專利名稱：車輛跟蹤方法及裝置的制作方法
技術領域：
本發(fā)明涉及計算機圖像處理領域，尤其涉及一種車輛跟蹤方法及裝置。
背景技術：
隨著社會經濟的發(fā)展，車輛的增多，智能交通的發(fā)展也越來越快，智能交通系統(tǒng)(Intelligent Transportation Sys-tem,簡稱為ITS)成為近年來的研究熱點。車輛跟蹤是基于視頻技術的智能交通檢測系統(tǒng)中最關鍵的技術之一，也是一個重要應用。視頻的車輛跟蹤是對視頻序列中車輛的時空變化進行監(jiān)控，包括位置和運動軌跡等，為計算交通參數(shù)提供依據。但是，在實際應用中，多車輛之間的“咬合”問題容易導致車輛跟蹤的失敗。然而，針對多車輛之間的“咬合”問題，相關技術并沒有提出有效的解決方案。

發(fā)明內容
本發(fā)明提出了一種車輛跟蹤方法及裝置。為了達到上述目的，本發(fā)明的技術方案是這樣實現(xiàn)的根據本發(fā)明的一個方面，提供了一種車輛跟蹤方法，包括根據背景差法對交通視頻圖像序列進行運動檢測，提取出包括有車輛位置的運動區(qū)域；采用支持向量機(SupportVector Machine,簡稱為SVM)算法對運動區(qū)域進行檢測，得到運動區(qū)域中的每個車輛的當前位置；獲取每個車輛的前一時刻位置，并將前一時刻位置與當前位置之間的連線確定為每個車輛的運動軌跡。優(yōu)選地，根據背景差法對交通視頻圖像序列進行運動檢測，提取出包括有車輛位置的運動區(qū)域，包括將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B(x, y);判斷交通視頻圖像序列In(x，y)中的當前幀P(x，y)減去背景圖像B(x，y)得到的結果圖像的像素數(shù)是否大于閾值，在判斷結果為是的情況下，確定結果圖像中有處于運動狀態(tài)的車輛，并將結果圖像作為運動區(qū)域Qs(x，y)。優(yōu)選地，采用支持向量機(SVM)算法對運動區(qū)域進行檢測，得到運動區(qū)域中的每個車輛的當前位置，包括計算運動區(qū)域Qs(x，y)中所有標準窗口的梯度方向直方圖(HOG);通過采用離線訓練好的SVM分類器對每個HOG的特征類別進行判斷的方式，確定每個車輛的當前位置。優(yōu)選地，在確定每個車輛的當前位置之后，還包括確定包括當前位置的車輛窗□。優(yōu)選地，獲取每個車輛的前一時刻位置，并將前一時刻位置與當前位置之間的連線確定為每個車輛的運動軌跡，包括計算每個車輛窗口的顏色直方圖；將每個顏色直方圖與預先設定的模板庫中的預設顏色直方圖進行對比，得到對比結果；根據對比結果標識每個車輛窗口中的車輛，并提取標識的車輛的前一時刻位置；將前一時刻位置和當前位置的連線作為運動軌跡。
根據本發(fā)明的另一個方面，提供了一種車輛跟蹤裝置，包括:提取模塊，用于根據背景差法對交通視頻圖像序列進行運動檢測，提取出包括有車輛位置的運動區(qū)域；檢測模塊，用于采用支持向量機(SVM)算法對運動區(qū)域進行檢測，得到運動區(qū)域中的每個車輛的當前位置；獲取模塊，用于獲取每個車輛的前一時刻位置，并將前一時刻位置與當前位置之間的連線確定為每個車輛的運動軌跡。優(yōu)選地，提取模塊包括:第一設定單元，用于將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B(x，y);判定單元，用于判斷交通視頻圖像序列In(x，y)中的當前幀P(x，y)減去背景圖像B(x，y)得到的結果圖像的像素數(shù)是否大于閾值，在判斷結果為是的情況下，確定結果圖像中有處于運動狀態(tài)的車輛，并將結果圖像作為運動區(qū)域Ω s(x, y)。