本發(fā)明涉及一種交通場景下的運(yùn)動(dòng)車輛跟蹤方法。
背景技術(shù)：
隨著城市化進(jìn)程不斷加快，交通運(yùn)輸產(chǎn)業(yè)的發(fā)展和汽車保有量的增加給人們工作出行帶來了極大的便利。但是問題也接踵而來，城市道路建設(shè)嚴(yán)重滯后，城市交通管理經(jīng)驗(yàn)不足，道路網(wǎng)的通過能力無法滿足交通量增長的需求。交通阻塞日趨嚴(yán)重、交通事故頻繁發(fā)生，儼然已經(jīng)成為世界各國所面臨的普遍難題。
為了解決城市交通中存在的種種問題，滿足不斷增長的交通需求，傳統(tǒng)的解決方案是通過不斷修建更多道路，加強(qiáng)城市交通基礎(chǔ)設(shè)施建設(shè)。這雖然在一定程度上緩解了問題的發(fā)生，保障了城市交通順利通暢，但畢竟可供擴(kuò)建的道路資源是有限的，這種做法很難從本質(zhì)上解決目前遇到的問題，各類交通事故仍在不斷發(fā)生。隨著科學(xué)技術(shù)的不斷發(fā)展和創(chuàng)新，人們開始考慮利用計(jì)算機(jī)視覺等技術(shù)來改善現(xiàn)有的城市道路交通，構(gòu)建起更加便捷、高效、安全、暢通的交通管理系統(tǒng)，從而顯著提高了交通網(wǎng)絡(luò)的運(yùn)輸和管理能力。智能交通系統(tǒng)便是在這種形勢下發(fā)展起來的。
智能交通系統(tǒng)(IntelligentTransportationSystem-ITS)是當(dāng)今世界交通運(yùn)輸發(fā)展的熱點(diǎn)和前沿。智能交通領(lǐng)域的研究主要包括車輛檢測、車輛跟蹤、車輛信息提取以及車輛行為分析等幾大方面，而車輛檢測與跟蹤作為智能交通系統(tǒng)的核心環(huán)節(jié)，為后續(xù)的車輛信息提取以及行為分析提供了重要保證。
車輛檢測與跟蹤技術(shù)的主要目的就是準(zhǔn)確提取視頻圖像中的車輛目標(biāo)，利用車輛的特征信息來實(shí)現(xiàn)匹配，確定目標(biāo)在每一幀圖像中的位置，并提供運(yùn)動(dòng)軌跡作為車輛行為分析的依據(jù)。然而，實(shí)際交通場景十分復(fù)雜，普遍存在著人車混雜、交通阻塞、光線變化等多種干擾因素，這給車輛檢測與跟蹤帶來了極大的困難。車輛檢測與跟蹤的主要難點(diǎn)在于以下幾個(gè)方面：
1.人車混雜。在市中心、小區(qū)等人流較多的路段，來往行人會(huì)對車輛的檢測與跟蹤造成很大干擾，尤其在上下班高峰期，紅綠燈路口經(jīng)常會(huì)出現(xiàn)人車混雜的現(xiàn)象。如何有效地區(qū)分行人與車輛、避免人流干擾是目前面臨的主要問題之一。
2.車輛遮擋。高速公路上的車流速度較快，車與車間距較大，因此車輛檢測與跟蹤相對容易。但是在市區(qū)路段車速普遍較慢，尤其在車流高峰期，很容易出現(xiàn)交通阻塞的情況，這時(shí)車輛之間會(huì)存在明顯的遮擋現(xiàn)象，這給車輛檢測與跟蹤帶來很大挑戰(zhàn)。
3.光照變化。交通場景下的光照條件隨時(shí)間變化顯著，由于光照變化而產(chǎn)生的車輛陰影會(huì)對檢測產(chǎn)生較大的影響，尤其在白天、夜晚不同光照條件下車輛的特征信息差異明顯。有效地解決光線變化的問題，實(shí)現(xiàn)全天候地穩(wěn)定工作，是對交通場景下車輛檢測與跟蹤的基本要求。
4.算法復(fù)雜度。實(shí)際應(yīng)用中電子警察系統(tǒng)對算法的實(shí)時(shí)性要求較高，算法不能過于復(fù)雜。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明要解決的技術(shù)問題是提供一種交通場景下的運(yùn)動(dòng)車輛跟蹤方法。
