基于變分光流實現(xiàn)車輛跟蹤的方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息處理技術(shù)領(lǐng)域，尤其涉及智能交通中車輛跟蹤的技術(shù)領(lǐng)域，具體 是指一種基于變分光流實現(xiàn)車輛跟蹤的方法。
【背景技術(shù)】
[0002] 智能交通視頻監(jiān)控算法主要包含車輛檢測、車輛跟蹤和車輛行為分析三個步驟。 車輛檢測實現(xiàn)初始交通場景中車輛目標(biāo)的提??；車輛跟蹤對提取的車輛目標(biāo)進行實時的運 動描述，并生成各自的運動軌跡；行為分析基于產(chǎn)生的運動軌跡的規(guī)律來判斷車輛是否發(fā) 生違章行為或處于異常狀態(tài)。
[0003] 車輛跟蹤技術(shù)具有重要的應(yīng)用價值和發(fā)展前景，近年來發(fā)展迅速。車輛跟蹤試圖 在各幀圖像之間確定目標(biāo)相關(guān)信息參數(shù)的相互關(guān)系，通過前、后幀之間的對應(yīng)匹配來獲取 目標(biāo)的軌跡信息。常見跟蹤算法可歸為以下四類。
[0004] (1)點跟蹤法：包括單點跟蹤和多點跟蹤，主要利用目標(biāo)歷史位置、速度等信息實 現(xiàn)鄰幀之間的目標(biāo)關(guān)聯(lián)，如kalman濾波法，光流法，SIFT匹配法。
[0005] (2)核跟蹤法：核跟蹤法通過對車輛外觀模型在連續(xù)幀之間進行匹配來計算目標(biāo) 的運動，包括基于模版的方法、基于概率模型的方法和多視覺模型的方法。這類算法涉及 的三個基本要素是目標(biāo)外觀模型、搜索策略和相似性度量。常采用的搜索策略有窮舉法、 目標(biāo)函數(shù)優(yōu)化法和統(tǒng)計性方法等；而相似性度量標(biāo)準(zhǔn)一般采用平方差和（Sum of Squared Difference，SSD)、互相關(guān)系數(shù)、正則化相關(guān)系數(shù)等?；谀０娴姆椒▽嵸|(zhì)上就是進行模版 匹配?；诟怕誓Ｐ偷姆椒▽⒛繕?biāo)區(qū)域的特征用概率分布模型表示，通過模型匹配實施跟 蹤，如基于顏色直方圖的目標(biāo)跟蹤、基于LBP紋理特征的目標(biāo)跟蹤、基于GM(1，1)模型的跟 蹤、基于馬爾可夫隨機場|旲型的跟蹤、基于均值漂移的跟蹤、基于質(zhì)心迭代的跟蹤、基于粒 子濾波器的跟蹤和基于多特征自適應(yīng)融合的目標(biāo)跟蹤。其中基于多特征自適應(yīng)融合的目標(biāo) 跟蹤常采用的特征包括點、線、角點、顏色等?；诙嘁曈X模型的方法能夠適應(yīng)目標(biāo)姿態(tài)變 化引起的外觀變化，常見的有基于主成份分析（PCA)和基于分類器的方法，如Adaboost分 類器。
[0006] (3)結(jié)構(gòu)模型跟蹤法：根據(jù)先驗知識建立目標(biāo)的幾何模型，跟蹤時先根據(jù)上一幀結(jié) 果預(yù)測當(dāng)前幀目標(biāo)姿態(tài)，將處于預(yù)測姿態(tài)的目標(biāo)模型投影到圖像平面，計算匹配誤差；然后 通過優(yōu)化預(yù)測姿態(tài)、最小化目標(biāo)函數(shù)獲得當(dāng)前跟蹤結(jié)果。常用的結(jié)構(gòu)模型為3D線框模型。
[0007] (4)剪影跟蹤法：首要任務(wù)是獲取目標(biāo)的輪廓，精確得到目標(biāo)占據(jù)的區(qū)域；如基于 主動輪廓模型的跟蹤法。
[0008] 此外，車輛跟蹤算法根據(jù)算法驅(qū)動方式不同，還可分為自下而上的數(shù)據(jù)驅(qū)動方法， 典型代表為Mean Shift算法，和自上而下的模型驅(qū)動方法，典型代表為粒子濾波算法。
[0009] 上述的車輛跟蹤算法存在以下缺點：
[0010] (1)目標(biāo)的模型建立、輪廓獲取難度大，且目標(biāo)函數(shù)定義或優(yōu)化較復(fù)雜；
[0011] (2)搜索策略計算量較大，很難達到實時跟蹤要求
[0012] (3)目標(biāo)特征不能及時得到更新，姿態(tài)變化易導(dǎo)致跟丟；
