基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)及方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)及方法，采用VIBE算法第一幀圖像的背景模型，比較當(dāng)前幀分割出幀內(nèi)圖像目標(biāo)并更新背景模型。對(duì)分割出的圖像目標(biāo)采用顏色特征和SILTP紋理特征去除噪聲干擾，提取LBP分塊目標(biāo)圖像紋理特征，計(jì)算LBP的直方圖，生成整幅圖像的特征向量，應(yīng)用FAST算法計(jì)算目標(biāo)圖像的主方向和角點(diǎn)描述子。計(jì)算目標(biāo)圖像的直方圖和特征算子，自動(dòng)調(diào)整搜索窗口，應(yīng)用MeanShift算法或Kalman濾波算法計(jì)算圖像特征相似度匹配，計(jì)算新窗口中心位置，比較并確定搜索目標(biāo)，對(duì)其標(biāo)記或車(chē)流檢測(cè)記錄上傳。本發(fā)明檢測(cè)準(zhǔn)確率較高，跟蹤速度較快，具有較好的應(yīng)用前景。
【專(zhuān)利說(shuō)明】基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)及方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于視頻圖像處理及模式識(shí)別【技術(shù)領(lǐng)域】，涉及一種基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)及方法。

【背景技術(shù)】
[0002]車(chē)流監(jiān)測(cè)和車(chē)輛自動(dòng)跟蹤技術(shù)在公路車(chē)輛行駛安全和智能交通等領(lǐng)域都有廣泛的應(yīng)用價(jià)值。由于當(dāng)前交通視頻監(jiān)控系統(tǒng)只能簡(jiǎn)單的處理和記錄影像，或者通過(guò)操作員觀(guān)看錄像回放來(lái)判斷監(jiān)控場(chǎng)景內(nèi)的各路段路況信息，一方面人工監(jiān)控較易出錯(cuò)，也帶來(lái)了較高的人力成本，并且對(duì)于及時(shí)快速處理大量視頻信息，實(shí)現(xiàn)最佳交通調(diào)度，實(shí)時(shí)監(jiān)控路況信息，記錄違規(guī)車(chē)輛是不可能的。因此智能交通領(lǐng)域迫切需要一種能夠具有理解所監(jiān)控場(chǎng)景能力的視頻監(jiān)控技術(shù)。
[0003]智能視頻監(jiān)控技術(shù)主要包括運(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)跟蹤以及對(duì)監(jiān)控場(chǎng)景中目標(biāo)行為的理解與描述。目標(biāo)檢測(cè)與跟蹤的目的是提取視頻中運(yùn)動(dòng)的視覺(jué)信息，根據(jù)運(yùn)動(dòng)信息對(duì)視頻分析是智能視頻監(jiān)控的重要組成部分，其結(jié)果直接影響對(duì)行為的理解與描述。智能監(jiān)控與分析有兩大發(fā)展方向:以車(chē)牌、人臉識(shí)別為代表的智能識(shí)別技術(shù)，主要應(yīng)用于城市交通、機(jī)場(chǎng)、海關(guān)；另一個(gè)是以人數(shù)統(tǒng)計(jì)、自動(dòng)追蹤、周邊危險(xiǎn)檢測(cè)為代表的行為分析技術(shù)，主要有商場(chǎng)，周邊警戒區(qū)，交通違規(guī)違法行為等。
[0004]傳統(tǒng)的圖像檢測(cè)和跟蹤方法，如基于統(tǒng)計(jì)的方法、背景差分法、光流場(chǎng)法及時(shí)間差分法等圖像處理方法，較難達(dá)到較高的準(zhǔn)確率。目標(biāo)特征提取和跟蹤技術(shù)，目標(biāo)檢測(cè)將場(chǎng)景分割成前景/背景后，需要用一些特殊的符號(hào)來(lái)描述場(chǎng)景中的目標(biāo)特征，以便于后續(xù)的視頻序列的目標(biāo)跟蹤，特征提取分為全局特征提取和局部特征提取，全局特征是一幀圖像所有像素計(jì)算的特征，目前常用的有紋理特征、顏色特征和形狀特征；與全局特征相比，局部特征提取圖像的區(qū)域信息，具有更好的不變形、唯一性和魯棒性，能更好的地適應(yīng)光照變化、局部遮擋等復(fù)雜場(chǎng)景。


