似度函数计算第N帧车辆边缘图像中的特征点与N+1帧搜索区域边缘图像中的特征点的匹配度。

例如，设定第N帧车辆边缘图像中一个特征点为P_M，其特征向量为M，N+1帧搜索区域边缘图像中一个特征点为P_X，其特征向量为X，则特征点P_M与特征点P_X之间的欧几里得距离为：

$D_{\mathrm{XM}}=\left|\right|X-M\left|\right|=\sqrt{{(X-M)}^T(X-M)}$

在上述欧几里得距离公式中，D_XM的值越小，则认为特征点P_M与特征点P_X之间相似度越大，匹配度越高，反之，D_XM的值越大，则认为特征点P_M与特征点P_X之间相似度越小，匹配度越低。

判断第N帧车辆边缘图像中的特征点与N+1帧搜索区域边缘图像中的特征点的匹配度是否大于第二阈值；

若第N帧车辆边缘图像中的特征点与N+1帧搜索区域边缘图像中的特征点的匹配度不大于所述第二阈值，则判定第N帧车辆边缘图像中的特征点与N+1帧搜索区域边缘图像中的特征点匹配成功，执行步骤211。

若第N帧车辆边缘图像中的特征点与N+1帧搜索区域边缘图像中的特征点的匹配度大于所述第二阈值，则判定第N帧车辆边缘图像中的特征点与N+1帧搜索区域边缘图像中的特征点匹配失败。

若第N帧车辆边缘图像中的特征点与N+1帧搜索区域边缘图像中的特征点匹配成功，则将匹配成功的特征点的个数加一，若第N帧车辆边缘图像中的特征点与N+1帧搜索区域边缘图像中的特征点匹配失败，则匹配成功的特征点的个数不变。

对于上述欧几里得距离公式，设定第二阈值，当D_XM的值小于第二阈值时，则认为特征点P_M与特征点P_X匹配成功，当D_XM的值大于第二阈值时，则认为特征点P_M与特征点P_X匹配失败。

步骤211：统计所述匹配成功的特征点的个数，并判断匹配成功的特征点的个数是否小于第一阈值。

若匹配成功的特征点的个数不小于第一阈值，则执行步骤212；

若匹配成功的特征点的个数小于第一阈值，则执行步骤213。

其中，第一阈值为k/2，当匹配成功的特征点的个数不小于第一阈值时，确定第N帧道路图像中与N+1帧搜索区域中匹配度最高的特征点，输出匹配度最高的特征点的坐标，记为(x_n+1，y_n+1)作为N+1帧车辆的位置，将N+1帧车辆的位置代入方程组中，得出N+1帧车辆在X轴的速度分量v_x,n+1、N+1帧车辆在Y轴的速度分量v_y,n+1、N+1帧车辆在X轴的加速度分量a_x,n+1、N+1帧车辆在Y轴的加速度分量a_y,n+1；当匹配成功的特征点的个数小于第一阈值时，输出N+1帧车辆的位置预测值

作为N+1帧车辆的位置，并输出N+1帧车辆在X轴的速度分量预测值

作为N+1帧车辆在X轴的速度分量v_x,n+1、N+1帧车辆在Y轴的速度分量预测值作为N+1帧车辆在Y轴的速度分量v_y,n+1、N+1帧车辆在X轴的加速度分量预测值

作为N+1帧车辆在X轴的加速度分量a_x,n+1、N+1帧车辆在Y轴的加速度分量预测值

作为N+1帧车辆在Y轴的加速度分量a_y,n+1。

步骤212：确定第N帧道路图像中与N+1帧搜索区域中匹配度最高的特征点，输出匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息。

