一種結(jié)合目標(biāo)信息和運動估計的車輛跟蹤方法
【專利摘要】本發(fā)明公開了一種結(jié)合目標(biāo)信息和運動估計的車輛跟蹤方法，包括以下步驟：步驟1、初始化目標(biāo)中心像素點坐標(biāo)x0和跟蹤窗寬h1(l,w)；步驟2、提取目標(biāo)運動信息，計算目標(biāo)的顏色概率模型步驟3、讀取下一幀圖像序列i，結(jié)合運動信息確定目標(biāo)尺度的變化，更新h1(l,w)；步驟4、卡爾曼濾波器估計目標(biāo)在當(dāng)前幀中的預(yù)測位置步驟5、在預(yù)測位置附近，利用Mean-Shift過程定位目標(biāo)在當(dāng)前幀中的位置y1，步驟6、更新卡爾曼濾波器，跳轉(zhuǎn)至S3繼續(xù)執(zhí)行。本發(fā)明針對目標(biāo)尺度變化和背景干擾問題，結(jié)合目標(biāo)車輛的運動信息，優(yōu)化了模型描述，并根據(jù)尺度判斷機(jī)制自適應(yīng)地改變MS算法核函數(shù)的窗寬，通過卡爾曼濾波器對目標(biāo)進(jìn)行運動估計，優(yōu)化了MS算法初始搜索中心，解決了MS算法無法跟蹤被遮擋車輛的問題。
【專利說明】一種結(jié)合目標(biāo)信息和運動估計的車輛跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于車輛運動分析領(lǐng)域，特別涉及一種結(jié)合目標(biāo)信息和運動估計的車輛跟蹤算法。
【背景技術(shù)】
[0002]基于計算機(jī)視覺的車輛跟蹤系統(tǒng)有視頻采集和圖像處理兩大部分組成，如圖1所示。首先由攝像機(jī)獲取視頻信號后，計算機(jī)通過視頻采集卡接受來自視頻輸入端的模擬信號，對該模擬信號進(jìn)行采集并量化為數(shù)字信號存儲到計算機(jī)硬盤上，接著通過數(shù)字圖像處理和跟蹤技術(shù)實現(xiàn)對車輛的跟蹤。
[0003]MS(Mean-Shift)算法是常用的視頻圖像目標(biāo)跟蹤算法。通過目標(biāo)的HSV特征利用MS算法實現(xiàn)了對目標(biāo)的跟蹤。該算法首先提取目標(biāo)顏色特征，并以此作為目標(biāo)模型，然后通過計算目標(biāo)模型與候選模型的相似性系數(shù)，以相似性系數(shù)最大的點作為目標(biāo)的中心，從而確定目標(biāo)的位置。通過目標(biāo)的HSI特征，同時結(jié)合目標(biāo)的局部方向信息，提高了 MS算法進(jìn)行車輛跟蹤的穩(wěn)定性。但是在上述工作中算法均是采用固定窗寬，不能適應(yīng)車輛在運動圖像中產(chǎn)生的尺度變化；此外，由于MS算法是用泰勒級數(shù)在上一幀中心近似估計作為當(dāng)前幀初始窗口，這種估計在車輛變速、車輛遮擋等情況時容易造成跟蹤目標(biāo)的丟失。
[0004]近年來，也有不少工作采用其他算法進(jìn)行視覺車輛跟蹤。區(qū)域匹配法，首先提取車輛的區(qū)域參數(shù)(中心、長度、寬度)，將預(yù)測的參數(shù)與后序圖像序列中提取的區(qū)域參數(shù)進(jìn)行匹配，如果坐標(biāo)中心和面積之差小于預(yù)設(shè)的閾值，則認(rèn)為成功實現(xiàn)跟蹤；如果大于預(yù)設(shè)的閾值，則認(rèn)為發(fā)生遮擋，同時利用一條“最佳分割線”將粘連的車輛分開，然后重新確定車輛的位置。