本發(fā)明屬于視頻檢測技術(shù)領(lǐng)域,具體涉及基于spectralclustering空間軌跡的聚類算法。
背景技術(shù):
隨著經(jīng)濟(jì)的快速發(fā)展和社會的進(jìn)步,人們生活水平的提高,機(jī)動車數(shù)目有了顯著的增多,與之相對的是道路交通通行能力明顯下降,出現(xiàn)了交通擁擠、道路阻塞等一系列問題。對道路的車流量進(jìn)行檢測和統(tǒng)計(jì),將該信息發(fā)送至監(jiān)管部門可以制定有效措施舒緩交通,到達(dá)治理交通的目的。同時(shí)長期的車流量統(tǒng)計(jì)為未來城市道路的設(shè)計(jì)及養(yǎng)護(hù)等提供了重要的依據(jù)。
基于交通場景的車輛檢測和車流量統(tǒng)計(jì),由于具有實(shí)時(shí)檢測性能、成本低、易安裝使用等優(yōu)勢越來越受到關(guān)注。但是目前常用的車輛檢測和車流量統(tǒng)計(jì)軟件受到車流量大小、場景復(fù)雜程度等限制,往往無法得到較高的精確度,在實(shí)際場景中,更是無法達(dá)到預(yù)期效果。
技術(shù)實(shí)現(xiàn)要素:
針對上述現(xiàn)有技術(shù)中存在的問題或缺陷,本發(fā)明的目的在于,提供基于spectralclustering空間軌跡的聚類算法。
為了實(shí)現(xiàn)上述目的,本發(fā)明采用如下技術(shù)方案:
基于spectralclustering空間軌跡的聚類算法,包括以下步驟:
步驟1,利用攝像機(jī)對道路進(jìn)行視頻圖像采集,得到視頻圖像中的每一幀圖像中的所有運(yùn)動目標(biāo)的多條運(yùn)動軌跡以及每條運(yùn)動軌跡上每個(gè)軌跡點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值;
設(shè)所有運(yùn)動目標(biāo)的運(yùn)動軌跡的數(shù)量為n,每條運(yùn)動軌跡上有r個(gè)連續(xù)的軌跡點(diǎn);其中,n為大于等于1的自然數(shù),r為大于等于1的自然數(shù);
所述圖像坐標(biāo)系以視頻圖像中每一幀圖像的任一角為原點(diǎn),以每一幀圖像的水平方向?yàn)閡軸,以每一幀圖像的豎直方向?yàn)関軸;
步驟2,利用剛體運(yùn)動約束對所有運(yùn)動目標(biāo)的n條運(yùn)動軌跡構(gòu)建相似矩陣進(jìn)行譜聚類,得到不同類別的運(yùn)動軌跡;
包括:
步驟21,以平行于道路車道標(biāo)線的方向?yàn)閥軸,以垂直于道路車道標(biāo)線的方向?yàn)閤軸,且x軸和y軸均與道路相平行,以x軸和y軸的交點(diǎn)為原點(diǎn)o,以攝像機(jī)與道路最短距離的方向?yàn)閦軸,建立世界坐標(biāo)系;
步驟22,從所有運(yùn)動目標(biāo)的多條運(yùn)動軌跡中任選兩條運(yùn)動軌跡,分別記為m和n,軌跡m的高度hm的方向?yàn)樗矫娴呢Q直方向,hm的取值范圍為1-3m,hm的取值間隔為0.1m;軌跡n的高度hn的方向?yàn)樗矫娴乃椒较?,hn的取值范圍為0-4m,hn的取值間隔為0.01m;
通過式(1)得到δd1面:
式(1)中,n(pi)表示軌跡n上的第i個(gè)軌跡點(diǎn),m(pi)表示軌跡m上第i個(gè)軌跡點(diǎn),m(pi+1)表示軌跡m上第i+1個(gè)軌跡點(diǎn),n(pi+1)表示軌跡n上第i+1個(gè)軌跡點(diǎn),i=1,2,....,r-1;m(pi)n(pi)表示同一時(shí)刻軌跡m上的軌跡點(diǎn)pi與軌跡n上的軌跡點(diǎn)pi在世界坐標(biāo)系中的距離;
通過式(2)得到δd2面:
式(2)中,n(pi)表示軌跡n上的第i個(gè)軌跡點(diǎn),m(pi)表示軌跡m上第i個(gè)軌跡點(diǎn),m(pi+1)表示軌跡m上第i+1個(gè)軌跡點(diǎn),n(pi+1)表示軌跡n上第i+1個(gè)軌跡點(diǎn),i=1,2,....,r-1;m(pi+1)m(pi)表示軌跡m上軌跡點(diǎn)pi和pi+1在世界坐標(biāo)系中的距離;