步骤213：输出N+1帧车辆状态信息预测值作为N+1帧车辆状态信息。

本发明实施例通过安装在车辆内部或外部的摄像设备可以清楚地采集到车辆前方的道路图像，从道路图像中选取第N帧道路图像，并从第N帧道路图像中获取第N帧车辆图像，通过车辆检测算法准确检测出第N帧车辆状态信息，然后通过卡尔曼滤波预测器预测出N+1帧车辆状态信息，同时测定车辆图像的大小确定N+1帧搜索区域，分别从第N帧道路图像中和N+1帧搜索区域中提取相同数目的特征点，通过2D Gabor滤波器计算第N帧道路图像中和N+1帧搜索区域中特征点的个数，并通过欧几里得距离计算第N帧道路图像中的特征点与N+1帧搜索区域中的特征点的匹配度，根据匹配成功的特征点的个数是否小于第一阈值，输出N+1帧车辆状态信息，即使在车辆行驶时有些部分受到其他物体的遮挡，也可以实现车辆的跟踪，保证车辆跟踪的连续性。

实施例三

参见图3，图3所示的实施例提供一种基于特征点匹配的车辆跟踪装置，该装置包括：

图像采集模块301，用于采集所述道路图像；

检测模块302，用于对于道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数；

预测模块303，用于根据第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域；

采集模块304，用于在第N帧道路图像中确定设定数目的特征点，并在N+1帧搜索区域中确定设定数目的特征点；

匹配模块305，用于计算第N帧道路图像中的特征点和N+1帧搜索区域中的特征点之间的匹配度，并判断匹配成功的特征点的个数是否小于第一阈值；

输出模块306，用于在匹配成功的特征点的个数不小于所述第一阈值时，确定第N帧道路图像中与N+1帧搜索区域中匹配度最高的特征点，输出匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息，或在匹配成功的特征点的个数小于所述第一阈值时，输出N+1帧车辆状态信息预测值作为N+1帧车辆状态信息。

进一步地，采集模块304包括：

获取单元，用于获取第N帧道路图像中第N帧车辆图像；

转化单元，用于将第N帧车辆图像归一化为m*m像素，并转化为第N帧车辆边缘图像，以及将N+1帧搜索区域归一化为m*m像素，并转化为N+1帧搜索区域边缘图像，m为正数；

采集单元，用于获取第N帧车辆边缘图像中幅值最大的k个特征点，并获取N+1帧搜索区域边缘图像中幅值最大的k个特征点，k为正整数，k不小于2。

进一步地，匹配模块305包括：

计算单元，用于计算第N帧车辆边缘图像中特征点的特征向量和N+1帧搜索区域边缘图像中特征点的特征向量；

匹配单元，用于根据第N帧车辆边缘图像中的特征点的特征向量和N+1帧搜索区域边缘图像中的特征点的特征向量，计算第N帧车辆边缘图像中的特征点和N+1帧搜索区域边缘图像中的特征点之间的匹配度，并判断匹配成功的特征点的个数是否小于第一阈值；

第一判断单元，用于判断第N帧车辆边缘图像中的特征点和N+1帧搜索区域边缘图像中的特征点的匹配度是否大于第二阈值；

第二判断单元，用于判断第N帧车辆边缘图像中的特征点和N+1帧搜索区域边缘图像中的特征点匹配成功的个数是否小于第一阈值。

进一步地，输出模块306包括：

第一输出单元，用于在匹配成功的特征点的个数不小于所述第一阈值时，确定第N帧车辆边缘图像中与N+1帧搜索区域边缘图像中匹配度最高的特征点，输出匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息；

第二输出单元，用于在匹配成功的特征点的个数小于所述第一阈值时，输出N+1帧车辆状态信息预测值作为N+1帧车辆状态信息。

本发明实施例通过分别从第N帧道路图像中和N+1帧搜索区域中提取相同数目的特征点，并计算第N帧道路图像中的特征点与N+1帧搜索区域中的特征点的匹配度，根据匹配成功的特征点的个数是否小于第一阈值，输出N+1帧车辆状态信息，即使在车辆行驶时有些部分受到其他物体的遮挡，也可以实现车辆的跟踪，保证车辆跟踪的连续性。