【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于克服上述技術(shù)存在的缺陷，提供一種基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)及方法，采用VIBE算法第一幀圖像的背景模型，比較當(dāng)前幀分割出幀內(nèi)圖像目標(biāo)并更新背景模型。對(duì)分割出的圖像目標(biāo)采用顏色特征和SILTP紋理特征去除噪聲干擾，提取LBP分塊目標(biāo)圖像紋理特征，計(jì)算LBP的直方圖，生成整幅圖像的特征向量，應(yīng)用FAST算法計(jì)算目標(biāo)圖像的主方向和角點(diǎn)描述子。計(jì)算目標(biāo)圖像的直方圖和特征算子，自動(dòng)調(diào)整搜索窗口，應(yīng)用MeanShift算法或Kalman濾波算法計(jì)算圖像特征相似度匹配,計(jì)算新窗口中心位置，比較并確定搜索目標(biāo)，對(duì)其標(biāo)記或車(chē)流檢測(cè)記錄上傳。該方法應(yīng)用于監(jiān)控場(chǎng)景中的目標(biāo)進(jìn)行檢測(cè)與分析，當(dāng)發(fā)生異常情況時(shí)可以實(shí)現(xiàn)自動(dòng)報(bào)警并記錄信息，從而節(jié)省大量人力、物力，加快了城市交通安全系統(tǒng)建設(shè)。其具體技術(shù)方案為:
[0006]一種基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)，包括視頻輸入設(shè)備、網(wǎng)絡(luò)接口、視頻采集模塊、車(chē)輛檢測(cè)和跟蹤模塊、車(chē)流量統(tǒng)計(jì)模塊，視頻輸入設(shè)備拍攝到的車(chē)輛運(yùn)動(dòng)圖像通過(guò)網(wǎng)絡(luò)接口傳送到視頻采集模塊，完成視頻流數(shù)據(jù)的讀取、解碼、存儲(chǔ)、播放功能，車(chē)輛檢測(cè)和跟蹤模塊從視頻流數(shù)據(jù)中檢測(cè)運(yùn)動(dòng)車(chē)輛，提取特征數(shù)據(jù)和跟蹤目標(biāo)車(chē)輛，車(chē)流量統(tǒng)計(jì)模塊從檢測(cè)到車(chē)輛信息來(lái)計(jì)算不同方向車(chē)流量。
[0007]一種基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤方法，包括以下步驟:
[0008]步驟1:獲取并解碼攝像頭視頻流并轉(zhuǎn)換為HSV格式的序列幀圖像；
[0009]步驟2:運(yùn)動(dòng)目標(biāo)檢測(cè)
[0010]對(duì)第一幀圖像根據(jù)像素點(diǎn)空間上的相關(guān)性和時(shí)間上的相關(guān)性，應(yīng)用VIBE算法建立圖像背景模型，并比較背景幀和當(dāng)前幀進(jìn)行背景/前景分類(lèi)，同時(shí)采用背景更新策略更新背景模型。
[0011]步驟3:目標(biāo)圖像特征提取
[0012](3.1)采用顏色特征和SILTP紋理特征結(jié)合方法，消除分割出來(lái)的前景運(yùn)動(dòng)目標(biāo)陰影粘連干擾和其它噪聲干擾；
[0013](3.2)對(duì)于(3.1)獲取的目標(biāo)圖像進(jìn)行分塊，采用局部二值化模式LBP提取若干個(gè)分塊目標(biāo)圖像的紋理特征，并統(tǒng)計(jì)LBP的直方圖，生成整幅圖像的特征向量；
[0014](3.3)結(jié)合(3.2)得到的均勻旋轉(zhuǎn)不變LBP紋理描述特征向量，采用加速分割檢測(cè)特征(FAST)算法計(jì)算目標(biāo)圖像的主方向和角點(diǎn)描述子，從而得到前景目標(biāo)的特征描述。
[0015]步驟4:運(yùn)動(dòng)目標(biāo)跟蹤
