一種基于無人機(jī)航拍圖像的車輛軌跡提取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，設(shè)及一種基于無人機(jī)低空航拍圖像的車輛軌跡提 取方法，適用于交通監(jiān)控領(lǐng)域。
【背景技術(shù)】
[0002] 無人機(jī)在交通監(jiān)控領(lǐng)域具有非常大應(yīng)用前景，比如應(yīng)用無人機(jī)進(jìn)行突發(fā)事件下的 快速交通態(tài)勢感知?，F(xiàn)有交通監(jiān)控方式主要是依靠安裝于固定點(diǎn)（如電線桿）的攝像頭、微 波雷達(dá)等斷面檢測方式，無法獲取宏觀的交通狀態(tài)數(shù)據(jù)，且未安裝監(jiān)控設(shè)備的地點(diǎn)無法獲 取交通狀態(tài)。無人機(jī)本身是一個(gè)移動的數(shù)據(jù)采集平臺，相對于固定式交通監(jiān)控方式，具有機(jī) 動性強(qiáng)、視野廣、飛行不受地面限制的優(yōu)勢，因此可實(shí)現(xiàn)宏觀交通狀態(tài)數(shù)據(jù)提取，對于未安 裝固定交通監(jiān)控設(shè)備的路段也可W實(shí)現(xiàn)交通監(jiān)控。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是為了解決上述問題，提出了一種基于無人機(jī)航拍圖像的車輛軌跡 提取方法，首先基于化ar特征級聯(lián)分類器進(jìn)行車輛檢測，然后基于位置預(yù)測與多通道顏色 直方圖相似性實(shí)現(xiàn)車輛跟蹤，實(shí)現(xiàn)車輛軌跡提取。
[0004] 本發(fā)明W全新的研究著入點(diǎn)，針對無人機(jī)低空航拍圖像提出一種基于無人機(jī)航拍 圖像的車輛軌跡提取方法，通過下述步驟實(shí)現(xiàn)：
[0005] 步驟1:基于化ar分類器檢測車輛；
[0006] 對于無人機(jī)低空航拍圖像序列，采用基于化ar分類器進(jìn)行車輛檢測，Haar分類器 需要基于樣本庫進(jìn)行訓(xùn)練，樣本庫是一個(gè)包含正負(fù)樣本的圖像數(shù)據(jù)集，需要手工從包括正 負(fù)樣本的圖像中進(jìn)行選取?；谟?xùn)練的化ar分類器進(jìn)行車輛檢測，獲取車輛在航拍圖像中 的像素坐標(biāo)、大小(長、寬)和帖號，然后獲取該車RGB彩色空間的R通道、G通道、B通道和灰度 圖4個(gè)通道的顏色直方圖，用于后續(xù)步驟中進(jìn)行不同帖間的車輛關(guān)聯(lián)。
[0007] 步驟2:基于位置預(yù)測篩選疑似候選車輛；
[000引取前一帖中某輛被檢測到的車為待跟蹤的目標(biāo)車輛，并W該車的位置為中屯、劃定 一個(gè)矩形預(yù)測區(qū)域(默認(rèn)尺寸為目標(biāo)車輛的兩倍），當(dāng)前帖中被檢測到的車輛其中屯、落入該 矩形預(yù)測區(qū)域的都作為目標(biāo)車輛的疑似目標(biāo)車輛；
[0009]步驟3:基于4通道顏色直方圖相似性確定目標(biāo)車輛；
[0010]上步中篩選到的疑似候選車輛一般會有1~2輛，為確認(rèn)目標(biāo)車輛，通過4通道顏色 直方圖相似性進(jìn)行篩選。依次計(jì)算目標(biāo)車輛與疑似候選車輛的顏色直方圖相似性值，并根 據(jù)大小進(jìn)行排序，選定其中最大的相似性值，若該值大于某設(shè)定的闊值，則認(rèn)為與該相似性 值對應(yīng)的疑似候選車輛與目標(biāo)車輛為同一輛車，將疑似候選車輛當(dāng)前帖中的帖號、坐標(biāo)、尺 寸大小、顏色直方圖信息傳遞給目標(biāo)車輛，完成目標(biāo)車輛信息更新，，即實(shí)現(xiàn)了車輛的跟蹤。 若最大的相似性值小于某設(shè)定的闊值，則認(rèn)為在該帖圖像中未找到目標(biāo)車輛，即目標(biāo)車輛 跟蹤失敗。當(dāng)前帖中跟蹤失敗的車輛將在下一帖中重新進(jìn)行捜索，其區(qū)別在于，為了捜索到 跟蹤失敗的車輛，w該車在前帖中的位置為中屯、的矩形預(yù)測區(qū)域尺寸會進(jìn)行放大(默認(rèn)尺 寸為目標(biāo)車輛的四倍），W增大捜索到跟蹤失敗車輛的概率。當(dāng)跟蹤失敗的車輛在后續(xù)連續(xù) 3帖圖像中都無法被跟蹤到時(shí)，算法會對該車做拋棄處理，不再跟蹤，運(yùn)樣做的好處是可W 屏蔽一些被誤判斷為車輛的非車輛物體。