通過式(3)將軌跡點(diǎn)pi在圖像坐標(biāo)系中的坐標(biāo)值(ui,vi)轉(zhuǎn)換為世界坐標(biāo)系下的坐標(biāo)值(xi,yi,zi):
pi=c3×4-1λipi(3)
式(3)中,pi=[ui,vi,1]t,pi=[xi,yi,zi,1]t,λi為尺度因子,0≤λi≤1;c-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣;
步驟23,以hm、hn作為兩個(gè)軸構(gòu)建一個(gè)平面作為零平面,則δd1面、δd2面分別為垂直于零平面的兩個(gè)縱平面;
δd1面和δd2面分別與零平面形成兩條交線,作為δd1交線和δd2交線;設(shè)δd1交線和δd2交線之間的距離為δdiff12,且δd1交線和δd2交線之間的夾角為θ,δd1交線的斜率為k1,δd2交線的斜率為k2;
步驟24,通過式(4)得到相似矩陣a中的一個(gè)元素woq:
式(4)中,q=1,2,...n;o=1,2,...n;δd1ij表示當(dāng)軌跡m的高度為hmi、軌跡n的高度為hnj時(shí)的δd1值;δd2ij表示當(dāng)軌跡m的高度為hmi、軌跡n的高度為hnj時(shí)的δd2值;hmi=1,1.1,1.2,....,2.9,3,單位為m;hnj=0,0.01,0.02,...,3.99,4,單位為m;
步驟25,重復(fù)步驟22至步驟24,直至n條軌跡兩兩之間都被作為軌跡m和軌跡n,得到n×n的相似矩陣a,執(zhí)行步驟26;
步驟26,將相似矩陣a的特征值按照從大到小的順序排列,所有特征值的和為sn;
選取最小的k值,使得
步驟27,利用前k個(gè)特征值所對應(yīng)的特征向量構(gòu)建n×k維的特征向量空間,利用k-means算法對n×k維的特征向量空間進(jìn)行聚類,將n條運(yùn)動軌跡聚類為k個(gè)類別的運(yùn)動軌跡。
進(jìn)一步地,還包括:
步驟3,對步驟2得到的k個(gè)類別的運(yùn)動軌跡進(jìn)行類間合并,得到類間合并后的運(yùn)動軌跡;
包括:
步驟31,從步驟2聚類的k個(gè)類別的運(yùn)動軌跡中,任選兩個(gè)類別,分別記為ca和cb,設(shè)類別ca中軌跡pa的逆投影速度最小為va,類別cb中軌跡pb的逆投影速度最小為vb;其中,va≥0,vb≥0;
步驟32,若va小于vb,則將ca作為參考類別,軌跡pa作為參考類別的特征點(diǎn),將cb作為待合并類別,軌跡pb作為待合并類別的特征點(diǎn);若vb小于va,則將cb作為參考類別,軌跡pb作為參考類別的特征點(diǎn),將ca作為待合并類別,軌跡pa作為待合并類別的特征點(diǎn);
通過式(5)得到待合并類別的特征點(diǎn)的高度hp:
式(5)中,v為運(yùn)動目標(biāo)的速度,v=min(va,vb);vp為待合并類別的最小逆投影速度;hc為攝像機(jī)在世界坐標(biāo)系中的高度;
通過式(6)得到待合并類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值:
p′=c3×4-1λip′(6)
式(6)中,p′=[ui′,vi′,1]t;p′=[xi′,yi′,zi′,1]t;ui′,vi′為待合并類別的特征點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值;xi′,yi′,zi′為待合并類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值;λi為尺度因子,0≤λi≤1;c-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣;
通過式(7)得到參考類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值:
p″=c3×4-1λip″(7)
式(7)中,p″=[ui″,vi″,1]t;p″=[xi″,yi″,0,1]t;ui″,vi″為參考類別的特征點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值;xi″,yi″,0為參考類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值;λi為尺度因子,0≤λi≤1;c-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣;