交通場景下的運(yùn)動(dòng)車輛跟蹤方法，包括以下步驟：
S1：通過攝像頭進(jìn)行前端視頻圖像采集，對圖像進(jìn)行預(yù)處理，并對運(yùn)動(dòng)車輛進(jìn)行目標(biāo)檢測作為跟蹤對象；
S2：利用Kalman濾波器對跟蹤目標(biāo)進(jìn)行運(yùn)動(dòng)估計(jì)，通過建立運(yùn)動(dòng)狀態(tài)模型，根據(jù)被跟蹤目標(biāo)的歷史運(yùn)動(dòng)信息，預(yù)測其在當(dāng)前幀中的位置；
S3：Camshift目標(biāo)跟蹤，根據(jù)跟蹤目標(biāo)在前一幀中保存的顏色直方圖，在Kalman濾波器給出的預(yù)測范圍內(nèi)計(jì)算反向投影，利用Camshift算法搜索運(yùn)動(dòng)目標(biāo)；
S4：標(biāo)記出運(yùn)動(dòng)目標(biāo)后，判斷目標(biāo)位置是否發(fā)生重合，如果存在目標(biāo)遮擋的現(xiàn)象則僅更新目標(biāo)的位置信息，不更新直方圖，如果沒有遮擋情況則同時(shí)更新運(yùn)動(dòng)狀態(tài)和相應(yīng)直方圖；
S5：將更新后的目標(biāo)作為下一幀的跟蹤對象，重復(fù)執(zhí)行上述過程。
進(jìn)一步的，所述運(yùn)動(dòng)車輛目標(biāo)檢測具體方法如下：
S1-1：從視頻圖像中提取大量的車輛圖像作為正樣本，非車輛圖像作為負(fù)樣本，從訓(xùn)練樣本中提取Haar-like矩形特征作為訓(xùn)練的特征集；
S1-2：假設(shè)樣本空間為X，樣本表示為Y＝{0，1}，其中0表示非車輛，1表示車輛。假設(shè)Haar-like特征總數(shù)為N，wt,j代表第t輪循環(huán)時(shí)第i個(gè)樣本的權(quán)重；
S1-3：強(qiáng)分類器的訓(xùn)練方法如下：
(1)對一系列訓(xùn)練樣本(x1,y1),(x2,y2),...,(xn,yn)，假設(shè)樣本庫中n個(gè)樣本為均勻分布，則樣本權(quán)重wt,j＝1/n；
(2)Fort＝1toT：
1)歸一化樣本權(quán)重分布，
2)對每個(gè)特征j，在給定的權(quán)重wt,j下訓(xùn)練弱分類器ht,j(x)，計(jì)算分類錯(cuò)誤率：
3)從中選擇最優(yōu)的弱分類器ht(x)：令則ht(x)＝ft,k(x)，且對樣本集的分類錯(cuò)誤率為εt＝εt,k；
4)根據(jù)上一輪的分類錯(cuò)誤率更新樣本權(quán)重：
其中，ei＝0代表分類正確，而ei＝1代表分類錯(cuò)誤，最終得到的強(qiáng)分類器為：其中，
S1-4：對待檢測圖像進(jìn)行不同尺度窗口的掃描，最終輸出所有檢測到的車輛目標(biāo)。
進(jìn)一步的，利用Kalman濾波器對跟蹤目標(biāo)進(jìn)行運(yùn)動(dòng)估計(jì)的具體方法如下：
S2-1：Kalman濾波算法模型包括狀態(tài)方程和觀測方程：
S(n)＝A(n)S(n-1)+W(n-1)，
X(n)＝C(n)S(n)+V(n)，
其中，S(n)與X(n)分別是n時(shí)刻的狀態(tài)向量和觀測向量，A(n)是狀態(tài)轉(zhuǎn)移矩陣，C(n)是觀測矩陣，W(n)和V(n)是狀態(tài)噪聲以及觀測噪聲，它們都是互不相關(guān)且均值為0的高斯白噪聲；
S2-2：將車輛目標(biāo)矩形的中心點(diǎn)作為預(yù)測對象，建立運(yùn)動(dòng)目標(biāo)中心點(diǎn)的運(yùn)動(dòng)狀態(tài)向量Xx和Xy：
其中，sx,sy,vx,vy,ax,ay分別代表車輛目標(biāo)在水平和垂直方向上的位置、速度與加速度；
