一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種智能交通視頻監(jiān)控系統(tǒng)數(shù)據(jù)的運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法，屬于圖像 處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 智能交通系統(tǒng)以其全天時(shí)，全天候、監(jiān)控范圍大等優(yōu)點(diǎn)使其具有相當(dāng)廣泛的應(yīng)用 前景。智能視頻監(jiān)控的基礎(chǔ)技術(shù)包括運(yùn)動(dòng)目標(biāo)檢測(cè)、運(yùn)動(dòng)目標(biāo)分類、運(yùn)動(dòng)目標(biāo)跟蹤等，目前 對(duì)這些技術(shù)的研宄都備受矚目。
[0003] 現(xiàn)有的運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有：相鄰幀差法、光流分割法、背景減法等等。幀間 差分方法是對(duì)相鄰幀圖像作相減運(yùn)算之后，對(duì)結(jié)果圖像取闕值并分割，提取運(yùn)動(dòng)目標(biāo)?；?光流方法的運(yùn)動(dòng)目標(biāo)檢測(cè)算法應(yīng)用運(yùn)動(dòng)目標(biāo)隨時(shí)間變化的流矢量特性在圖像序列中檢測(cè) 運(yùn)動(dòng)區(qū)城。背景減法相對(duì)于其他方法而言簡單易于實(shí)現(xiàn)，利用當(dāng)前圖像與背景圖像的差來 檢測(cè)運(yùn)動(dòng)區(qū)域。
[0004] 基于視頻圖像是靜態(tài)背景下拍攝而成的，同時(shí)考慮到算法實(shí)現(xiàn)的時(shí)間效率，宜于 采用高效率的幀間差分法實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)候選區(qū)域的檢測(cè)跟蹤。但是，由于拍攝條件及天氣 和人為因素的影響，導(dǎo)致拍攝的視頻圖像的背景不同幀圖像存在漂移，雖然可能這種漂移 的幅度是很小的，甚至人眼基本注意不到。但是這種影響卻對(duì)于幀間差分檢測(cè)運(yùn)動(dòng)目標(biāo)的 結(jié)果卻產(chǎn)生不可彌補(bǔ)的影響，嚴(yán)重影響算法的檢測(cè)跟蹤性能。

【發(fā)明內(nèi)容】

[0005] 有鑒于此，本發(fā)明提供了一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，該方法消除了視 頻幀漂移對(duì)檢測(cè)性能造成的影響，保證在圖像存在較小尺度變化的時(shí)候檢測(cè)到較少數(shù)量的 關(guān)鍵點(diǎn)，減少了計(jì)算量，提高了時(shí)間效率。
[0006] 為了達(dá)到上述目的，本發(fā)明的技術(shù)方案包括如下步驟：
[0007] 步驟1，由智能交通視頻監(jiān)控系統(tǒng)所獲取的視頻數(shù)據(jù)中抽取當(dāng)前幀原圖像及其相 鄰的前一幀原圖像，針對(duì)當(dāng)前幀原圖像和前一幀原圖像分別進(jìn)行如下St印101~StepKM 的處理獲得預(yù)處理圖像。
[0008] SteplOl，將當(dāng)前原圖像與3X3的高斯平滑模板作卷積處理去除圖像噪聲，獲得 濾波后的圖像。
[0009] Stepl02,采用有限差分求導(dǎo)矩陣計(jì)算出濾波后的圖像中每個(gè)像素位置處的水平 梯度分量gx和垂直梯度分量g y，利用&和87求解獲得濾波后的圖像中每個(gè)像素位置處的 梯度的幅值，并沿梯度方向查找梯度幅值局部極大值，剔除掉非極大值點(diǎn)所對(duì)應(yīng)的像素點(diǎn)， 獲得梯度圖像。
[0010] 梯度的幅值為 M(X，y) = max (I gx I，I gy I)。
[0011] St印103,設(shè)定灰度閾值，將梯度圖像進(jìn)行二值化處理，獲得二值圖像。
[0012] Stepl04,將二值圖像進(jìn)行一次膨脹操作將邊緣密集區(qū)域填充合并，進(jìn)行兩次腐蝕 操作修正合并區(qū)域外圍輪廓并剔除孤立的邊緣區(qū)域，得到預(yù)處理圖像。