[0016](4.1)將RGB顏色轉(zhuǎn)化HSV空間，計(jì)算檢測(cè)目標(biāo)直方圖，記錄中心坐標(biāo)以及搜索窗Π ；
[0017](4.2)計(jì)算直方圖到二維圖像上的反向投影，即用當(dāng)前顏色值的統(tǒng)計(jì)值代替當(dāng)前像素點(diǎn)的值；
[0018](4.3)根據(jù)MeanShift算法計(jì)算目標(biāo)圖像模型和當(dāng)前幀候選目標(biāo)圖像特征的相似度，判斷是否搜索到目標(biāo)，若搜索到轉(zhuǎn)(4.6)，若未搜索到轉(zhuǎn)到(4.4)；
[0019](4.4)當(dāng)前幀未搜索到時(shí)，加入基于ROI的運(yùn)動(dòng)目標(biāo)檢測(cè)和Kalman預(yù)測(cè)功能，當(dāng)目標(biāo)圖像再次出現(xiàn)在場(chǎng)景中時(shí)，繼續(xù)對(duì)目標(biāo)跟蹤；
[0020](4.5)調(diào)整搜索窗口大小，重復(fù)(4.2)和(4.3)步驟直到搜索到目標(biāo)；
[0021](4.6)求取窗口目標(biāo)大小，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行標(biāo)記或車(chē)流檢測(cè)記錄上傳，轉(zhuǎn)到(4.2)進(jìn)行下一幀圖像的跟蹤。
[0022]與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為:本發(fā)明基于計(jì)算機(jī)視覺(jué)中車(chē)流監(jiān)控檢測(cè)和跟蹤領(lǐng)域的最新進(jìn)展，檢測(cè)準(zhǔn)確率較高，跟蹤速度較快，具有較好的應(yīng)用前景。另外，通過(guò)結(jié)合運(yùn)動(dòng)目標(biāo)的特征提取方法，采用LBP紋理與改進(jìn)FAST角點(diǎn)混合特征，提高了特征提取的速度，采用均值漂移跟蹤算法和運(yùn)動(dòng)目標(biāo)位置預(yù)測(cè)算法，解決了運(yùn)動(dòng)目標(biāo)因大面積遮擋或背景干擾而跟蹤丟失的問(wèn)題，達(dá)到實(shí)用水平。

【專(zhuān)利附圖】

【附圖說(shuō)明】
[0023]圖1是本發(fā)明的基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)的系統(tǒng)框圖；
[0024]圖2是本發(fā)明的基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤方法的實(shí)現(xiàn)流程圖；
[0025]圖3是本發(fā)明的運(yùn)動(dòng)目標(biāo)圖像跟蹤程序框圖；
[0026]圖4是本發(fā)明的均值漂移目標(biāo)跟蹤程序流程圖；
[0027]圖5是本發(fā)明的陰影及光照去除程序流程；
[0028]圖6是本發(fā)明的前景與背景分割流程。

【具體實(shí)施方式】
[0029]為了使本發(fā)明實(shí)現(xiàn)的技術(shù)手段、創(chuàng)作特征、達(dá)成目的與功效易于明白了解，下面結(jié)合附圖和具體實(shí)例，進(jìn)一步闡述本發(fā)明。
[0030]本發(fā)明基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)的系統(tǒng)框圖在圖1所示的系統(tǒng)上實(shí)現(xiàn)，系統(tǒng)包括視頻輸入設(shè)備、網(wǎng)絡(luò)端口、控制中心、視頻采集模塊、車(chē)輛檢測(cè)與跟蹤模塊、車(chē)流量統(tǒng)計(jì)模塊等。
[0031]視頻輸入設(shè)備:本系統(tǒng)所需視頻輸入設(shè)備可以為一個(gè)或者多個(gè)，視頻輸入設(shè)備可以采用監(jiān)控?cái)z像頭或傳統(tǒng)的攝像頭，要求攝像頭拍攝分辨率高于320*240，幀率高于20FPS，像素深度不低于RGB1200，攝像頭離地10?15米，拍攝角度為斜向下三十到六十度，要求攝像頭的放置位置和拍攝角度使得行駛車(chē)輛都出現(xiàn)在拍攝區(qū)域。
