CN104268889A - 基于特征权值自校正的车辆跟踪方法 - Google Patents

Abstract

一种基于特征权值自校正的车辆跟踪方法，能够实现特征权值的自校正，保证车辆跟踪的准确、实时、有效，为高速公路隧道的交通安全提供有用的数据信息。包括以下步骤：步骤一：提取车辆前景目标；步骤二：提取车辆目标的特征；步骤三：判断前后帧的两个目标是否为同一车辆：1)计算两个目标的形状特征、位置特征、颜色特征匹配程度；2)计算两个目标的综合特征匹配程度；3)判断前后帧的两个目标是否为同一车辆；步骤四：特征权值的自动校正：1)当综合特征匹配程度大于设定的校正阀值时，提取对应车辆目标的特征匹配程度数据加入自校正的参考数据库；2)分别计算参考数据库中多组参考数据中的特征匹配程度数据的平均值；3)计算特征权值。

Description

基于特征权值自校正的车辆跟踪方法

技术领域

本发明属于图像处理技术领域，具体的为一种基于特征权值自校正的车辆跟踪方法。

背景技术

伴随着高速公路建设在我国快速持续的发展，越来越多的高速公路隧道已经投入到实际的运行中。高速公路隧道能够使交通环境复杂的地区实现高效快速地连接，与此同时，由于完全不同的交通环境，又成为了制约高速公路持续健康发展的瓶颈。由于场景的封闭性和行车速度高的特点，隧道内一旦发生交通事故，就容易导致二次事故的发生，甚至引起重特大交通事故，严重影响高速公路的正常运行。

车辆跟踪是在车辆检测的基础上，建立视频序列的每帧图像中表达车辆区域的图像结构的连续对应性。在监控场景下建立所有车辆区域在图像序列中的连续对应性，从而获取监控场景下车辆的交通参数，如车速、车流量和车辆轨迹等。通过对车辆相关交通参数的分析，就能够获取道路的交通状态，如车辆停止、车辆逆行和道路拥堵等交通事件，还能够获取车辆行驶速度、车辆的大小尺寸以及道路占有率等交通参数。

现有的车辆跟踪方法主要有基于3D模型的跟踪、基于特征的跟踪、基于变形模型的跟踪和基于运动的跟踪算法等。其中，基于3D模型的车辆跟踪方法能够恢复跟踪目标的精确信息，但需要提前获得所有目标的精确几何模型，运算量大、实时性难以满足；基于特征的车辆跟踪方法在目标被遮挡时，通过部分可见特征，仍然可以实现目标的跟踪，而且车辆特征容易得到，可操作性强，而该算法的主要难点是特征的选择、提取以及连续帧之间特征的匹配问题；基于变形模型的车辆跟踪方法能够准确地对单个目标进行分割并跟踪，但目标轮廓的提取和初始化阶段比较困难，另外，多个目标轮廓在相邻帧间的匹配也是难点；基于运动的车辆跟踪算法对光照变化和噪声干扰比较敏感，而且帧间图像的匹配和图像中的运动场求解难度较大。

公开号为CN 103150547A的中国专利申请公开了一种车辆跟踪方法及装置，该车辆跟踪方法采用支持向量机算法对运动区域进行检测，得到运动区域中的每个车辆的当前位置，获取每个车辆的前一时刻位置，并将前一时刻位置与当前位置之间的连线确定为每个车辆的运动轨迹。这种方法在视频条件较好的场景下能够快速准确地进行车辆跟踪，但在高速公路隧道中，由于车辆灯光和系统照明的干扰，容易引起很多的误检。

公开号为CN 103064086A的中国专利申请公开了一种基于深度信息的车辆跟踪方法，该车辆跟踪方法采用基于距离的方法对每一帧数据进行聚类，在聚类内部提取目标的特征向量，依据特征向量初步判断目标是否为车辆目标，采用卡尔曼滤波器对单个目标进行跟踪，通过计算当前帧中识别出来的目标与跟踪器中目标的代价方程实现目标关联。这种方法对每一帧数据都进行聚类分析，算法的实时性难以保证，而且高速公路隧道场景下存在车辆灯光干扰、车辆遮挡以及图像模糊等问题，此时车辆跟踪效果无法保证。