優(yōu)選地，檢測模塊包括:第一計算單元，用于計算運動區(qū)域Ω3(Χ，y)中所有標準窗口的梯度方向直方圖(HOG);第一確定單元，用于通過采用離線訓練好的SVM分類器對每個HOG的特征類別進行判斷的方式，確定每個車輛的當前位置。優(yōu)選地，檢測模塊還包括:第二確定單元，用于確定包括當前位置的車輛窗口。優(yōu)選地，獲取模塊包括:第二計算單元，用于計算每個車輛窗口的顏色直方圖；對比單元，用于將每個顏色直方圖與預先設定的模板庫中的預設顏色直方圖進行對比，得到對比結果；提取單元，根據對比結果標識每個車輛窗口中的車輛，并提取標識的車輛的前一時刻位置；第二設定單元，用于將前一時刻位置和當前位置的連線作為運動軌跡。通過本發(fā)明，采用對交通視頻序列進行運動檢測判斷出包括有車輛的大概位置的運動區(qū)域，在對運動區(qū)域進行車輛檢測，根據提取到的車輛的顏色直方圖與預訂的顏色直方圖的對比結果確定每個車輛的運動軌跡的方式，解決了相關技術無法解決多車輛之間的“咬合”問題而導致車輛跟蹤的失敗的問題，進而達到了簡化交通視頻的識別過程，容易施工以及靈活性高的效果。


為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據這些附圖獲得其他的附圖。圖1是根據本發(fā)明實施例的車輛跟蹤方法流程圖；圖2是根據本發(fā)明優(yōu)選實施例的車輛跟蹤方法流程圖；圖3是根據本發(fā)明實施例的車輛跟蹤裝置的結構框圖；圖4是根據本發(fā)明優(yōu)選實施例的車輛跟蹤裝置的結構框圖。
具體實施例方式為使本發(fā)明實施例的目的、技術方案和優(yōu)點更加清楚，下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。
首先，對以下實施例提供的車輛跟蹤方法和車輛跟蹤裝置的進行簡要介紹:針對特定的場景(例如車輛較多的路況)，先對輸入的交通視頻序列進行運動檢測，大致判斷出車輛的位置所在的運動區(qū)域；然后，在提取出的運動區(qū)域內對車輛進行檢測；最后，提取已檢測到車輛的，并將該顏色直方圖與預先建立的模板庫中的顏色直方圖進行比對，采用分類的方法檢測出每個車輛，對每個車輛進行跟蹤，進而得到每個車輛的運動軌跡。在實際應用中，該實施例提供的車輛跟蹤方法完全基于視頻進行識別，施工容易，并且靈活性高。圖1是根據本發(fā)明實施例的車輛跟蹤方法流程圖，如圖1所示，該方法主要包括以下步驟(步驟S102-步驟S106):步驟S102，根據背景差法對交通視頻圖像序列進行運動檢測，提取出包括有車輛位置的運動區(qū)域；步驟S104，采用支持向量機(SVM)算法對運動區(qū)域進行檢測，得到運動區(qū)域中的每個車輛的當前位置；步驟S106，獲取每個車輛的前一時刻位置，并將前一時刻位置與當前位置之間的連線確定為每個車輛的運動軌跡。在本實施例中，步驟S102可以通過這樣的方式實現(xiàn):將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B(x，y);判斷交通視頻圖像序列In(x，y)中的當前幀P(x，y)減去背景圖像B(x，y)得到的結果圖像的像素數(shù)是否大于閾值，在判斷結果為是的情況下，確定結果圖像中有處于運動狀態(tài)的車輛，并將結果圖像作為運動區(qū)域Qs(x，y)。在本實施例中，步驟S104可以通過這樣的方式實現(xiàn):計算運動區(qū)域Ω3(χ，y)中所有標準窗口的梯度方向直方圖(H0G);通過采用離線訓練好的SVM分類器對每個HOG的特征類別進行判斷的方式，確定每個車輛的當前位置。其中，在步驟S104中，在確定每個車輛的當前位置之后，還可以包括:確定包括當前位置的車輛窗口。