[0032]控制中心:本系統(tǒng)控制中心可以由普通或?qū)Ｓ玫腜C機(jī)或服務(wù)器來(lái)實(shí)現(xiàn)，通過(guò)局域網(wǎng)或互聯(lián)網(wǎng)與攝像機(jī)相連，網(wǎng)絡(luò)傳輸速率10MBPS，控制中心通過(guò)視頻管理軟件實(shí)現(xiàn)視頻流圖像采集、存儲(chǔ)、播放等功能。
[0033]如圖2所示的基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)的系統(tǒng)框圖，該方法包括如下步驟:
[0034]步驟1:獲取并解碼攝像頭視頻流RGB格式圖像，經(jīng)過(guò)轉(zhuǎn)換為HSV格式的序列幀圖像。
[0035]步驟2:運(yùn)動(dòng)目標(biāo)和背景分割流程如圖6所示，首先對(duì)圖像進(jìn)行高斯平滑預(yù)處理，然后提取三幀圖像序列的SILTP值并且分別求取相鄰兩幀之間的距離。對(duì)第一幀圖像應(yīng)用VIBE背景建模，針對(duì)當(dāng)前幀，對(duì)每一個(gè)像素點(diǎn)建立一個(gè)像素點(diǎn)集合空間，計(jì)算當(dāng)前幀像素點(diǎn)與背景模型的歐幾里德距離，用下面式子計(jì)算比較判斷背景幀和當(dāng)前幀。
[0036]SE(pt(x, y)) = {p | EuclidDis (p, pt (x, y)) < R}
[0037]count = # {SE (pt (x, y)) Π Bto (x, y)}
[0038]

t 、[前景點(diǎn)，count i#min
L 冃京點(diǎn),，count > #min
[0039]對(duì)于背景模型更新采用一定概率的方式更新背景點(diǎn)，增強(qiáng)算法的實(shí)時(shí)性。
[0040]步驟3:對(duì)于運(yùn)動(dòng)目標(biāo)陰影粘連和其它噪聲干擾問(wèn)題，采用顏色特征和SILTP紋理特征相結(jié)合的方法，完成運(yùn)動(dòng)目標(biāo)和陰影的分割，其流程圖如圖5所示。
[0041]
k[O其他
[0042]利用背景幀差法提取運(yùn)動(dòng)區(qū)域的二值化區(qū)域，Dn(x, y) = I表示前景目標(biāo)，否則為進(jìn)旦冃月^ ；
[0043]在011(乂，7) = I處,判斷當(dāng)前巾貞灰度值與背景Bn (x, y)灰度值比r
[0044]r= d
[0045]
r[I ifr > th\ 8cr < th2

Mr{x,v) = \

tV " [0 其他
[0046]利用U、V分兩段對(duì)檢測(cè)的目標(biāo)區(qū)域修正；
[0047]
Μυν-(χ i1 ifpc1-^y)-Ub(x^y)\+\uc(^y)-Ub(^y)I > Tur
4[ο其它
[0048]HiftCfr=MirUMf為檢測(cè)出的運(yùn)動(dòng)車(chē)輛區(qū)域，否則為陰影區(qū)域。
[0049]圖像的紋理與灰度值無(wú)關(guān)，而是與鄰域灰度差值有關(guān)，對(duì)均勻亮度變化具有不變性，對(duì)灰度范圍內(nèi)平移不變性，對(duì)于分割后的目標(biāo)圖像進(jìn)行分塊，采用局部二值化模式(LBP)提取若干個(gè)分塊目標(biāo)圖像的紋理特征，LBP模式特征如下:
[0050]灰度線(xiàn)性變化平移不變性L(fǎng)BP模式
p-1? I X > O
[0051]LBPrji其中 = χ<()
[0052]旋轉(zhuǎn)不變的LBP模式
[0053]LB P;': R: mm{ROR(LBP/>h,J) | / = 0,1,...,— l}
[0054]對(duì)每個(gè)子塊提取LBP特征并統(tǒng)計(jì)LBP直方圖，選擇合適的P，R值，P值越大生成的維數(shù)越高，在匹配跟蹤的時(shí)候耗費(fèi)的時(shí)間就越多，并且跟蹤的準(zhǔn)確性與目標(biāo)分塊大小也有一定的關(guān)系。在基于LBP描述子對(duì)目標(biāo)進(jìn)行跟蹤時(shí)，采用直方圖的相似性來(lái)區(qū)分不同目標(biāo)，下面是幾種相似性度量方法:
[0055]卡爾統(tǒng)計(jì)/:(尸.(?) = Σ(?.
