技術(shù)特征：

1.交通場(chǎng)景下的運(yùn)動(dòng)車輛跟蹤方法，其特征在于，包括以下步驟：

S1：通過(guò)攝像頭進(jìn)行前端視頻圖像采集，對(duì)圖像進(jìn)行預(yù)處理，對(duì)運(yùn)動(dòng)車輛進(jìn)行目標(biāo)檢測(cè)，并進(jìn)行目標(biāo)分割作為跟蹤對(duì)象；

S2：利用Kalman濾波器對(duì)跟蹤目標(biāo)進(jìn)行運(yùn)動(dòng)估計(jì)，通過(guò)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(cè)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(cè)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(méi)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(duì)象，重復(fù)執(zhí)行上述過(guò)程。

2.根據(jù)權(quán)利要求1所述的運(yùn)動(dòng)車輛跟蹤方法，其特征在于，所述運(yùn)動(dòng)車輛目標(biāo)檢測(cè)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，w_t,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(duì)一系列訓(xùn)練樣本(x₁,y₁),(x₂,y₂),...,(x_n,y_n)，假設(shè)樣本庫(kù)中n個(gè)樣本為均勻分布，則樣本權(quán)重w_t,j＝1/n；

(2)Fort＝1toT：

1)歸一化樣本權(quán)重分布，

2)對(duì)每個(gè)特征j，在給定的權(quán)重w_t,j下訓(xùn)練弱分類器h_t,j(x)，計(jì)算分類錯(cuò)誤率：

3)從中選擇最優(yōu)的弱分類器h_t(x)：令則h_t(x)＝f_t,k(x)，且對(duì)樣本集的分類錯(cuò)誤率為ε_t＝ε_t,k；

4)根據(jù)上一輪的分類錯(cuò)誤率更新樣本權(quán)重：

其中，e_i＝0代表分類正確，而e_i＝1代表分類錯(cuò)誤，最終得到的強(qiáng)分類器為：其中，

S1-4：對(duì)待檢測(cè)圖像進(jìn)行不同尺度窗口的掃描，最終輸出所有檢測(cè)到的車輛目標(biāo)。

3.根據(jù)權(quán)利要求1所述的運(yùn)動(dòng)車輛跟蹤方法，其特征在于，利用Kalman濾波器對(duì)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(cè)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(cè)向量，A(n)是狀態(tài)轉(zhuǎn)移矩陣，C(n)是觀測(cè)矩陣，W(n)和V(n)是狀態(tài)噪聲以及觀測(cè)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(cè)對(duì)象，建立運(yùn)動(dòng)目標(biāo)中心點(diǎn)的運(yùn)動(dòng)狀態(tài)向量X_x和X_y：

$\begin{array}{c}{X}_x={(s_x,v_x,a_x)}^T\\ X_y={(s_y,v_y,a_y)}^T\end{array},$

其中，s_x,s_y,v_x,v_y,a_x,a_y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：

$\left\{\begin{array}{c}{s}_x\left(n\right)=s_x(n-1)+v_x(n-1)T+\frac{1}{2}{a}_x(n-1)T^2\\ v_x\left(n\right)=v_x(n-1)+a_x(n-1)T\\ a_x\left(n\right)=a_x(n-1)+o_x(n-1)T\end{array}\right.$

其中，s_x(n),v_x(n),a_x(n)表示n時(shí)刻目標(biāo)中心點(diǎn)的位置、速度和加速度，o_x(n-1)是白噪聲；

把上式改寫為矩陣形式：

$\left[\begin{array}{c}{s}_x\left(n\right)\\ v_x\left(n\right)\\ a_x\left(n\right)\end{array}\right]=\left[\begin{array}{ccc}1& T& \frac{1}{2}{T}^2\\ 0& 1& T\\ 0& 0& 1\end{array}\right]\left[\begin{array}{c}{s}_x(n-1)\\ v_x(n-1)\\ a_x(n-1)\end{array}\right]+\left[\begin{array}{c}0\\ 0\\ o_x(n-1)T\end{array}\right],$

能夠觀測(cè)到的運(yùn)動(dòng)狀態(tài)分量只有運(yùn)動(dòng)目標(biāo)的位置：

$s_x\left(n\right)=\left[\begin{array}{ccc}1& 0& 0\end{array}\right]\left[\begin{array}{c}{s}_x\left(n\right)\\ v_x\left(n\right)\\ a_x\left(n\right)\end{array}\right];$

S2-4：對(duì)比式S2-1中公式Kalman濾波器的狀態(tài)方程和觀測(cè)方程，可以得到跟蹤目標(biāo)中心點(diǎn)的狀態(tài)方程和觀測(cè)方程分別為：

$\left[\begin{array}{c}{s}_x\left(n\right)\\ v_x\left(n\right)\\ a_x\left(n\right)\end{array}\right]=A\left(n\right)\left[\begin{array}{c}{s}_x(n-1)\\ v_x(n-1)\\ a_x(n-1)\end{array}\right]+W(n-1),$

$s_x\left(n\right)=C\left(n\right)\left[\begin{array}{c}{s}_x\left(n\right)\\ v_x\left(n\right)\\ a_x\left(n\right)\end{array}\right],$

其中，C(n)＝[1 0 0]。

4.根據(jù)權(quán)利要求1所述的運(yùn)動(dòng)車輛跟蹤方法，其特征在于，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(duì)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)。