在本實施例中，步驟S106可以通過這樣的方式實現(xiàn):計算每個車輛窗口的顏色直方圖；將每個顏色直方圖與預先設定的模板庫中的預設顏色直方圖進行對比，得到對比結果；根據對比結果標識每個車輛窗口中的車輛，并提取標識的車輛的前一時刻位置；將前一時刻位置和當前位置的連線作為運動軌跡。對于上述實施例提供的車輛跟蹤方法，在實際應用中，可以采用這樣的方式來實現(xiàn)，大致可以采用以下幾個步驟:1、對輸入的交通視頻圖像序列采用背景差法進行運動檢測，大致提取出包含車輛位置的運動區(qū)域。2、對步驟I中取得的運動區(qū)域，采用支持向量機方法檢測出所有車輛，得到每個車輛的當前位置(優(yōu)選地還可以包括車輛在運動區(qū)域占有的圖像大小信息)。3、計算每個車輛的顏色直方圖并與建立的模板庫中的顏色直方圖比對，標識每個車輛，每個車輛當前位置與前一時刻位置連起來即為其運動軌跡。其中，對于步驟1，對輸入視頻序列In(x，y)的當前幀為P(x，y)，采用背景差法檢測運動區(qū)域:首先選取背景中的一幅或幾幅圖像的平均圖像作為背景圖像B(x，y)，然后把以后的序列圖像當前幀PU，y)和背景圖像相減，進行背景消去。若所得到的像素數(shù)大于某一閾值，則判定被監(jiān)視場景中有運動物體，從而得到運動區(qū)域Ω3(Χ，y)。對于步驟2，對步驟I中得到的運動區(qū)域Ω s (X，y)采用SVM (支持向量機)方法檢測出所有車輛，得到每個車輛的當前位置(優(yōu)選地還可以包括車輛在運動區(qū)域占有的圖像大小信息)(I)計算運動區(qū)域所有的標準大小的窗口的梯度方向直方圖(HOG)；(2)采用離線訓練好的SVM分類器判斷每個窗口的HOG特征的類別；(3)得到含有車輛的窗口。對于步驟3，先計算步驟2中得到的每個車輛窗口的顏色直方圖；再將得到的顏色直方圖與預先建立的模板庫中的顏色直方圖比對，根據比對結果來標識每個車輛；進一步地，獲取已經標識的車輛的前一刻位置，將每個車輛的當前位置與前一時刻位置連起來即得到該車輛的運動軌跡。下面結合圖2以及優(yōu)選實施例對上述實施例提供的車輛跟蹤方法進行更加詳細的描述。圖2是根據本發(fā)明優(yōu)選實施例的車輛跟蹤方法流程圖，如圖2所示，該流程包括以下步驟(步驟S202-步驟S220)步驟S202，讀取輸入的交通視頻圖像序列In(X，y)；步驟S204，對交通視頻圖像序列In(X，y)的當前幀P(x，y)采用背景差法檢測得到運動區(qū)域，包括首先，將選取背景 中的一幅或幾幅圖像的平均作為背景圖像B(x，y)，然后把以后的序列圖像當前幀P(X，y) 和背景圖像相減，進行背景消去，得到結果為一幅與輸入幀等大的二值圖像T(x，y)
權利要求
1.一種車輛跟蹤方法，其特征在于，包括: 根據背景差法對交通視頻圖像序列進行運動檢測，提取出包括有車輛位置的運動區(qū)域； 采用支持向量機SVM算法對所述運動區(qū)域進行檢測，得到所述運動區(qū)域中的每個車輛的當前位置； 獲取所述每個車輛的前一時刻位置，并將所述前一時刻位置與所述當前位置之間的連線確定為所述每個車輛的運動軌跡。
2.根據權利要求1所述的方法，其特征在于，根據背景差法對交通視頻圖像序列進行運動檢測，提取出包括有車輛位置的運動區(qū)域，包括: 將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B(x，y)； 判斷所述交通視頻圖像序列In(x，y)中的當前幀Ρ(χ，y)減去所述背景圖像B(x，y)得到的結果圖像的像素數(shù)是否大于閾值，在判斷結果為是的情況下，確定所述結果圖像中有處于運動狀態(tài)的車輛，并將所述結果圖像作為所述運動區(qū)域Ω s(x，y)。