[0056]直方圖相交= Σηιιη(6,β)



i
[0057]G 統(tǒng)計(jì)= ~Σι S.1.丨0g Mi



I
[0058]結(jié)合得到LBP紋理描述的特征描述，采用FAST算法提取角點(diǎn)特征:
[0059]角點(diǎn)的主方向:
[0060]半徑為R的數(shù)字圖像f (X，y)的二維(p+q)階矩定義為:
[0061]

χ,ν
[0062]主方向?yàn)?
f \
[0063]C=
V mOQ mQQ J
[0064]建立Hessian矩陣對(duì)偽角點(diǎn)特征進(jìn)行去除，使用質(zhì)心算法提取角點(diǎn)主方向，然后融合LBP文理對(duì)目標(biāo)特征進(jìn)行提取。
[0065]特征向量生成向量后，距離采用式
[0066]IK-^I=ZK I


/=1
[0067]并使用距離描述關(guān)鍵點(diǎn)之間的相似性判定度量。
[0068]步驟4:運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤流程，如圖3所示。
[0069]基于顏色統(tǒng)計(jì)特征的均值漂移算法流程如圖4所示，其步驟如下
[0070](I)當(dāng)前位置坐標(biāo)％點(diǎn)，求取概率密度!Pu(Y0)Ku = I^…,m),并計(jì)算/?(/?(凡),的；
[0071](2)求取權(quán)重值 Wi (i = 1，2，...η);
[0072](3)計(jì)算候選目標(biāo)位置Λ ,并計(jì)算B氏系數(shù)；
[0073](4)如果8氏系數(shù)廣[政1;|),<7]</()[/;(>，|,),7]，貝|]7110.5(.1,，|1+>;1),重新計(jì)算，y!處 B
氏系數(shù)，否則進(jìn)行下一步；如果I Iy1IcJ I < ε，則迭代結(jié)束，否則返回步驟2繼續(xù)執(zhí)行。
[0074]均值漂移算法簡(jiǎn)單可以達(dá)到實(shí)時(shí)性的要求，在場(chǎng)景簡(jiǎn)單的情況下，能夠準(zhǔn)確的跟蹤出目標(biāo)，但遇到環(huán)境復(fù)雜的情況，比如目標(biāo)和周?chē)尘暗念伾嗨茣r(shí)，引起錯(cuò)誤收斂，從而導(dǎo)致目標(biāo)跟蹤丟失。因此本發(fā)明加入基于ROI的運(yùn)動(dòng)目標(biāo)檢測(cè)，去除靜止不動(dòng)的背景而避免了來(lái)自背景對(duì)目標(biāo)的干擾；另外當(dāng)目標(biāo)處于大范圍遮擋的情況，由于均值漂移算法沒(méi)有預(yù)測(cè)功能，則出現(xiàn)目標(biāo)丟失，因此加入基于預(yù)測(cè)功能的Kalman預(yù)測(cè)來(lái)對(duì)目標(biāo)預(yù)測(cè)，當(dāng)目標(biāo)再次出現(xiàn)在場(chǎng)景中時(shí)，能繼續(xù)對(duì)目標(biāo)加以跟蹤，算法流程如圖3所示。
[0075]上述計(jì)算目標(biāo)圖像模型和當(dāng)前幀候選目標(biāo)圖像特征的相似度，當(dāng)搜索到目標(biāo)時(shí)對(duì)跟蹤到的目標(biāo)求取窗口目標(biāo)大小，對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行標(biāo)記或車(chē)流檢測(cè)記錄上傳，然后轉(zhuǎn)到下一幀圖像的跟蹤。
[0076]當(dāng)前幀未搜索到目標(biāo)圖像時(shí)，加入基于ROI的運(yùn)動(dòng)目標(biāo)檢測(cè)和Kalman預(yù)測(cè)功能，解決目標(biāo)被大面積遮擋問(wèn)題，當(dāng)目標(biāo)圖像再次出現(xiàn)在場(chǎng)景中時(shí)，繼續(xù)對(duì)目標(biāo)跟蹤.