步驟33,通過式(8)得到待合并類別的特征點(diǎn)與參考類別的特征點(diǎn)在世界坐標(biāo)系中的絕對距離δx,δy,δz:
步驟34,若δx=x′,δy=y(tǒng)′,δz=z′,則待合并類別和參考類別合并為一個(gè)類別;否則,執(zhí)行步驟35;
步驟35,重復(fù)步驟31至步驟34,直至k個(gè)類別的運(yùn)動軌跡都被作為合并類別和待合并類別,得到類間合并后的運(yùn)動軌跡。
進(jìn)一步地,通過式(9)得到所述攝像機(jī)的透視投影矩陣的逆矩陣c-13×4:
c3×4-1={k[r3×3|t3×1]}-1(9)
式(9)中,k表示攝像機(jī)的內(nèi)參數(shù)矩陣,r3×3表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的旋轉(zhuǎn)矩陣,t3×1表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的平移矩陣;
所述攝像機(jī)坐標(biāo)系是以攝像機(jī)的光心oc為坐標(biāo)系原點(diǎn),xc與圖像坐標(biāo)系的u軸方向一致,yc與圖像坐標(biāo)系的v軸方向一致,zc軸垂直于圖像坐標(biāo)系構(gòu)成的平面,而zc軸與圖像平面的交點(diǎn)稱為攝像機(jī)的主點(diǎn)。
進(jìn)一步地,所述圖像坐標(biāo)系以視頻圖像中每一幀圖像的左上角為原點(diǎn),以每一幀圖像的水平方向?yàn)閡軸,以每一幀圖像的豎直方向?yàn)関軸。
與現(xiàn)有技術(shù)相比,本發(fā)明具有以下技術(shù)效果:
本發(fā)明所提到的方法不受工程應(yīng)用上各類環(huán)境的影響和限制,并且易于實(shí)現(xiàn),能有效的對車輛進(jìn)行實(shí)時(shí)精確的檢測,因此具有很廣的應(yīng)用前景。
附圖說明
圖1為實(shí)施例1中視頻圖像中的一幀圖像;
圖2為實(shí)施例1中圖像坐標(biāo)系的示意圖;
圖3為實(shí)施例1中提取運(yùn)動目標(biāo)的特征點(diǎn)結(jié)果圖;
圖4為實(shí)施例1中車輛運(yùn)動軌跡跟蹤結(jié)果;
圖5為實(shí)施例1中世界坐標(biāo)系的示意圖;
圖6(a)為實(shí)施例1中2號軌跡和3號軌跡繪制的δd1面和δd2面;圖6(b)為δd1交線和δd2交線;
圖7(a)為實(shí)施例1中0號軌跡和2號軌跡跡繪制的δd1面和δd2面;圖7(b)為δd1交線和δd2交線;
圖8為從實(shí)施例1中選取的4條運(yùn)動軌跡;
圖9為實(shí)施例1中一部分運(yùn)動軌跡的聚類結(jié)果圖;
圖10攝像機(jī)成像模型及三種坐標(biāo)系的關(guān)系。
具體實(shí)施方式
下面通過附圖和實(shí)施例對本發(fā)明作進(jìn)一步說明。
實(shí)施例1
本實(shí)施例提供了基于spectralclustering空間軌跡的聚類算法,包括以下步驟:
步驟1,利用攝像機(jī)對道路進(jìn)行視頻圖像采集,對視頻圖像中的每一幀圖像中的所有運(yùn)動目標(biāo)采用orb算法提取特征點(diǎn),然后利用基于雙向加權(quán)可逆性約束的klt跟蹤算法對特征點(diǎn)進(jìn)行跟蹤,得到所有運(yùn)動目標(biāo)的多條運(yùn)動軌跡以及每條運(yùn)動軌跡上每個(gè)軌跡點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值;
其中,orb算法來自于rubleee.,rabaudv.,konoligek.,bradskig.orb:anefficientalternativetosiftorsurf[j].proc.ofieeeconf.oncomputervision,2011:2564-2571.
klt跟蹤算法來自于klt跟蹤算法來自于宋琳,程詠梅,劉楠等.采用多重約束的無人機(jī)導(dǎo)航klt視覺跟蹤算法[j].紅外與激光工程,2013.42(10):2828-2835.