3.根據權利要求1或2所述的方法，其特征在于，采用支持向量機SVM算法對所述運動區(qū)域進行檢測，得到所述運動區(qū)域中的每個車輛的當前位置，包括: 計算所述運動區(qū)域Qs(x，y)中所有標準窗口的梯度方向直方圖HOG ; 通過采用離線訓練好的SVM分類器對每個所述HOG的特征類別進行判斷的方式，確定所述每個車輛的所述當前位置。
4.根據權利要求3所述的方法，其特征在于，在確定所述每個車輛的所述當前位置之后,還包括: 確定包括所述當前位置的車輛窗口。
5.根據權利要求4所述的方法，其特征在于，獲取所述每個車輛的前一時刻位置，并將所述前一時刻位置與所述當前位置之間的連線確定為所述每個車輛的運動軌跡，包括: 計算每個所述車輛窗口的顏色直方圖； 將每個所述顏色直方圖與預先設定的模板庫中的預設顏色直方圖進行對比，得到對比結果; 根據所述對比結果標識每個所述車輛窗口中的車輛，并提取標識的車輛的所述前一時刻位置； 將所述前一時刻位置和所述當前位置的連線作為所述運動軌跡。
6.一種車輛跟蹤裝置，其特征在于，包括: 提取模塊，用于根據背景差法對交通視頻圖像序列進行運動檢測，提取出包括有車輛位置的運動區(qū)域； 檢測模塊，用于采用支持向量機SVM算法對所述運動區(qū)域進行檢測，得到所述運動區(qū)域中的每個車輛的當前位置； 獲取模塊，用于獲取所述每個車輛的前一時刻位置，并將所述前一時刻位置與所述當前位置之間的連線確定為所述每個車輛的運動軌跡。
7.根據權利要求6所述的裝置，其特征在于，所述提取模塊包括: 第一設定單元，用于將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B (X，y)；判定單元，用于判斷所述交通視頻圖像序列In(x，y)中的當前幀Ρ(χ，y)減去所述背景圖像B(x，y)得到的結果圖像的像素數(shù)是否大于閾值，在判斷結果為是的情況下，確定所述結果圖像中有處于運動狀態(tài)的車輛，并將所述結果圖像作為所述運動區(qū)域Kx，y)。
8.根據權利要求6或7所述的裝置，其特征在于，所述檢測模塊包括 第一計算單元，用于計算所述運動區(qū)域Qs(x，y)中所有標準窗口的梯度方向直方圖HOG ； 第一確定單元，用于通過采用離線訓練好的SVM分類器對每個所述HOG的特征類別進行判斷的方式，確定所述每個車輛的所述當前位置。
9.根據權利要求8所述的裝置，其特征在于，所述檢測模塊還包括 第二確定單元，用于確定包括所述當前位置的車輛窗口。
10.根據權利要求9所述的裝置，其特征在于，所述獲取模塊包括 第二計算單元，用于計算每個所述車輛窗口的顏色直方圖； 對比單元，用于將每個所述顏色直方圖與預先設定的模板庫中的預設顏色直方圖進行對比，得到對比結果； 提取單元，根據所述對比結果標識每個所述車輛窗口中的車輛，并提取標識的車輛的所述前一時刻位置； 第二設定單元，用于將所述前一 時 刻位置和所述當前位置的連線作為所述運動軌跡。
全文摘要
本發(fā)明公開了一種車輛跟蹤方法及裝置。其中，該方法包括根據背景差法對交通視頻圖像序列進行運動檢測，提取出包括有車輛位置的運動區(qū)域；采用支持向量機(Support Vector Machine，簡稱為SVM)算法對運動區(qū)域進行檢測，得到運動區(qū)域中的每個車輛的當前位置；獲取每個車輛的前一時刻位置，并將前一時刻位置與當前位置之間的連線確定為每個車輛的運動軌跡。通過本發(fā)明，達到了簡化交通視頻的識別過程，容易施工以及靈活性高的效果。
文檔編號G06K9/00GK103150547SQ20131002150
公開日2013年6月12日 申請日期2013年1月21日 優(yōu)先權日2013年1月21日
發(fā)明者王海峰, 王曉萌, 何小波, 董博, 楊宇, 張凱歌 申請人:信幀電子技術(北京)有限公司