基于特征的车辆跟踪方法，在正常的情况下，计算出来的特征权值能够代表不同特征对综合特征的贡献率；而在异常情况下，比如背景整体突变以及图像模糊时，各种特征的可分性水平就会发生变化，对综合特征的贡献程度就会出现波动。多个特征中单个特征的可分性发生变化时，如果按照原来计算的特征权值进行匹配，就可能导致综合特征的匹配结果不准确。

发明内容

有鉴于此，本发明的目的在于提供一种基于特征权值自校正的车辆跟踪方法，该车辆跟踪方法能够实现特征权值的自校正，从而保证车辆跟踪的准确、实时、有效，为高速公路及隧道的交通安全提供有用的数据信息。

为达到上述目的，本发明提供如下技术方案：

一种基于特征权值自校正的车辆跟踪方法，包括以下步骤：

步骤一：提取车辆前景目标；

步骤二：提取车辆目标的特征；

1)提取车辆目标的形状特征，即计算车辆前景目标外接矩形的宽高比Wide_High；

2)提取车辆目标的位置特征，即获取车辆前景目标外接矩形的质心坐标Point_Center；

3)提取车辆目标的颜色特征，即获取车辆前景目标区域的灰度直方图Histogram；

步骤三：判断前后帧的两个目标是否为同一车辆

1)计算两个目标的形状特征、位置特征、颜色特征匹配程度Match_W，Match_P，Match_H；

2)计算两个目标的综合特征匹配程度Match_T：

Match_T＝Match_W*Value_W+Match_P*Value_P+Match_H*Value_H

其中，Value_W，Value_P，Value_H分别为形状特征、位置特征、颜色特征的权值；

3)将综合特征匹配程度Match_T与设定的判断阀值比较，判断前后帧的两个目标是否为同一车辆；

步骤四：特征权值的自动校正

1)当所述综合特征匹配程度Match_T大于设定的校正阀值时，提取对应车辆目标的形状特征、位置特征、颜色特征的匹配程度Match_W，Match_P，Match_H数据加入自校正的参考数据库，所述校正阀值大于等于所述判断阀值；

3)分别计算参考数据库中的多组参考数据中的Match_W，Match_P，Match_H的平均值

4)计算形状特征、位置特征、颜色特征的权值Value_W，Value_P，Value_H：

$\mathrm{Value}\_W=\frac{\stackrel{\‾}{\mathrm{Match}\_W}}{\stackrel{\‾}{\mathrm{Match}\_W}+\stackrel{\‾}{\mathrm{Match}\_P}+\stackrel{\‾}{\mathrm{Match}\_H}}$

$\mathrm{Value}\_P=\frac{\stackrel{\‾}{\mathrm{Match}\_P}}{\stackrel{\‾}{\mathrm{Match}\_W}+\stackrel{\‾}{\mathrm{Match}\_P}+\stackrel{\‾}{\mathrm{Match}\_H}}$

$\mathrm{Value}\_H=\frac{\stackrel{\‾}{\mathrm{Match}\_H}}{\stackrel{\‾}{\mathrm{Match}\_W}+\stackrel{\‾}{\mathrm{Match}\_P}+\stackrel{\‾}{\mathrm{Match}\_H}}.$

进一步，所述步骤三中，形状特征、位置特征、颜色特征的权值Value_W，Value_P，Value_H的初始值的计算方法为：

1)采集多个不同车辆目标的样本数据；

2)分别计算样本数据中的形状特征、位置特征、颜色特征的匹配程度Match_W'，Match_P'，Match_H'；

3)分别计算样本数据中的形状特征、位置特征、颜色特征的可分性判据Judge_W，Judge_P，Judge_H；

4)综合得出形状特征、位置特征、颜色特征的权值的初始值Value_W'，Value_P'，Value_H'为：

${\mathrm{Value}\_W}^{\text{'}}=\frac{\mathrm{Judge}\_W}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}$

${\mathrm{Value}\_P}^{\text{'}}=\frac{\mathrm{Judge}\_P}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}$

${\mathrm{Value}\_H}^{\text{'}}=\frac{\mathrm{Judge}\_H}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}.$