設(shè)所有運(yùn)動目標(biāo)的運(yùn)動軌跡的數(shù)量為n,每條運(yùn)動軌跡上有r個(gè)連續(xù)的軌跡點(diǎn);其中,n為大于等于1的自然數(shù),r為大于等于1的自然數(shù);
所述圖像坐標(biāo)系以視頻圖像中每一幀圖像的任一角為原點(diǎn),以每一幀圖像的水平方向?yàn)閡軸,以每一幀圖像的豎直方向?yàn)関軸;
所述圖像坐標(biāo)系以視頻圖像中每一幀圖像的左下角為原點(diǎn),以每一幀圖像的水平方向?yàn)閡軸,以每一幀圖像的豎直方向?yàn)関軸,如圖2所示。
本實(shí)施例采用的交通視頻均為720×288的灰度圖像,如圖1所示為其中一幀圖像,圖3為對圖1圖像中的運(yùn)動目標(biāo)采用orb算法提取的特征點(diǎn),圖4為圖1圖像中的多條運(yùn)動軌跡,每條軌跡有相應(yīng)的編號,共33條,其中0~1號軌跡為同一輛車的軌跡,2~9號軌跡為同一輛車的軌跡,10~16與19~32號軌跡為同一輛車的軌跡,17~18號軌跡為同一輛車的軌跡。
步驟2,利用剛體運(yùn)動約束對所有運(yùn)動目標(biāo)的n條運(yùn)動軌跡構(gòu)建相似矩陣進(jìn)行譜聚類,得到不同類別的運(yùn)動軌跡;
包括:
步驟21,如圖5,以平行于道路車道標(biāo)線的方向?yàn)閥軸,以垂直于道路車道標(biāo)線的方向?yàn)閤軸,且x軸和y軸均與道路相平行,以x軸和y軸的交點(diǎn)為原點(diǎn)o,以攝像機(jī)與道路最短距離的方向?yàn)閦軸,建立世界坐標(biāo)系;
步驟22,本實(shí)施例的聚類方法所采用的原理為:剛體在其運(yùn)動過程中,具有兩個(gè)特點(diǎn):1、剛體上任意的兩個(gè)點(diǎn)之間的連線在剛體做平動過程中是平行且相等的;2、剛體上的任意質(zhì)元之間的位置矢量是不同的,他們之間相差一個(gè)恒矢量,但是各個(gè)質(zhì)元的位移、速度以及加速度是完全相同的。
從所有運(yùn)動目標(biāo)的多條運(yùn)動軌跡中任選兩條運(yùn)動軌跡,分別記為m和n,設(shè)每條軌跡上有r個(gè)連續(xù)的軌跡點(diǎn),軌跡m的高度hm的方向?yàn)樗矫娴呢Q直方向,hm的取值范圍為1-3m,hm的取值間隔為0.1m;軌跡n的高度hn的方向?yàn)樗矫娴乃椒较?,hn的取值范圍為0-4m,hn的取值間隔為0.01m;
通過式(1)得到δd1面:
式(1)中,n(pi)表示軌跡n上的第i個(gè)軌跡點(diǎn),m(pi)表示軌跡m上第i個(gè)軌跡點(diǎn),m(pi+1)表示軌跡m上第i+1個(gè)軌跡點(diǎn),n(pi+1)表示軌跡n上第i+1個(gè)軌跡點(diǎn),i=1,2,....,r-1;m(pi)n(pi)表示同一時(shí)刻軌跡m上的軌跡點(diǎn)pi與軌跡n上的軌跡點(diǎn)pi在世界坐標(biāo)系中的距離;
通過式(2)得到δd2面:
式(2)中,n(pi)表示軌跡n上的第i個(gè)軌跡點(diǎn),m(pi)表示軌跡m上第i個(gè)軌跡點(diǎn),m(pi+1)表示軌跡m上第i+1個(gè)軌跡點(diǎn),n(pi+1)表示軌跡n上第i+1個(gè)軌跡點(diǎn),i=1,2,....,r-1;m(pi+1)m(pi)表示軌跡m上軌跡點(diǎn)pi和pi+1在世界坐標(biāo)系中的距離;
通過式(3)將軌跡點(diǎn)pi在圖像坐標(biāo)系中的坐標(biāo)值(ui,vi)轉(zhuǎn)換為世界坐標(biāo)系下的坐標(biāo)值(xi,yi,zi):
p=c3×4-1λip(3)