[0011] 步驟4:車輛軌跡提?。?br>[0012] 當(dāng)被跟蹤的車輛從圖像中消失，即結(jié)束跟蹤，并將車輛在不同帖中的位置、帖號輸 出保存，即完成了車輛軌跡提取。
[001引本發(fā)明的優(yōu)點(diǎn)在于：
[0014] (1)無人機(jī)航拍圖像具有視野廣、機(jī)動性強(qiáng)、飛行不受地形的影響，相對于基于固 定攝像頭的車輛軌跡提取方法，基于無人機(jī)航拍圖像的車輛軌跡提取方法具有車輛不會被 遮擋，不存在透視變形的優(yōu)勢。本發(fā)明所采用的位置預(yù)測方法，可大幅縮小目標(biāo)疑似車輛的 捜索區(qū)域，大大減少了目標(biāo)疑似車輛的數(shù)量，降低了目標(biāo)車輛與疑似車輛的區(qū)分難度，提高 了車輛跟蹤精度；
[0015] (2)本發(fā)明創(chuàng)新性的聯(lián)合多顏色直方圖相似性進(jìn)行目標(biāo)車輛篩選，對相同車輛與 其他車輛具有很高的區(qū)分度;所述的車輛軌跡提取方法在車輛跟蹤中斷的情況下，能夠自 動恢復(fù)跟蹤；
[0016] (3)本發(fā)明所述的車輛軌跡提取算法可同時(shí)跟蹤并檢測幾十到上百輛的車輛軌 跡，具有突破性的創(chuàng)新。
【附圖說明】
[0017] 圖1為本發(fā)明中用于車輛檢測的HAAR特征；
[001引圖2為基于HAAR特征進(jìn)行車輛檢測；
[0019]圖3為用于訓(xùn)練化ar分類器的樣本圖像；
[0020]圖4為位置預(yù)測圖；
[0021 ]圖5為車輛4通道顏色直方圖；
[0022] 圖6為本發(fā)明的方法流程圖。
【具體實(shí)施方式】
[0023] 下面將結(jié)合附圖和實(shí)施例對本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0024] 本發(fā)明提供一種基于無人機(jī)航拍圖像的車輛軌跡提取方法，所述方法首先基于 化ar分類器對圖像序列進(jìn)行處理檢測車輛，然后基于位置預(yù)測與多通道顏色直方圖相似性 實(shí)現(xiàn)車輛跟蹤，然后實(shí)現(xiàn)車輛軌跡提取。運(yùn)里W-輛車的車輛軌跡提取來介紹基于航拍圖 像的高速路車輛軌跡提取算法，單輛車的軌跡提取流程如圖6所示，具體處理步驟如下：
[0025] 步驟1:基于化ar分類器檢測車輛；
[0026] 對于無人機(jī)低空航拍圖像序列，采用基于化ar分類器進(jìn)行車輛檢測，所用的化ar 特征為圖1所示的，基于化ar分類器的車輛檢測效果如圖2所示。所述的化ar分類器在檢測 車輛前首先需要基于正負(fù)樣本進(jìn)行訓(xùn)練，所用的訓(xùn)練方法為adaboost算法，其中正樣本如 圖3左圖所示，負(fù)樣本如圖3右圖所示。采用化ar分類器檢測車輛，運(yùn)里選取其中的任一目標(biāo) 車輛化，得到化在該帖圖像中的像素坐標(biāo)Pi(xi，yi)，寬高(wi，hi)，并計(jì)算該車四個(gè)通道的顏 色直方圖。
[0027]步驟2:基于位置預(yù)測篩選疑似候選車輛；
[00%]如圖4的位置預(yù)測圖所示，為提取目標(biāo)車輛化的軌跡，需對其進(jìn)行跟蹤?；诨痑r 分類器檢測下一帖圖像，基于Pi(xi，yi)，寬高(wi山)設(shè)置矩形預(yù)測區(qū)域R(如圖4)，其中在第 t+1帖中R的定義為：
[0029] R: {(xt+i，yt+i) I xt+iE [xi±awi] η [1, ImgW] ,yt+iE [yi±ahi] η [1 ,Im巧]} (1)
[0030] 其中：其中（xt+i，yt+i)為矩形預(yù)測區(qū)域R內(nèi)的任意一點(diǎn)，該點(diǎn)滿足公式（1)中定義的 條件。ImgW和Im巧為無人機(jī)航拍圖像的寬和高，α是一個(gè)比例因子，默認(rèn)值為1。
[0031] 對第t+1帖檢測到的車輛，其車輛中屯、落入該矩形預(yù)測區(qū)域R的所有車輛都作為疑 似目標(biāo)車輛，圖4中展示在第t+1帖有2輛疑似目標(biāo)車輛。
[0032] 步驟3:基于4個(gè)通道的顏色直方圖相似性確定目標(biāo)車輛化；
[0033] 對步驟2中的兩輛疑似目標(biāo)