需要说明的是：上述实施例提供的一种基于特征点匹配的车辆跟踪装置，该装置在进行车辆跟踪时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的一种基于特征点匹配的车辆跟踪方法，该方法中所提到的第N帧及N+1帧，并不具体指代道路图像中确定的某一帧，对于道路图像中任意一帧均可以采用本发明实施例提供的方法对车辆进行跟踪；同时，上述实施例提供的一种基于特征点匹配的车辆跟踪的方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于特征点匹配的车辆跟踪方法，其特征在于，所述方法包括：

采集道路图像；

对于所述道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数；

根据所述第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域；

在所述第N帧道路图像中确定设定数目的特征点，并在所述N+1帧搜索区域中确定所述设定数目的特征点；

计算所述第N帧道路图像中的特征点和所述N+1帧搜索区域中的特征点之间的匹配度；

判断匹配成功的特征点的个数是否小于第一阈值；

若所述匹配成功的特征点的个数不小于所述第一阈值，则确定所述第N帧道路图像中与所述N+1帧搜索区域中匹配度最高的特征点，输出所述匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息；

若所述匹配成功的特征点的个数小于所述第一阈值，则输出所述N+1帧车辆状态信息预测值作为所述N+1帧车辆状态信息。

2.根据权利要求1所述的方法，其特征在于，在所述第N帧道路图像中确定设定数目的特征点，并在所述N+1帧搜索区域中确定所述设定数目的特征点，包括：

从所述第N帧道路图像中获取第N帧车辆图像；

将所述第N帧车辆图像归一化为m*m像素，作为第N帧车辆模板图像，将所述第N帧车辆模板图像转化为第N帧车辆边缘图像，获取所述第N帧车辆边缘图像中幅值最大的k个特征点，m为正数，k为正整数，且k不小于2；

将所述N+1帧搜索区域归一化为m*m像素，作为N+1帧搜索区域图像，将所述N+1帧搜索区域图像转化为N+1帧搜索区域边缘图像，获取所述N+1帧搜索区域边缘图像中幅值最大的k个特征点。

3.根据权利要求2所述的方法，其特征在于，计算所述第N帧道路图像中的特征点和所述N+1帧搜索区域中的特征点之间的匹配度，包括：

通过2D Gabor滤波器，建立形同公式，分别获取所述第N帧车辆边缘图像中k个特征点与所述N+1帧搜索区域边缘图像中k个特征点的2D Gabor特征向量；

根据所述第N帧车辆边缘图像中k个特征点的2D Gabor特征向量与所述N+1帧搜索区域边缘图像中k个特征点的2D Gabor特征向量，以相似度函数计算所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点的匹配度。

4.根据权利要求3所述的方法，其特征在于，判断匹配成功的特征点的个数是否小于第一阈值之前，所述方法还包括：

判断所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点的匹配度是否大于第二阈值；

若所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点的匹配度不大于所述第二阈值，则所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点匹配成功；

若所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点的匹配度大于所述第二阈值，则所述第N帧车辆边缘图像中的特征点与所述N+1帧搜索区域边缘图像中的特征点匹配失败。

5.根据权利要求4所述的方法，其特征在于，对于所述道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数，包括：

以所述第N帧车辆图像中任意一点作为原点，建立二维坐标系；

根据车辆检测算法，检测第N帧车辆图像底部边缘中点的坐标，得到第N帧车辆的位置；

设定第N帧车辆在X轴的速度分量、第N帧车辆在Y轴的速度分量、第N帧车辆在X轴的加速度分量和第N帧车辆在Y轴的加速度分量均为零。

6.根据权利要求5所述的方法，其特征在于，根据所述第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域，包括：