但是區(qū)域匹配法采用固定的閾值判斷車輛的區(qū)域，在車輛尺度變化較大時仍會導(dǎo)致定位準(zhǔn)確性降低，且“最佳分割線”在車輛有遮擋時分割出車輛的區(qū)域匹配相似度也會大大降低。馬爾夫鏈蒙特卡洛(MCMC)法，通過對建立的車輛2維模型庫搜索匹配實現(xiàn)對車輛的跟蹤。模型庫是通過對每一種車輛在0°?90°之間均分為19個攝像機(jī)視角、在0°?360°之間均分為72個車輛方向形成的2維圖形集合。由于車輛外形的差異性和種類的多樣性，構(gòu)建模型庫本身和對模型進(jìn)行搜索匹配的計算成本是相當(dāng)巨大的。同時該2維模型也沒有考慮車輛在運動過程中的尺度變化。
[0005]Snake模型是一條可變形的參數(shù)曲線及其相應(yīng)的能量函數(shù),通過最小化能量函數(shù)來控制參數(shù)曲線變形，以具有最小能量的曲線作為目標(biāo)的輪廓。作者首先通過圖像預(yù)處理獲得目標(biāo)的初始輪廓，然后最小化能量函數(shù)獲得目標(biāo)的邊緣，從而根據(jù)邊緣位置求得目標(biāo)在當(dāng)前幀中的位置?；谳喞母櫵惴ê艽蟪潭壬弦蕾囉谀繕?biāo)邊緣的精確提取，一旦初始化車輛輪廓時出現(xiàn)較大偏差，就可能使Snake模型收斂不到真實的邊緣。文利用目標(biāo)角點特征實現(xiàn)車輛跟蹤。根據(jù)同一車輛角點相似的原理，通過匹配相鄰幀間的角點特征確定角點所在區(qū)域的目標(biāo)位置。利用目標(biāo)的sift特征實現(xiàn)車輛跟蹤。該方法首先在當(dāng)前幀中提取目標(biāo)區(qū)域的sift特征點，然后計算下一幀目標(biāo)區(qū)域的sift特征點，如果這些特征點與目標(biāo)先驗的特征點相似，則用該特征點位置估算出目標(biāo)的位置，否則就取消對象的跟蹤，重新計算目標(biāo)區(qū)域的sift特征點直到匹配成功。角點特征法和sift特征法較好地克服了目標(biāo)的尺度、旋轉(zhuǎn)、亮度變化等帶來的跟蹤丟失問題，但當(dāng)目標(biāo)被遮擋時，仍會導(dǎo)致角點錯判和sift特征點為零的情況,從而跟丟目標(biāo)。最后,用PS (Particle Swarm)算法進(jìn)行車輛跟蹤。該算法通過particle swarm在搜索區(qū)域找到和目標(biāo)模板最相似的區(qū)域,從而確定最優(yōu)中心位置。但是當(dāng)目標(biāo)被遮擋時PS算法會錯誤地跟蹤到遮擋物，同時PS算法的計算量較大。

【發(fā)明內(nèi)容】

[0006]鑒于此，本發(fā)明對車輛跟蹤中目標(biāo)尺度變化和遮擋問題，在基于顏色特征的MS算法基礎(chǔ)上，結(jié)合目標(biāo)信息和運動估計成功實現(xiàn)了車輛跟蹤。
[0007]本發(fā)明的目的是通過這樣的技術(shù)方案實現(xiàn)的，一種結(jié)合目標(biāo)信息和運動估計的車輛跟蹤方法，其特征在于:包括以下步驟:步驟1、初始化目標(biāo)中心像素點坐標(biāo)Xtl和跟蹤窗寬4(1，《);步驟2、提取目標(biāo)運動信息，計算目標(biāo)的顏色概率模型if，u為顏色特征值；步驟3、讀取下一幀圖像序列i，結(jié)合運動信息確定目標(biāo)尺度的變化，更新Iii (I, w),l,w分別為
目標(biāo)窗的長度和寬度；步驟4、卡爾曼濾波器估計目標(biāo)在當(dāng)前幀中的預(yù)測位置.步驟5、在




? ?