[0013] 步驟2,針對(duì)步驟1獲得的每幅預(yù)處理圖像，進(jìn)行如下St印201~St印202的處理 獲得仿射變換模型，然后利用仿射變換模型將當(dāng)前幀原圖像和前幀原圖像配準(zhǔn)并進(jìn)行幀間 差分，獲得兩副配準(zhǔn)后的圖像。
[0014] Step201、以初始尺度L 6對(duì)預(yù)處理圖像進(jìn)行高斯模糊以及隔點(diǎn)抽樣建立6層的高 斯金字塔，對(duì)于高斯金字塔中每一層中得到的圖像，進(jìn)行角點(diǎn)檢測(cè)獲取候選關(guān)鍵點(diǎn)。
[0015] Step202、針對(duì)全部候選關(guān)鍵點(diǎn)進(jìn)行關(guān)鍵點(diǎn)方向分配和局部描述子的計(jì)算，從而獲 得仿射變換模型。
[0016] 步驟3,將配準(zhǔn)后的圖像中的連通區(qū)域進(jìn)行區(qū)域合并以及小面積剔除，獲得符合檢 測(cè)目標(biāo)條件的疑似目標(biāo)區(qū)域。
[0017] 步驟4,檢測(cè)兩幅配準(zhǔn)后的圖像中的疑似目標(biāo)區(qū)域，若分屬于兩幅配準(zhǔn)后的圖像中 的兩個(gè)疑似目標(biāo)區(qū)域滿足屬于同一目標(biāo)的判別條件，則判定該兩個(gè)疑似目標(biāo)區(qū)域?yàn)橥荒?標(biāo)，否則兩個(gè)疑似目標(biāo)區(qū)域不為同一目標(biāo)。
[0018] 步驟5,依據(jù)步驟4中的判定，采用基于置信度檢測(cè)的運(yùn)動(dòng)目標(biāo)跟蹤方法進(jìn)行運(yùn)動(dòng) 目標(biāo)的跟蹤，并根據(jù)跟蹤到的運(yùn)動(dòng)目標(biāo)的特征，提取具有高表征性的形狀結(jié)構(gòu)特征和局部 描述特征，依據(jù)從樣本數(shù)據(jù)學(xué)習(xí)獲得的分類超平面對(duì)跟蹤到的運(yùn)動(dòng)目標(biāo)利用支持向量機(jī)分 成行人、汽車和其他運(yùn)行目標(biāo)的三類。
[0019] 進(jìn)一步地，SteplOl中，所采用的3X3的高斯平滑模板的二維高斯函數(shù)的表達(dá)具
【主權(quán)項(xiàng)】
1. 一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，其特征在于，該方法步驟包括： 步驟1，由智能交通視頻監(jiān)控系統(tǒng)所獲取的視頻數(shù)據(jù)中抽取當(dāng)前幀原圖像及其相鄰的 前一幀原圖像，針對(duì)當(dāng)前幀原圖像和前一幀原圖像分別進(jìn)行如下SteplOl~StepKM的處 理獲得預(yù)處理圖像； SteplOl，將當(dāng)前原圖像與3X3的高斯平滑模板作卷積處理去除圖像噪聲，獲得濾波 后的圖像； Stepl02,采用有限差分求導(dǎo)矩陣計(jì)算出所述濾波后的圖像中每個(gè)像素位置處的水平 梯度分量gx和垂直梯度分量gy，利用&和87求解獲得所述濾波后的圖像中每個(gè)像素位置 處的梯度的幅值，并沿梯度方向查找梯度幅值局部極大值，剔除掉非極大值點(diǎn)所對(duì)應(yīng)的像 素點(diǎn)，獲得梯度圖像； 所述梯度的幅值為M (X，y) = max (I gx I，I gy I); Stepl03,設(shè)定灰度閾值，將所述梯度圖像進(jìn)行二值化處理，獲得二值圖像； Stepl04,將所述二值圖像進(jìn)行一次膨脹操作將邊緣密集區(qū)域填充合并，進(jìn)行兩次腐蝕 操作修正合并區(qū)域外圍輪廓并剔除孤立的邊緣區(qū)域，得到預(yù)處理圖像； 步驟2,針對(duì)步驟1獲得的每幅預(yù)處理圖像，進(jìn)行如下Step201~Step202的處理獲得 仿射變換模型，然后利用所述仿射變換模型將當(dāng)前幀原圖像和前幀原圖像配準(zhǔn)并進(jìn)行幀間 差分，獲得兩副配準(zhǔn)后的圖像； Step201、以初始尺度1. 