根据所述第N帧车辆的位置，通过卡尔曼滤波预测器，建立卡尔曼滤波状态方程，预测在所述二维坐标系中N+1帧车辆的位置，得到N+1帧车辆的位置预测值、N+1帧车辆在X轴的速度分量预测值、N+1帧车辆在Y轴的速度分量预测值、N+1帧车辆在X轴的加速度分量预测值和N+1帧车辆在Y轴的加速度分量预测值；

测定所述第N帧车辆图像的大小，以所述N+1帧车辆的位置预测值作为所述N+1帧搜索区域的中心点，确定所述N+1帧搜索区域，若所述第N帧车辆图像的大小为a*b像素，则设定所述N+1帧搜索区域的大小为2a*2b像素，a和b均为正数。

7.一种基于特征点匹配的车辆跟踪装置，其特征在于，所述装置包括：

图像采集模块，用于采集所述道路图像；

检测模块，用于对于所述道路图像中的第N帧道路图像，检测第N帧车辆状态信息，N为正整数；

预测模块，用于根据所述第N帧车辆状态信息，预测N+1帧车辆状态信息，得到N+1帧车辆状态信息预测值，并确定N+1帧搜索区域；

采集模块，用于在所述第N帧道路图像中确定设定数目的特征点，并在所述N+1帧搜索区域中确定所述设定数目的特征点；

匹配模块，用于计算所述第N帧道路图像中的特征点和所述N+1帧搜索区域中的特征点之间的匹配度，并判断匹配成功的特征点的个数是否小于第一阈值；

输出模块，用于在所述匹配成功的特征点的个数不小于所述第一阈值时，确定所述第N帧道路图像中与所述N+1帧搜索区域中匹配度最高的特征点，输出所述匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息，或在所述匹配成功的特征点的个数小于所述第一阈值时，输出所述N+1帧车辆状态信息预测值作为所述N+1帧车辆状态信息。

8.根据权利要求7所述的装置，其特征在于，所述采集模块包括：

获取单元，用于获取所述第N帧道路图像中第N帧车辆图像；

转化单元，用于将所述第N帧车辆图像归一化为m*m像素，并转化为第N帧车辆边缘图像，以及将所述N+1帧搜索区域归一化为m*m像素，并转化为N+1帧搜索区域边缘图像，m为正数；

采集单元，用于获取所述第N帧车辆边缘图像中幅值最大的k个特征点，并获取所述N+1帧搜索区域边缘图像中幅值最大的k个特征点，k为正整数，k不小于2。

9.根据权利要求8所述的装置，其特征在于，所述匹配模块包括：

计算单元，用于计算第N帧车辆边缘图像中特征点的特征向量和N+1帧搜索区域边缘图像中特征点的特征向量；

匹配单元，用于根据所述第N帧车辆边缘图像中的特征点的特征向量和所述N+1帧搜索区域边缘图像中的特征点的特征向量，计算所述第N帧车辆边缘图像中的特征点和所述N+1帧搜索区域边缘图像中的特征点之间的匹配度，并判断匹配成功的特征点的个数是否小于第一阈值；

第一判断单元，用于判断所述第N帧车辆边缘图像中的特征点和所述N+1帧搜索区域边缘图像中的特征点的匹配度是否大于第二阈值；

第二判断单元，用于判断所述第N帧车辆边缘图像中的特征点和所述N+1帧搜索区域边缘图像中的特征点匹配成功的个数是否小于第一阈值。

10.根据权利要求9所述的装置，其特征在于，所述输出模块包括：

第一输出单元，用于在所述匹配成功的特征点的个数不小于所述第一阈值时，确定所述第N帧车辆边缘图像中与所述N+1帧搜索区域边缘图像中匹配度最高的特征点，输出所述匹配度最高的特征点处的车辆状态信息作为N+1帧车辆状态信息；

第二输出单元，用于在所述匹配成功的特征点的个数小于所述第一阈值时，输出所述N+1帧车辆状态信息预测值作为所述N+1帧车辆状态信息。

Images