进一步，所述步骤一还包括：

1)获取当前场景的视频图像；

2)根据车辆的运动特点选择合适的检测区域；

3)采用背景差分法处理视频图像；

4)将视频图像进行二值化处理；

5)提取经二值化处理后的图像进行形态学处理；

6)提取车辆前景目标的区域。

进一步，所述参考数据库采用固定长度的array数组以滑动的方式记录连续多组所述参考数据。

本发明的有益效果在于：

本发明基于特征权值自校正的车辆跟踪方法以算法运行过程中综合特征匹配程度较高的特征参数作为自校正的参考数据，通过实时采集这类数据，以此重新计算各种特征的权值，实现特征权值的自校正，从而保证车辆跟踪的准确、实时、有效，为高速公路隧道的交通安全提供有用的数据信息；特别是背景发生整体突变以及图像模糊的场景，特征权值的自校正能够调整各个特征对综合特征的权重，使目标匹配更加准确；因此本发明基于特征权值自校正的车辆跟踪方法能够实现对车辆目标的快速准确跟踪。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明基于特征权值自校正的车辆跟踪方法实施例的流程图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好的理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

如图1所示，为本发明基于特征权值自校正的车辆跟踪方法实施例的流程图。本实施例基于特征权值自校正的车辆跟踪方法，包括以下步骤：

步骤一：提取车辆前景目标

1)获取当前场景的视频图像，当前场景的视频图像由摄像机或者摄像头进行拍摄获取。

2)根据车辆的运动特点选择合适的检测区域，检测区域选择高速公路隧道内的道路区域。

3)采用背景差分法或帧间差分法处理视频图像，本实施例采用背景差分法处理视频图像，背景差分的关键技术是背景建模和背景更新，本实施例采用非参数概率密度的方法进行背景建模，采用帧间差分法进行背景更新。

4)将视频图像进行二值化处理，本实施例二值化阈值的选取采用ostu算法(最大类间方差法，被公认为图像分割阈值选择的最佳方法)。

5)提取经二值化处理后的图像进行形态学处理，本实施例的形态学处理方法选择开运算，目的是去除较小的噪声并且能够填充一些空隙。

6)提取车辆前景目标的区域，首先提取前景目标的轮廓，然后删除大小形状不符合车辆特征的前景目标，最后提取前景车辆目标的区域。

标定检测区域能够使处理的图像范围变小，从而减少处理的数据量，提高算法的高效性。此外，标定检测区域还可以避免一些干扰因素对检测的影响。主要的目标提取方法有背景差分法和帧间差分法，由于帧差法无法检测停止的目标并且检测出来的车辆目标完整性不好，因此本实施例选择背景差分法。

步骤二：提取车辆目标的特征

1)提取车辆目标的形状特征，即计算车辆前景目标外接矩形的宽高比Wide_High，且其中，Wide表示目标外接矩形的宽度，High表示目标外接矩形的高度。

2)提取车辆目标的位置特征，即获取车辆前景目标外接矩形的质心坐标Point_Center；质心坐标Point_Center包括质心的横坐标和纵坐标X_Center、Y_Center。

3)提取车辆目标的颜色特征，即获取车辆前景目标区域的灰度直方图Histogram，本实施例的灰度直方图Histogram统计的样本区间为1，即统计256个不同像素值的灰度直方图。

图像中车辆目标的特征有：纹理、颜色、边缘、形状、位置、对称性等。纹理、边缘、对称性特征在光照变化范围较大的场合计算出来的结果偏差很大，稳定性较差；相对而言，颜色、形状和位置特征虽然也会受到一些干扰，但计算快捷、抗部分遮挡和稳定性较好，但是采用单一特征对车辆进行跟踪，遇到场景变化复杂的情况，鲁棒性仍然无法保证。因此，本实施例选择颜色、形状和位置三个特征，采用特征融合的方法，得到车辆的综合特征，从而提高车辆跟踪过程的稳定性。

步骤三：判断前后帧的两个目标是否为同一车辆

1)计算两个目标的形状特征、位置特征、颜色特征匹配程度Match_W，Match_P，Match_H。本实施例的形状特征和位置特征采用特征匹配数据表的方式得出匹配程度；颜色特征通过Bhattacharyya系数度量法计算得到，即其中，p_i和q_i表示进行匹配的两个数组，如果两个数组中的数据完全相同，则T为1。两个数组中的数据相差越大，则T越小。