6對(duì)預(yù)處理圖像進(jìn)行高斯模糊以及隔點(diǎn)抽樣建立6層的高斯金 字塔，對(duì)于高斯金字塔中每一層中得到的圖像，進(jìn)行角點(diǎn)檢測(cè)獲取候選關(guān)鍵點(diǎn)； Step202、針對(duì)所述全部候選關(guān)鍵點(diǎn)進(jìn)行關(guān)鍵點(diǎn)方向分配和局部描述子的計(jì)算，從而獲 得仿射變換模型； 步驟3,將配準(zhǔn)后的圖像中的連通區(qū)域進(jìn)行區(qū)域合并以及小面積剔除，獲得符合檢測(cè)目 標(biāo)條件的疑似目標(biāo)區(qū)域； 步驟4,檢測(cè)兩幅配準(zhǔn)后的圖像中的疑似目標(biāo)區(qū)域，若分屬于兩幅配準(zhǔn)后的圖像中的兩 個(gè)疑似目標(biāo)區(qū)域滿足屬于同一目標(biāo)的判別條件，則判定該兩個(gè)疑似目標(biāo)區(qū)域?yàn)橥荒繕?biāo)， 否則所述兩個(gè)疑似目標(biāo)區(qū)域不為同一目標(biāo)； 步驟5,依據(jù)所述步驟4中的判定，采用基于置信度檢測(cè)的運(yùn)動(dòng)目標(biāo)跟蹤方法進(jìn)行運(yùn)動(dòng) 目標(biāo)的跟蹤，并根據(jù)跟蹤到的運(yùn)動(dòng)目標(biāo)的特征，提取具有高表征性的形狀結(jié)構(gòu)特征和局部 描述特征，依據(jù)從樣本數(shù)據(jù)學(xué)習(xí)獲得的分類超平面對(duì)跟蹤到的運(yùn)動(dòng)目標(biāo)利用支持向量機(jī)分 成行人、汽車和其他運(yùn)行目標(biāo)的三類。
2. 如權(quán)利要求1所述的一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，其特征在于， 所述SteplOl中，所采用的3X3的高斯平滑模板的二維高斯函數(shù)的表達(dá)具體為
;其中x、y分別為原圖像中像素的行、列號(hào)；σ的值為0.6。
3. 如權(quán)利要求1所述的一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，其特征在于，所述
其中I (*，*)為濾波后的圖像，X、y分別為原圖像中像素的行、列號(hào)；
為水平方向的有限差分求導(dǎo)矩陣
3垂直方向的有限差分求導(dǎo)矩陣； 則梯度的幅值為 M(X，y) = max (I gx I，I gy I)。
4. 如權(quán)利要求1所述的一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，其特征在于，在Stepl03 中進(jìn)行二值化處理時(shí)，設(shè)定灰度閾值為75。
5. 如權(quán)利要求1、2、3或4所述的一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，其特征在于，所 述步驟3具體包括如下步驟： Step301、在配準(zhǔn)后的圖像中，獲取全部連通區(qū)域的四維方形邊界信息，并將所述四維 方形邊界信息中的邊界值向外圍擴(kuò)張5個(gè)像素點(diǎn)，獲得全部連通區(qū)域的新邊界信息； Step302、在全部連通區(qū)域中，任取其中的兩個(gè)，進(jìn)行如下判斷： 若該兩個(gè)連通區(qū)域的新邊界信息相互交叉或包含，則將該兩個(gè)連通區(qū)域合并為一個(gè)新 連通區(qū)域，所述新連通區(qū)域的邊界取將上述兩個(gè)連通區(qū)域包含在內(nèi)的最小矩形的邊界； 若該兩個(gè)連通區(qū)域的新邊界信息沒有交叉或包含，則該兩個(gè)連通區(qū)域被確定為兩個(gè)目 標(biāo)； Step303、重復(fù)Step302直至圖像中所有的連通區(qū)域中的任意兩個(gè)都不滿足合并的條 件。
6. 如權(quán)利要求1、2、3或4所述的一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，其特征在于，所 述步驟4中屬于同一目標(biāo)的判別條件包括歐式距離、顏色直方圖和局部模式直方圖三個(gè)判 別條件，若分屬于兩幅配準(zhǔn)后的圖像中的兩個(gè)疑似目標(biāo)區(qū)域同時(shí)滿足上述三個(gè)判別條件， 則判定該兩個(gè)疑似目標(biāo)區(qū)域?yàn)橥荒繕?biāo)。