預(yù)測位置^附近，利用 Mean-Shift過程定位目標(biāo)在當(dāng)前幀中的位置y1; S6、更新卡爾曼濾波器，跳轉(zhuǎn)至步驟3繼續(xù)執(zhí)行。
[0008]進(jìn)一步，步驟3中運動信息的提取包括以下子步驟:S21、在視頻圖像當(dāng)前幀中鎖定跟蹤的目標(biāo)；S22、分別用背景消除法和幀差法計算出相應(yīng)的目標(biāo)的二值圖；S23、將計算出的兩個二值圖進(jìn)行“或”運算，并進(jìn)行形態(tài)學(xué)濾波后獲得目標(biāo)背景分割圖，其中I為前景，
。為背景；目標(biāo)信息的提取按式(I)進(jìn)行，辦^) =..?表示目標(biāo)中的像素，X」
為目標(biāo)區(qū)域中像素坐標(biāo)，B(Xj)為目標(biāo)信息。
[0009]進(jìn)一步，步驟2中，顏色概率模型為:
【權(quán)利要求】
1.一種結(jié)合目標(biāo)信息和運動估計的車輛跟蹤方法，其特征在于:包括以下步驟: 步驟1、初始化目標(biāo)中心像素點坐標(biāo)Xtl和跟蹤窗寬hjl，W)，；步驟2、提取目標(biāo)運動信息，計算目標(biāo)的顏色概率模型/f，u為顏色特征值； 步驟3、讀取下一幀圖像序列i，結(jié)合運動信息確定目標(biāo)尺度的變化，更新4(1，《)，I, w分 別為目標(biāo)窗的長度和寬度； 步驟4、卡爾曼濾波器估計目標(biāo)在當(dāng)前幀中的預(yù)測位置?,.f 步驟5、在預(yù)測位置Λ附近，利用Mean-Shift過程定位目標(biāo)在當(dāng)前幀中的位置yl， 步驟6、更新卡爾曼濾波器，跳轉(zhuǎn)至S3繼續(xù)執(zhí)行。
2.根據(jù)權(quán)利要求1所述的車輛跟蹤方法，其特征在于:步驟2中運動信息的提取包括以下子步驟: S21、在視頻圖像當(dāng)如幀中鎖定跟蹤的目標(biāo)； S22、分別用背景消除法和幀差法計算出相應(yīng)的目標(biāo)的二值圖； S23、將計算出的兩個二值圖進(jìn)行“或”運算，并進(jìn)行形態(tài)學(xué)濾波后獲得目標(biāo)背景分割圖， 其中1為前景，O為背景；目標(biāo)信息的提取按式(I)進(jìn)行，
3.根據(jù)權(quán)利要求2所述的車輛跟蹤方法，其特征在于:步驟2中，顏色概率模型為:
4.根據(jù)權(quán)利要求1所述的車輛跟蹤方法，其特征在于:步驟3中目標(biāo)尺度的判斷方法為:如果當(dāng)前幀的目標(biāo)像素總數(shù)Si與初始幀的目標(biāo)像素總數(shù)S1比值為ki;那么在計算當(dāng)前中貞的核函數(shù)帶寬Iii時,認(rèn)為Iii相應(yīng)地變化√ki倍，即hi =√kiXhl,hl為初始幀的核函數(shù)帶寬。
5.根據(jù)權(quán)利要求1所述的車輛跟蹤方法，其特征在于:步驟5包括以下子步驟: (a)根據(jù)式(2)計算目標(biāo)在當(dāng)前幀中的顏色概率模型pMi(yo)(b)根據(jù)式(7)計算權(quán)值
【文檔編號】G06T7/20GK103927764SQ201410177249
【公開日】2014年7月16日 申請日期:2014年4月29日 優(yōu)先權(quán)日:2014年4月29日
【發(fā)明者】李軍, 王含嫣, 袁宇龍, 王斌 申請人:重慶大學(xué)