[0077]調(diào)整搜索窗口大小和中心坐標(biāo)位置，重復(fù)上述計(jì)算和搜索直到檢測(cè)到目標(biāo)。
[0078]在監(jiān)控視頻場(chǎng)中設(shè)置檢測(cè)線(xiàn)，根據(jù)運(yùn)動(dòng)目標(biāo)標(biāo)記和或跟蹤軌跡判斷不同方向的車(chē)流，并統(tǒng)計(jì)車(chē)流量信息，在監(jiān)控計(jì)算機(jī)上顯示。
[0079]首先獲取并解碼攝像頭視頻流并轉(zhuǎn)換為HSV格式的序列幀圖像，其次對(duì)第一幀圖像使用VIBE進(jìn)行背景建模，后續(xù)幀與背景模型比較檢測(cè)出前景車(chē)輛目標(biāo)并更新背景模型，再次通過(guò)計(jì)算前景車(chē)輛目標(biāo)顏色和SILTP紋理特征實(shí)現(xiàn)監(jiān)控目標(biāo)區(qū)域的陰影去除，進(jìn)一步地提取出車(chē)輛目標(biāo)的LBP紋理特征與改進(jìn)FAST角點(diǎn)特征，最后在目標(biāo)跟蹤算法中采用均值漂移算法，實(shí)現(xiàn)視頻場(chǎng)中車(chē)輛目標(biāo)的精確定位和跟蹤。另外針對(duì)均值漂移算法無(wú)法適應(yīng)移動(dòng)目標(biāo)尺寸變化，采用了感興趣區(qū)域運(yùn)動(dòng)檢測(cè)和Kalman濾波器目標(biāo)位置預(yù)測(cè)算法實(shí)現(xiàn)運(yùn)動(dòng)車(chē)輛目標(biāo)的準(zhǔn)確跟蹤。在監(jiān)控視頻場(chǎng)中設(shè)置檢測(cè)線(xiàn)，通過(guò)運(yùn)動(dòng)車(chē)輛目標(biāo)的跟蹤軌跡判斷不同方向的車(chē)流量，并統(tǒng)計(jì)車(chē)流量信息。本發(fā)明基于計(jì)算機(jī)視覺(jué)中車(chē)流監(jiān)控檢測(cè)和跟蹤領(lǐng)域的最新進(jìn)展，檢測(cè)準(zhǔn)確率較高，跟蹤速度較快，具有較好的應(yīng)用前景。特別是運(yùn)動(dòng)目標(biāo)的特征提取采用LBP紋理與改進(jìn)FAST角點(diǎn)混合特征，提高了特征提取的速度，采用運(yùn)動(dòng)檢測(cè)和目標(biāo)位置預(yù)測(cè)方法，解決了運(yùn)動(dòng)目標(biāo)因大面積遮擋或背景干擾而跟蹤丟失的問(wèn)題。
[0080]以上所述，僅為本發(fā)明最佳實(shí)施方式，任何熟悉本【技術(shù)領(lǐng)域】的技術(shù)人員在本發(fā)明披露的技術(shù)范圍內(nèi)，可顯而易見(jiàn)地得到的技術(shù)方案的簡(jiǎn)單變化或等效替換均落入本發(fā)明的保護(hù)范圍內(nèi)。
【權(quán)利要求】
1.一種基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤系統(tǒng)，其特征在于，包括視頻輸入設(shè)備、網(wǎng)絡(luò)接口、視頻采集模塊、車(chē)輛檢測(cè)和跟蹤模塊、車(chē)流量統(tǒng)計(jì)模塊，視頻輸入設(shè)備拍攝到的車(chē)輛運(yùn)動(dòng)圖像通過(guò)網(wǎng)絡(luò)接口傳送到視頻采集模塊，完成視頻流數(shù)據(jù)的讀取、解碼、存儲(chǔ)、播放功能，車(chē)輛檢測(cè)和跟蹤模塊從視頻流數(shù)據(jù)中檢測(cè)運(yùn)動(dòng)車(chē)輛，提取特征數(shù)據(jù)和跟蹤目標(biāo)車(chē)輛，車(chē)流量統(tǒng)計(jì)模塊從檢測(cè)到車(chē)輛信息來(lái)計(jì)算不同方向車(chē)流量。