7. 如權(quán)利要求1、2、3或4所述的一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，其特征在于，所 述步驟5中，采用基于置信度檢測(cè)的運(yùn)動(dòng)目標(biāo)跟蹤方法進(jìn)行運(yùn)動(dòng)目標(biāo)的跟蹤，具體方法為： Step501、依據(jù)步驟4中的判定，若兩疑似目標(biāo)區(qū)域?yàn)橥荒繕?biāo)，則對(duì)于當(dāng)前幀原圖像 來說，其中的疑似目標(biāo)區(qū)域判定為已有目標(biāo)，更新存儲(chǔ)的已有目標(biāo)信息，并針對(duì)該已有目標(biāo) 的置信度加1，若兩個(gè)疑似目標(biāo)區(qū)域不為同一目標(biāo)，則對(duì)于當(dāng)前幀原圖像來說，其中的疑似 目標(biāo)區(qū)域?yàn)樾履繕?biāo)，對(duì)該新目標(biāo)進(jìn)行存儲(chǔ)，并設(shè)定置信度為初始值1，并標(biāo)記該新目標(biāo)被檢 測(cè)到的順序； Step502、對(duì)存儲(chǔ)的已有目標(biāo)進(jìn)行排查，對(duì)于當(dāng)前幀沒有檢測(cè)到的已有目標(biāo)，置信度減 1，并剔除置信度小于〇的已有目標(biāo)，當(dāng)已有目標(biāo)的置信度超過置信閾值，則將其置信度強(qiáng) 制置為置信閾值； Step503、將置信度達(dá)到置信閾值的已有目標(biāo)，按其位置標(biāo)記輸出作為運(yùn)動(dòng)目標(biāo)的跟蹤 結(jié)果。
8. 如權(quán)利要求1、2、3或4所述的一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，其特征在于，所 述步驟5中的分類超平面的獲得方法如下： Step5001、在智能交通視頻監(jiān)控系統(tǒng)所獲取的視頻數(shù)據(jù)中選取不同狀態(tài)、不同類型的 數(shù)據(jù)樣本對(duì)分類器進(jìn)行學(xué)習(xí)訓(xùn)練，其中所述不同狀態(tài)、不同類型的數(shù)據(jù)樣本包括行人目標(biāo)、 汽車目標(biāo)以及其他運(yùn)動(dòng)目標(biāo)。 St印5002、針對(duì)行人目標(biāo)、汽車目標(biāo)以及其他運(yùn)動(dòng)目標(biāo)三類目標(biāo)形狀結(jié)構(gòu)的差異性，提 取形狀特征； 所述形狀特征包括將三類目標(biāo)進(jìn)行目標(biāo)二值分割后獲得的連通區(qū)域的面積、長寬比以 及飽和度； St印5003、對(duì)三類目標(biāo)提取其局部描述特征，并與其形狀特征一起作為支持向量機(jī)進(jìn) 行分類的依據(jù)；所述局部描述特征包括梯度方向直方圖和局部二值模式。
【專利摘要】本發(fā)明公開了一種智能交通運(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤方法，用于對(duì)智能交通視頻進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤。本發(fā)明考慮到視頻幀圖像中一般存在道路中間及兩側(cè)護(hù)欄等邊緣特征明顯的物體，采用有限差分一階偏導(dǎo)矩陣計(jì)算輸入前后視頻幀圖像的梯度，提取輸入圖像特征區(qū)域精細(xì)輪廓；將輪廓連接、區(qū)域填充合并等形態(tài)學(xué)處理從而得到預(yù)處理圖像。對(duì)預(yù)處理圖像采用改進(jìn)的SIFT算法提取關(guān)鍵點(diǎn)，對(duì)預(yù)處理圖像只構(gòu)建一組六層的高斯金字塔。保證在圖像存在較小尺度變化的時(shí)候的檢測(cè)到較少數(shù)量的關(guān)鍵點(diǎn)，同時(shí)減少冗余的構(gòu)建金字塔的計(jì)算需要，提高算法的時(shí)間效率。幀差前利用預(yù)處理圖像得到的仿射變換模型對(duì)視頻序列前后幀圖像進(jìn)行了配準(zhǔn)，消除了視頻幀漂移對(duì)檢測(cè)性能造成的影響。
【IPC分類】G06T7-20
【公開號(hào)】CN104658011
【申請(qǐng)?zhí)枴緾N201510052365
【發(fā)明人】陳禾, 劉文超, 畢福昆, 章菲菲, 馬龍, 申金晶
【申請(qǐng)人】北京理工大學(xué)
【公開日】2015年5月27日
【申請(qǐng)日】2015年1月31日