S2-3：則水平方向上跟蹤目標(biāo)的中心的運(yùn)動(dòng)方程為：
其中，sx(n),vx(n),ax(n)表示n時(shí)刻目標(biāo)中心點(diǎn)的位置、速度和加速度，ox(n-1)是白噪聲；
把上式改寫為矩陣形式：
能夠觀測到的運(yùn)動(dòng)狀態(tài)分量只有運(yùn)動(dòng)目標(biāo)的位置：
S2-4：對比式S2-1中公式Kalman濾波器的狀態(tài)方程和觀測方程，可以得到跟蹤目標(biāo)中心點(diǎn)的狀態(tài)方程和觀測方程分別為：
其中，C(n)＝[1 0 0]。
進(jìn)一步的，Camshift算法的具體流程如下：
S3-1：初始化搜索窗口，使需要跟蹤的目標(biāo)處于搜索窗口內(nèi)；
S3-2：在HSV空間上提取窗口對應(yīng)位置的H分量，得到H分量直方圖，根據(jù)H分量直方圖計(jì)算整個(gè)跟蹤區(qū)域的顏色概率分布圖，即反向投影圖；
S3-3：在反向投影圖中選取大小與初始窗口相同的搜索窗口；
S3-4：根據(jù)搜索窗口中像素總和S調(diào)整窗口的大小，并將窗口中心移動(dòng)到質(zhì)心的位置；
S3-5：判斷是否收斂，如果收斂則輸出質(zhì)心(x，y)，否則重復(fù)步驟S3-3和S3-4直到收斂或達(dá)到最大迭代次數(shù)；
S3-6：將最終得到的搜索窗口的位置和大小為下一幀的初始窗口，繼續(xù)執(zhí)行循環(huán)。
本發(fā)明的有益效果是：
1)本發(fā)明的基于Haar-like特征和Adaboost分類器的車輛檢測算法可以通過豐富訓(xùn)練樣本得到一個(gè)可靠的車輛分類器，較好地適應(yīng)了交通場景中的復(fù)雜變化，具有極高的檢測率以及較低的虛警率，可以滿足電子警察系統(tǒng)的實(shí)際工作要求；
2)本發(fā)明采用了將基于目標(biāo)顏色信息的Camshift跟蹤方法與基于運(yùn)動(dòng)信息預(yù)測的Kalman跟蹤方法相結(jié)合的思路來實(shí)現(xiàn)車輛目標(biāo)的跟蹤，具有較好的跟蹤效果。
具體實(shí)施方式
以下具體實(shí)施例對本發(fā)明作進(jìn)一步闡述，但不作為對本發(fā)明的限定。
交通場景下的運(yùn)動(dòng)車輛跟蹤方法，包括以下步驟：
S1：通過攝像頭進(jìn)行前端視頻圖像采集，對圖像進(jìn)行預(yù)處理，并對運(yùn)動(dòng)車輛進(jìn)行目標(biāo)檢測作為跟蹤對象；
S2：利用Kalman濾波器對跟蹤目標(biāo)進(jìn)行運(yùn)動(dòng)估計(jì)，通過建立運(yùn)動(dòng)狀態(tài)模型，根據(jù)被跟蹤目標(biāo)的歷史運(yùn)動(dòng)信息，預(yù)測其在當(dāng)前幀中的位置；
S3：Camshift目標(biāo)跟蹤，根據(jù)跟蹤目標(biāo)在前一幀中保存的顏色直方圖，在Kalman濾波器給出的預(yù)測范圍內(nèi)計(jì)算反向投影，利用Camshift算法搜索運(yùn)動(dòng)目標(biāo)；
S4：標(biāo)記出運(yùn)動(dòng)目標(biāo)后，判斷目標(biāo)位置是否發(fā)生重合，如果存在目標(biāo)遮擋的現(xiàn)象則僅更新目標(biāo)的位置信息，不更新直方圖，如果沒有遮擋情況則同時(shí)更新運(yùn)動(dòng)狀態(tài)和相應(yīng)直方圖；
S5：將更新后的目標(biāo)作為下一幀的跟蹤對象，重復(fù)執(zhí)行上述過程。
所述運(yùn)動(dòng)車輛目標(biāo)檢測具體方法如下：