2.一種基于多特征融合的車(chē)流監(jiān)控圖像檢測(cè)和跟蹤方法，其特征在于，包括以下步驟: 步驟1:獲取并解碼攝像頭視頻流并轉(zhuǎn)換為HSV格式的序列幀圖像； 步驟2:運(yùn)動(dòng)目標(biāo)檢測(cè) 對(duì)第一幀圖像根據(jù)像素點(diǎn)空間上的相關(guān)性和時(shí)間上的相關(guān)性，應(yīng)用VIBE算法建立圖像背景模型，并比較背景幀和當(dāng)前幀進(jìn)行背景/前景分類(lèi)，同時(shí)采用背景更新策略更新背景模型； 步驟3:目標(biāo)圖像特征提取 (3.1)采用顏色特征和SILTP紋理特征結(jié)合方法，消除分割出來(lái)的前景運(yùn)動(dòng)目標(biāo)陰影粘連干擾和其它噪聲干擾； (3.2)對(duì)于(3.1)獲取的目標(biāo)圖像進(jìn)行分塊，采用局部二值化模式LBP提取若干個(gè)分塊目標(biāo)圖像的紋理特征，并統(tǒng)計(jì)LBP的直方圖，生成整幅圖像的特征向量； (3.3)結(jié)合(3.2)得到的均勻旋轉(zhuǎn)不變LBP紋理描述特征向量，采用加速分割檢測(cè)特征FAST算法計(jì)算目標(biāo)圖像的主方向和角點(diǎn)描述子，從而得到前景目標(biāo)的特征描述； 步驟4:運(yùn)動(dòng)目標(biāo)跟蹤 (4.1)將RGB顏色轉(zhuǎn)化HSV空間，計(jì)算檢測(cè)目標(biāo)直方圖，記錄中心坐標(biāo)以及搜索窗口 ；(4.2)計(jì)算直方圖到二維圖像上的反向投影，即用當(dāng)前顏色值的統(tǒng)計(jì)值代替當(dāng)前像素點(diǎn)的值； (4.3)根據(jù)MeanShift算法計(jì)算目標(biāo)圖像模型和當(dāng)前幀候選目標(biāo)圖像特征的相似度，判斷是否搜索到目標(biāo)，若搜索到轉(zhuǎn)(4.6)，若未搜索到轉(zhuǎn)到(4.4)； (4.4)當(dāng)前巾貞未搜索到時(shí),加入基于ROI的運(yùn)動(dòng)目標(biāo)檢測(cè)和Kalman預(yù)測(cè)功能,當(dāng)目標(biāo)圖像再次出現(xiàn)在場(chǎng)景中時(shí)，繼續(xù)對(duì)目標(biāo)跟蹤； (4.5)調(diào)整搜索窗口大小，重復(fù)(4.2)和(4.3)步驟直到搜索到目標(biāo)； (4.6)求取窗口目標(biāo)大小,對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行標(biāo)記或車(chē)流檢測(cè)記錄上傳,轉(zhuǎn)到(4.2)進(jìn)行下一幀圖像的跟蹤。
【文檔編號(hào)】G06T7/20GK104134222SQ201410324245
【公開(kāi)日】2014年11月5日 申請(qǐng)日期:2014年7月9日 優(yōu)先權(quán)日:2014年7月9日
【發(fā)明者】范文兵, 李浩亮, 趙龍賀, 范程龍, 馮文 申請(qǐng)人:鄭州大學(xué)