[0013] (4)跟蹤過程與檢測結(jié)果相對獨立，無交互；
[0014] (5)對光線變化、相鄰目標(biāo)遮擋等因素敏感；
[0015] (6)對由于遮擋、錯誤消去等原因造成的短暫丟失的目標(biāo)無法繼續(xù)跟蹤。

【發(fā)明內(nèi)容】

[0016] 本發(fā)明的目的是克服了上述現(xiàn)有技術(shù)的缺點，提供了一種能夠?qū)崿F(xiàn)準(zhǔn)確實時跟蹤 多個車輛、添加抗光照因子彌補光流場在光照突變條件下魯棒性不高的不足、適用于對算 法實時性要求較高的電子警察產(chǎn)品或電子卡口產(chǎn)品中、具有更廣泛應(yīng)用范圍的基于變分光 流實現(xiàn)車輛跟蹤的方法。
[0017] 為了實現(xiàn)上述目的，本發(fā)明的基于變分光流實現(xiàn)車輛跟蹤的方法具有如下構(gòu)成：
[0018] 該基于變分光流實現(xiàn)車輛跟蹤的方法，其主要特點是，所述的方法包括以下步 驟：
[0019] (1)從視頻電子警察中獲取車輛影像并確定目標(biāo)跟蹤區(qū)域；
[0020] (2)在所述的目標(biāo)跟蹤區(qū)域中提取特征點；
[0021] (3)采用變分光流方程計算各個特征點的運動矢量；
[0022] (4)根據(jù)所述的各個特征點的運動矢量確定車輛的位移。
[0023] 較佳地，所述的從視頻電子警察中獲取車輛影像并確定目標(biāo)跟蹤區(qū)域，包括以下 步驟：
[0024] (11)從視頻電子警察中獲取拍攝的圖片并檢測到車輛位置；
[0025] (12)采用圖片中能覆蓋車尾的圖像區(qū)域作為目標(biāo)跟蹤區(qū)域。
[0026] 較佳地，所述的在所述的目標(biāo)跟蹤區(qū)域中提取特征點，具體為：
[0027] 在所述的目標(biāo)跟蹤區(qū)域中采用Harris角點檢測算法提取特征點。
[0028] 更佳地，所述的在所述的目標(biāo)跟蹤區(qū)域中采用Harris角點檢測算法提取特征點， 包括以下步驟：
[0029] (21)對所述的目標(biāo)跟蹤區(qū)域中的各個像素點按照以下公式計算相關(guān)矩陣：
【主權(quán)項】
1. 一種基于變分光流實現(xiàn)車輛跟蹤的方法，其特征在于，所述的方法包括以下步驟： (1) 從視頻電子警察中獲取車輛影像并確定目標(biāo)跟蹤區(qū)域； (2) 在所述的目標(biāo)跟蹤區(qū)域中提取特征點； (3) 采用變分光流方程計算各個特征點的運動矢量； (4) 根據(jù)所述的各個特征點的運動矢量確定車輛的位移。
2. 根據(jù)權(quán)利要求1所述的基于變分光流實現(xiàn)車輛跟蹤的方法，其特征在于，所述的從 視頻電子警察中獲取車輛影像并確定目標(biāo)跟蹤區(qū)域，包括以下步驟： (11) 從視頻電子警察中獲取拍攝的圖片并檢測到車輛位置； (12) 采用圖片中能覆蓋車尾的圖像區(qū)域作為目標(biāo)跟蹤區(qū)域。
3. 根據(jù)權(quán)利要求1所述的基于變分光流實現(xiàn)車輛跟蹤的方法，其特征在于，所述的在 所述的目標(biāo)跟蹤區(qū)域中提取特征點，具體為： 在所述的目標(biāo)跟蹤區(qū)域中采用Harris角點檢測算法提取特征點。
4. 根據(jù)權(quán)利要求3所述的基于變分光流實現(xiàn)車輛跟蹤的方法，其特征在于，所述的在 所述的目標(biāo)跟蹤區(qū)域中采用Harris角點檢測算法提取特征點，包括以下步驟： (21) 對所述的目標(biāo)跟蹤區(qū)域中的各個像素點按照以下公式計算相關(guān)矩陣： A = \ν(.\\ ν)??;. B = u(.v, v)?/,2. C = D = u'(.v,v)? (/,/,). ' ， 其中，A、B、C、D為各個像素點的相關(guān)矩陣，w (x, y)為各個像素點對應(yīng)的高斯系數(shù)，Ix、 Iy為各個像素點對應(yīng)的偏導(dǎo)； (22) 按照如下公式計算各個像素點的Harris角點的角點響應(yīng)函數(shù)R : R = (AB-CD) 2-k (A+B)2 ; 其中，k ?。?· 04 ~0· 06); (23) 在所述的目標(biāo)跟蹤區(qū)域內(nèi)提取各個像素點的角點響應(yīng)函數(shù)R的極大值，將極大值 大于系統(tǒng)預(yù)設(shè)閾值的像素點確定為特征點。