2)计算两个目标的综合特征匹配程度Match_T：

Match_T＝Match_W*Value_W+Match_P*Value_P+Match_H*Value_H

其中，Value_W，Value_P，Value_H分别为形状特征、位置特征、颜色特征的权值。

3)将综合特征匹配程度Match_T与设定的判断阀值比较，判断前后帧的两个目标是否为同一车辆。根据实验数据分析得到前后帧不同目标的判断阈值为0.65，即定义车辆匹配的最终结果：

$D=\left\{\begin{array}{cc}1& \mathrm{Match}\_T\&GreaterEqual;0.65\\ 0& \mathrm{Match}\_T<0.65\end{array}\right.$

其中D＝1表示相同车辆，D＝0表示不同车辆。

步骤四：特征权值的自动校正

1)当综合特征匹配程度Match_T大于设定的校正阀值时，提取对应车辆目标的形状特征、位置特征、颜色特征的匹配程度Match_W，Match_P，Match_H加入自校正的参考数据库，所述校正阀值大于等于所述判断阀值，本实施例的校正阀值为0.85，即选择Match_T＞0.85时的数据作为自校正的参考数据。本实施例的参考数据库采用固定长度的array数组以滑动的方式记录连续多组所述参考数据。

2)分别计算参考数据库中的多组参考数据中的Match_W，Match_P，Match_H的平均值

3)计算形状特征、位置特征、颜色特征的权值Value_W，Value_P，Value_H：

$\mathrm{Value}\_W=\frac{\stackrel{\&OverBar;}{\mathrm{Match}\_W}}{\stackrel{\&OverBar;}{\mathrm{Match}\_W}+\stackrel{\&OverBar;}{\mathrm{Match}\_P}+\stackrel{\&OverBar;}{\mathrm{Match}\_H}}$

$\mathrm{Value}\_P=\frac{\stackrel{\&OverBar;}{\mathrm{Match}\_P}}{\stackrel{\&OverBar;}{\mathrm{Match}\_W}+\stackrel{\&OverBar;}{\mathrm{Match}\_P}+\stackrel{\&OverBar;}{\mathrm{Match}\_H}}$

$\mathrm{Value}\_H=\frac{\stackrel{\&OverBar;}{\mathrm{Match}\_H}}{\stackrel{\&OverBar;}{\mathrm{Match}\_W}+\stackrel{\&OverBar;}{\mathrm{Match}\_P}+\stackrel{\&OverBar;}{\mathrm{Match}\_H}}.$

根据多组实验数据，计算出了各个特征的可分性判据，据此得出每个特征在综合特征中的权值。在正常的情况下，计算出来的特征权值能够代表不同特征对综合特征的贡献率。而在异常情况下，比如背景整体突变以及图像模糊时，各种特征的可分性水平就会发生变化，对综合特征的贡献程度就会出现波动。多个特征中单个特征的可分性发生变化时，如果按照初始计算的特征权值进行匹配，就可能导致综合特征的匹配结果不准确，因此有必要对特征的权值进行自动的校正。

进一步，步骤三中，形状特征、位置特征、颜色特征的权值Value_W，Value_P，Value_H的初始值的计算方法为：

1)采集多个不同车辆目标的样本数据；

2)分别计算样本数据中的形状特征、位置特征、颜色特征的匹配程度Match_W'，Match_P'，Match_H'；同理，形状特征和位置特征采用特征匹配数据表的方式得出匹配程度；颜色特征通过Bhattacharyya系数度量法计算得到。

3)分别计算样本数据中的形状特征、位置特征、颜色特征的可分性判据Judge_W，Judge_P，Judge_H，本实施例的可分性判据采用方差测度的方法计算。

4)综合得出形状特征、位置特征、颜色特征的权值的初始值Value_W'，Value_P'，Value_H'：

${\mathrm{Value}\_W}^{\text{'}}=\frac{\mathrm{Judge}\_W}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}$

${\mathrm{Value}\_P}^{\text{'}}=\frac{\mathrm{Judge}\_P}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}$

${\mathrm{Value}\_H}^{\text{'}}=\frac{\mathrm{Judge}\_H}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}$

车辆目标的颜色、形状和位置特征都已经提取出来，但是多个特征需要进行特征融合，才能成为车辆目标最终的综合特征。特征融合方法中常见的有表决规则法、方差测度法、加权平均法和神经网络法等。在这些方法中，基于方差测度的方法计算快捷、实现简单、得到的综合特征效果较好。因此，选择基于方差测度的方法计算各种特征的权值，从而实现多特征的融合。