式(3)中,p=[ui,vi,1]t,p=[xi,yi,zi,1]t,λi為尺度因子,0≤λi≤1;c-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣;
步驟23,以hm、hn作為兩個(gè)軸構(gòu)建一個(gè)平面作為零平面,則δd1、δd2分別為垂直于零平面的兩個(gè)縱平面,分別作為δd1面和δd2面;
δd1面和δd2面分別與零平面形成兩條交線,作為δd1交線和δd2交線;設(shè)δd1交線和δd2交線之間的距離為δdiff12,且δd1交線和δd2交線之間的夾角為θ,δd1交線的斜率為k1,δd2交線的斜率為k2;
步驟24,通過式(4)得到相似矩陣a中的一個(gè)元素woq:
式(4)中,q=1,2,...n;o=1,2,...n;δd1ij表示當(dāng)軌跡m的高度為hmi、軌跡n的高度為hnj時(shí)的δd1值;δd2ij表示當(dāng)軌跡m的高度為hmi、軌跡n的高度為hnj時(shí)的δd2值;hmi=1,1.1,1.2,....,2.9,3,單位為m;hnj=0,0.01,0.02,...,3.99,4,單位為m;
步驟25,重復(fù)步驟22至步驟24,直至n條軌跡兩兩之間都被作為軌跡m和軌跡n,得到n×n的相似矩陣a,執(zhí)行步驟26;
步驟26,將相似矩陣a的特征值按照從大到小的順序排列,所有特征值的和為sn;
選取最小的k值,使得
本實(shí)施例中,δ=95%;
步驟27,利用前k個(gè)特征值所對應(yīng)的特征向量構(gòu)建n×k維的特征向量空間,利用k-means算法對n×k維的特征向量空間進(jìn)行聚類,將n條運(yùn)動軌跡聚類為k個(gè)類別的運(yùn)動軌跡;
本實(shí)施例中,如圖6(a)所示為2號軌跡和3號軌跡繪制的δd1面和δd2面,圖6(b)為δd1交線和δd2交線,由圖6(a)、圖6(b)中可以看出2號軌跡和3號軌跡的δd1交線和δd2交線之間的高度差異δdiff12很小,并且兩條直線之間的夾角θ很小,在閾值范圍內(nèi),屬于同一輛車的運(yùn)動軌跡,所以為一個(gè)類別;
如圖7(a)所示為0號軌跡和2號軌跡跡繪制的δd1面和δd2面,圖7(b)δd1交線和δd2交線,由圖7(a)、圖7(b)中可以看出0號軌跡和2號軌跡的δd1交線和δd2交線之間的高度差異δdiff12和兩條交線之間的夾角θ都超過了閾值范圍,不屬于同一輛車的運(yùn)動軌跡,所以屬于兩個(gè)類別;
圖8為從圖4張選取的4條運(yùn)動軌跡圖,分別記為0號、1號、2號、3號運(yùn)動軌跡;
表1為圖8中4個(gè)軌跡得到的軌跡兩兩對比計(jì)算得到的δdiff12和θ結(jié)果;
表1
根據(jù)表1中的數(shù)據(jù)可得到相似矩陣a為
本實(shí)施例的聚類結(jié)果圖,如圖9所示為一部分運(yùn)動軌跡的聚類結(jié)果圖。
實(shí)施例2
本實(shí)施例在實(shí)施例1的基礎(chǔ)上,為了使聚類的精度更高,還包括:
步驟3,對步驟2得到的k個(gè)類別的運(yùn)動軌跡進(jìn)行類間合并,得到類間合并后的運(yùn)動軌跡。
包括:
步驟31,從步驟2聚類的k個(gè)類別的運(yùn)動軌跡中,任選兩個(gè)類別,分別記為ca和cb,設(shè)類別ca中軌跡pa的逆投影速度最小為va,類別cb中軌跡pb的逆投影速度最小為vb;
步驟32,若va小于vb,則ca為參考類別,軌跡pa為參考類別的特征點(diǎn),cb為待合并類別,軌跡pb為特征點(diǎn);若vb小于va,則cb為參考類別,軌跡pb為參考類別的特征點(diǎn),ca為待合并類別,軌跡pa為待合并類別的特征點(diǎn);
通過式(5)得到待合并類別的特征點(diǎn)的高度hp:
式(5)中,v為運(yùn)動目標(biāo)的速度,v=min(va,vb);vp為待合并類別的最小逆投影速度;hc為攝像機(jī)在世界坐標(biāo)系中的高度;
通過式(6)得到待合并類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值:
p′=c3×4-1λip′(6)
式(6)中,p′=[ui′,vi′,1]t;p′=[xi′,yi′,zi′,1]t;ui′,vi′為待合并類別的特征點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值;xi′,yi′,zi′為待合并類別的特征點(diǎn)在世界坐標(biāo)系匯總的;λi為尺度因子,0≤λi≤1;c-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣;
本實(shí)施例中,c3×4-1={k[r3×3|t3×1]}-1,k表示的攝像機(jī)的內(nèi)參數(shù)矩陣,該參數(shù)對于該攝像機(jī)是固定的3×3矩陣,r3×3表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的旋轉(zhuǎn)矩陣,t3×1表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的平移矩陣;
攝像機(jī)坐標(biāo)系是以攝像機(jī)的光心oc為坐標(biāo)系原點(diǎn),xc與圖像坐標(biāo)系的u軸方向一致,yc與圖像坐標(biāo)系的v軸方向一致,zc軸垂直于圖像坐標(biāo)系構(gòu)成的平面,而zc軸與圖像平面的交點(diǎn)稱為攝像機(jī)的主點(diǎn)。如圖10。
通過式(7)得到參考類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值:
p″=c3×4-1λip″(7)
式(7)中,p″=[ui″,vi″,1]t;p″=[xi″,yi″,0,1]t;ui″,vi″為參考類別的特征點(diǎn)在圖像坐標(biāo)系中的坐標(biāo)值;xi″,yi″,0為參考類別的特征點(diǎn)在世界坐標(biāo)系中的坐標(biāo)值;λi為尺度因子,0≤λi≤1;c-13×4表示攝像機(jī)的透視投影矩陣的逆矩陣;
本實(shí)施例中,c3×4-1={k[r3×3|t3×1]}-1,k表示的攝像機(jī)的內(nèi)參數(shù)矩陣,該參數(shù)對于該攝像機(jī)是固定的3×3矩陣,r3×3表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的旋轉(zhuǎn)矩陣,t3×1表示攝像機(jī)坐標(biāo)系與世界坐標(biāo)系之間的平移矩陣;
攝像機(jī)坐標(biāo)系是以攝像機(jī)的光心oc為坐標(biāo)系原點(diǎn),xc、yc軸平行于二維圖像平面,xc與圖像坐標(biāo)系的u軸方向一致,yc與圖像坐標(biāo)系的v軸方向一致,zc軸垂直于圖像坐標(biāo)系構(gòu)成的平面,而zc軸與圖像平面的交點(diǎn)稱為攝像機(jī)的主點(diǎn)。如圖10。
步驟33,通過式(8)得到待合并類別的特征點(diǎn)與參考類別的特征點(diǎn)在世界坐標(biāo)系中的絕對距離δx,δy,δz:
步驟34,若δx=x′,δy=y(tǒng)′,δz=z′,則待合并類別和參考類別合并為一個(gè)類別;否則,執(zhí)行步驟35;
步驟35,重復(fù)步驟31至步驟34,直至k個(gè)類別的運(yùn)動軌跡都被作為合并類別和待合并類別,得到類間合并后的運(yùn)動軌跡。