S1-1：從視頻圖像中提取大量的車輛圖像作為正樣本，非車輛圖像作為負(fù)樣本，從訓(xùn)練樣本中提取Haar-like矩形特征作為訓(xùn)練的特征集；
S1-2：假設(shè)樣本空間為X，樣本表示為Y＝{0，1}，其中0表示非車輛，1表示車輛。假設(shè)Haar-like特征總數(shù)為N，wt,j代表第t輪循環(huán)時(shí)第i個(gè)樣本的權(quán)重；
S1-3：強(qiáng)分類器的訓(xùn)練方法如下：
(1)對一系列訓(xùn)練樣本(x1,y1),(x2,y2),...,(xn,yn)，假設(shè)樣本庫中n個(gè)樣本為均勻分布，則樣本權(quán)重wt,j＝1/n；
(2)Fort＝1toT：
1)歸一化樣本權(quán)重分布，
2)對每個(gè)特征j，在給定的權(quán)重wt,j下訓(xùn)練弱分類器ht,j(x)，計(jì)算分類錯(cuò)誤率：
3)從中選擇最優(yōu)的弱分類器ht(x)：令則ht(x)＝ft,k(x)，且對樣本集的分類錯(cuò)誤率為εt＝εt,k；
4)根據(jù)上一輪的分類錯(cuò)誤率更新樣本權(quán)重：
其中，ei＝0代表分類正確，而ei＝1代表分類錯(cuò)誤，最終得到的強(qiáng)分類器為：其中，
S1-4：對待檢測圖像進(jìn)行不同尺度窗口的掃描，最終輸出所有檢測到的車輛目標(biāo)。
利用Kalman濾波器對跟蹤目標(biāo)進(jìn)行運(yùn)動(dòng)估計(jì)的具體方法如下：
S2-1：Kalman濾波算法模型包括狀態(tài)方程和觀測方程：
S(n)＝A(n)S(n-1)+W(n-1)，
X(n)＝C(n)S(n)+V(n)，
其中，S(n)與X(n)分別是n時(shí)刻的狀態(tài)向量和觀測向量，A(n)是狀態(tài)轉(zhuǎn)移矩陣，C(n)是觀測矩陣，W(n)和V(n)是狀態(tài)噪聲以及觀測噪聲，它們都是互不相關(guān)且均值為0的高斯白噪聲；
S2-2：將車輛目標(biāo)矩形的中心點(diǎn)作為預(yù)測對象，建立運(yùn)動(dòng)目標(biāo)中心點(diǎn)的運(yùn)動(dòng)狀態(tài)向量Xx和Xy：
其中，sx,sy,vx,vy,ax,ay分別代表車輛目標(biāo)在水平和垂直方向上的位置、速度與加速度；
S2-3：則水平方向上跟蹤目標(biāo)的中心的運(yùn)動(dòng)方程為：
其中，sx(n),vx(n),ax(n)表示n時(shí)刻目標(biāo)中心點(diǎn)的位置、速度和加速度，ox(n-1)是白噪聲；
把上式改寫為矩陣形式：
能夠觀測到的運(yùn)動(dòng)狀態(tài)分量只有運(yùn)動(dòng)目標(biāo)的位置：
S2-4：對比式S2-1中公式Kalman濾波器的狀態(tài)方程和觀測方程，可以得到跟蹤目標(biāo)中心點(diǎn)的狀態(tài)方程和觀測方程分別為：
其中，C(n)＝[1 0 0]。
Camshift算法的具體流程如下：
S3-1：初始化搜索窗口，使需要跟蹤的目標(biāo)處于搜索窗口內(nèi)；
S3-2：在HSV空間上提取窗口對應(yīng)位置的H分量，得到H分量直方圖，根據(jù)H分量直方圖計(jì)算整個(gè)跟蹤區(qū)域的顏色概率分布圖，即反向投影圖；
S3-3：在反向投影圖中選取大小與初始窗口相同的搜索窗口；
S3-4：根據(jù)搜索窗口中像素總和S調(diào)整窗口的大小，并將窗口中心移動(dòng)到質(zhì)心的位置；
S3-5：判斷是否收斂，如果收斂則輸出質(zhì)心(x，y)，否則重復(fù)步驟S3-3和S3-4直到收斂或達(dá)到最大迭代次數(shù)；
S3-6：將最終得到的搜索窗口的位置和大小為下一幀的初始窗口，繼續(xù)執(zhí)行循環(huán)。