以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (4)

1.一种基于特征权值自校正的车辆跟踪方法，其特征在于：包括以下步骤：

步骤一：提取车辆前景目标；

步骤二：提取车辆目标的特征

1)提取车辆目标的形状特征，即计算车辆前景目标外接矩形的宽高比Wide_High；

2)提取车辆目标的位置特征，即获取车辆前景目标外接矩形的质心坐标Point_Center；

3)提取车辆目标的颜色特征，即获取车辆前景目标区域的灰度直方图Histogram；

步骤三：判断前后帧的两个目标是否为同一车辆

1)计算两个目标的形状特征、位置特征、颜色特征匹配程度Match_W，Match_P，Match_H；

2)计算两个目标的综合特征匹配程度Match_T：

Match_T＝Match_W*Value_W+Match_P*Value_P+Match_H*Value_H

其中，Value_W，Value_P，Value_H分别为形状特征、位置特征、颜色特征的权值；

3)将综合特征匹配程度Match_T与设定的判断阀值比较，判断前后帧的两个目标是否为同一车辆；

步骤四：特征权值的自动校正

1)当所述综合特征匹配程度Match_T大于设定的校正阀值时，提取对应车辆目标的形状特征、位置特征、颜色特征的匹配程度Match_W，Match_P，Match_H数据加入自校正的参考数据库，所述校正阀值大于等于所述判断阀值；

2)分别计算参考数据库中的多组参考数据中的Match_W，Match_P，Match_H的平均值

3)计算形状特征、位置特征、颜色特征的权值Value_W，Value_P，Value_H：

$\mathrm{Value}\_W=\frac{\stackrel{\&OverBar;}{\mathrm{Match}\_W}}{\stackrel{\&OverBar;}{\mathrm{Match}\_W}+\stackrel{\&OverBar;}{\mathrm{Match}\_P}+\stackrel{\&OverBar;}{\mathrm{Match}\_H}}$

$\mathrm{Value}\_P=\frac{\stackrel{\&OverBar;}{\mathrm{Match}\_P}}{\stackrel{\&OverBar;}{\mathrm{Match}\_W}+\stackrel{\&OverBar;}{\mathrm{Match}\_P}+\stackrel{\&OverBar;}{\mathrm{Match}\_H}}$

$\mathrm{Value}\_H=\frac{\stackrel{\&OverBar;}{\mathrm{Match}\_H}}{\stackrel{\&OverBar;}{\mathrm{Match}\_W}+\stackrel{\&OverBar;}{\mathrm{Match}\_P}+\stackrel{\&OverBar;}{\mathrm{Match}\_H}}.$

2.根据权利要求1所述基于特征权值自校正的车辆跟踪方法，其特征在于：所述步骤三中，形状特征、位置特征、颜色特征的权值的初始值计算方法为：

1)采集多个不同车辆目标的样本数据；

2)分别计算样本数据中的形状特征、位置特征、颜色特征的匹配程度Match_W'，Match_P'，Match_H'；

3)分别计算样本数据中的形状特征、位置特征、颜色特征的可分性判据Judge_W，Judge_P，Judge_H；

4)综合得出形状特征、位置特征、颜色特征的权值的初始值Value_W'，Value_P'，Value_H'为：

$\mathrm{Value}\_W^{\&prime;}=\frac{\mathrm{Judge}\_W}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}$

$\mathrm{Value}\_{\text{P}}^{\&prime;}=\frac{\mathrm{Judge}\_P}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}$

$\mathrm{Value}\_H^{\&prime;}=\frac{\mathrm{Judge}\_H}{\mathrm{Judge}\_W+\mathrm{Judge}\_P+\mathrm{Judge}\_H}.$

3.根据权利要求1所述基于特征权值自校正的车辆跟踪方法，其特征在于：所述步骤一还包括：

1)获取当前场景的视频图像；

2)根据车辆的运动特点选择合适的检测区域；

3)采用背景差分法处理视频图像；

4)将视频图像进行二值化处理；

5)提取经二值化处理后的图像进行形态学处理；

6)提取车辆前景目标的区域。

4.根据权利要求1所述基于特征权值自校正的车辆跟踪方法，其特征在于：所述参考数据库采用固定长度的array数组以滑动的方式记录连续多组所述参考数据。