5. 根據(jù)權(quán)利要求1所述的基于變分光流實現(xiàn)車輛跟蹤的方法，其特征在于，所述的采 用變分光流方程計算各個特征點的運動矢量，包括以下步驟： (31) 對各個特征點計算數(shù)據(jù)項和平滑項，并按照如下公式建立基于變光分流算法的能 量泛函方程： E (u，V) = Edata (u，V) + a E smooth (u, v); 其中，Edata(u，v)為數(shù)據(jù)項，數(shù)據(jù)項為各個特征點的灰度值守恒約束，Es_th(u，v)為平滑 項，平滑項為各個特征點的光流平滑約束，u和V分別為各個特征點在x、y方向上的速度分 量，α為影響數(shù)據(jù)項與平滑項所占比重的權(quán)值。 (32) 對所述的能量泛函方程進行求解得到各個特征點的運動矢量（u，V)。
6. 根據(jù)權(quán)利要求5所述的基于變分光流實現(xiàn)車輛跟蹤的方法，其特征在于，所述的對 各個特征點計算數(shù)據(jù)項和平滑項，包括以下步驟： (311)按照如下公式計算各個特征點的數(shù)據(jù)項Edata(u，V):
(312)按照如下公式計算各個特征點的平滑項Es_th(u，v):
7. 根據(jù)權(quán)利要求6所述的基于變分光流實現(xiàn)車輛跟蹤的方法，其特征在于，所述的對 所述的能量泛函方程進行求解得到各個特征點的運動矢量，包括以下步驟： (321) 初始化各個特征點的運動矢量的u和V,使得（Uci, Vci) = (0, 0); (322) 按照如下公式建立穩(wěn)態(tài)方程并求出u和V的變化值Λ u和Λ V :
其中，Ix為點（x+u^y+Vi)周圍四鄰域的圖像X偏導(dǎo)的平均值，Iy為點（x+i^y+Vi)周 圍四鄰域的圖像y偏導(dǎo)的平均值，It為點（x+Ui，y+Vi)周圍四鄰域的此幀與下一幀灰度值的 差值； (323) 按照如下公式確定各個特征點下一次迭代的運動矢量值： ui+1 = Ui+Au vi+1 = Vi+ Δ v ; (324) 判斷u和ν的變化值A(chǔ)u和Λν是否趨向于0,如果是，則繼續(xù)步驟（325)，否則 繼續(xù)步驟（322); (325) 將當(dāng)前ui+1和vi+1的值確定為對應(yīng)特征點的運動矢量。
8. 根據(jù)權(quán)利要求5所述的基于變分光流實現(xiàn)車輛跟蹤的方法，其特征在于，所述的根 據(jù)所述的各個特征點的運動矢量確定車輛的位移，包括以下步驟： (41) 根據(jù)所述的各個特征點的運動矢量計算（u，V)的平均值（); (42) 對運動矢量（Ui，Vi)在（M ±10)范圍內(nèi)的光流計算平均值并將該平均值確 定為車輛的位移。
【專利摘要】本發(fā)明涉及一種基于變分光流實現(xiàn)車輛跟蹤的方法，其中包括從視頻電子警察中獲取車輛影像并確定目標(biāo)跟蹤區(qū)域，即從視頻電子警察中獲取拍攝的圖片并檢測到車輛位置后采用圖片中能覆蓋車尾的圖像區(qū)域作為目標(biāo)跟蹤區(qū)域；在所述的目標(biāo)跟蹤區(qū)域中提取特征點；采用變分光流方程計算各個特征點的運動矢量；根據(jù)所述的各個特征點的運動矢量確定車輛的位移。采用該種基于變分光流實現(xiàn)車輛跟蹤的方法，可應(yīng)用于對算法實時性要求較高的電子警察產(chǎn)品或電子卡口產(chǎn)品中，可以實現(xiàn)準(zhǔn)確、實時地跟蹤多個車輛，并添加抗光照因子彌補光流場在光照突變條件下魯棒性不高的不足，抗光照干擾，避免環(huán)境光巨變引起的跟丟情況，方法應(yīng)用簡便，具有更廣泛的應(yīng)用范圍。
【IPC分類】G06T7-20
【公開號】CN104658006
【申請?zhí)枴緾N201310598033
【發(fā)明人】蔣慧濤
【申請人】上海寶康電子控制工程有限公司
【公開日】2015年5月27日
【申請日】2013年11月22日