一種基于Mean Shift跟蹤算法的交通流檢測(cè)方法
【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明設(shè)及智能交通系統(tǒng)技術(shù)領(lǐng)域，具體設(shè)及一種基于Mean Shift跟蹤算法的交 通流檢測(cè)方法。
【背景技術(shù)】：
[0002] 當(dāng)今世界經(jīng)濟(jì)發(fā)展迅速，人們生活水平逐漸提高，嚴(yán)峻的交通問題也伴隨而來。不 論在國外還是在國內(nèi)，交通擁擠、交通阻塞已經(jīng)成為影響城市居民正常生活的關(guān)鍵因素。為 了改善交通環(huán)境問題，國家政府投資興修道路，加快基礎(chǔ)交通建設(shè)，但收效甚微。近些年來， 隨著計(jì)算機(jī)技術(shù)的提高智能交通技術(shù)逐漸嶄露頭角，為交通環(huán)境的治理帶來了曙光。智能 交通系統(tǒng)已經(jīng)在一些發(fā)達(dá)國家得到了廣泛使用，并且收到了良好的效果，已經(jīng)成為目前解 決交通環(huán)境問題的最佳方案。
[0003] 智能交通系統(tǒng)主要通過分析交通流檢測(cè)系統(tǒng)反饋的實(shí)時(shí)交通信息，做出合理的交 通調(diào)度策略，從而優(yōu)化交通環(huán)境。交通流檢測(cè)系統(tǒng)是智能交通系統(tǒng)中關(guān)鍵的環(huán)節(jié)，它直接決 定了智能交通系統(tǒng)最終的調(diào)度策略。
[0004] 交通流檢測(cè)系統(tǒng)的主要技術(shù)包括背景提取、車輛檢測(cè)、車輛跟蹤等技術(shù)，背景提取 算法中的統(tǒng)計(jì)直方圖、中值濾波等方法簡單易于實(shí)現(xiàn)，但效果不佳，混合高斯方法能獲得良 好的效果，但計(jì)算量較高。同樣，車輛檢測(cè)技術(shù)中的背景差法、帖差法等技術(shù)簡單易用，但不 能適應(yīng)復(fù)雜的環(huán)境條件，光流法利用運(yùn)動(dòng)目標(biāo)的光流場(chǎng)較容易定位出運(yùn)動(dòng)目標(biāo)，但其花費(fèi) 較大。車輛跟蹤技術(shù)普片計(jì)算量較高，不同的是它們根據(jù)運(yùn)動(dòng)物體不同的特性來追蹤目 標(biāo)，大致可分為基于匹配的車輛跟蹤方法和基于運(yùn)動(dòng)特性的跟蹤方法，它們各有各的優(yōu)缺 點(diǎn)。
[0005] 傳統(tǒng)的均值濾波方法能夠很好的適應(yīng)車流量較小的情況，但對(duì)交通高峰期的視頻 圖像處理效果不佳。

【發(fā)明內(nèi)容】
：
[0006] 本發(fā)明的目的是提供一種基于Mean Shift跟蹤算法的交通流檢測(cè)方法，它提供了 一種改進(jìn)的均值濾波背景提取方法，該方法分析前景圖像與背景圖像的不同點(diǎn)，對(duì)前景和 背景加 W甄別，盡量篩選出背景圖像進(jìn)行最后的統(tǒng)計(jì)處理。隨后針對(duì)改進(jìn)算法文章做了幾 組實(shí)驗(yàn)，從實(shí)驗(yàn)中發(fā)現(xiàn)改進(jìn)的均值濾波背景提取方法要明顯好于傳統(tǒng)算法，它基本克服了 傳統(tǒng)算法的缺點(diǎn)。
[0007] 為了解決【背景技術(shù)】所存在的問題，本發(fā)明是采用W下技術(shù)方案：它的檢測(cè)系統(tǒng)包 含視頻采集模塊（a)、背景提取模塊化）、車輛檢測(cè)模塊（C)、車輛跟蹤模塊（d)和參數(shù)檢測(cè) 模塊（e)，視頻采集模塊（a)與背景提取模塊化）連接，視頻采集模塊（a)、背景提取模塊 化）均與車輛檢測(cè)模塊（C)連接，車輛檢測(cè)模塊（C)與車輛跟蹤模塊（d)連接，車輛跟蹤模 塊（d)和參數(shù)檢測(cè)模塊（e)連接，所述視頻采集模塊（a)主要由攝像機(jī)和圖像采集卡構(gòu)成， 攝像機(jī)負(fù)責(zé)拍攝監(jiān)控區(qū)域，圖像采集卡把攝像機(jī)拍攝到的視頻信息保存到內(nèi)存和本地機(jī) 器；背景提取模塊（b)根據(jù)視頻采集模塊保存的視頻流信息，按照一定的背景提取算法更 新背景圖像，并保存到內(nèi)存；車輛檢測(cè)模塊（C)則利用已經(jīng)提取好的背景圖像來實(shí)現(xiàn)車輛 的檢測(cè)，包括車輛位置、車輛所占區(qū)域大小等信息的提??；車輛跟蹤模塊（d)主要實(shí)現(xiàn)對(duì)監(jiān) 控區(qū)域中車輛的跟蹤，因?yàn)閷?duì)通過監(jiān)控區(qū)域的任一車輛的一次經(jīng)過只能統(tǒng)計(jì)一次，所W需 要運(yùn)用某種跟蹤算法追蹤每一車輛的運(yùn)行軌跡；參數(shù)檢測(cè)模塊（e)根據(jù)前面所做的準(zhǔn)備實(shí) 現(xiàn)對(duì)車輛數(shù)目、車速、道路占用率等交通流信息的提取。
[0008] 本發(fā)明中所述的交通流檢測(cè)方法包含W下步驟：
[0009] 步驟1 :首先利用一種改進(jìn)的均值濾波背景提取方法，先對(duì)視頻圖像中的像素點(diǎn) 進(jìn)行篩選，然后對(duì)符合篩選條件的像素點(diǎn)進(jìn)行灰度值求和操作，其他像素點(diǎn)則忽略不計(jì)，關(guān) 鍵在于篩選規(guī)則的制定。在實(shí)際交通環(huán)境中，車輛一直是在運(yùn)動(dòng)著的，或快速運(yùn)動(dòng)或緩慢運(yùn) 動(dòng)，偶爾才有短暫的停止，運(yùn)就造成了存在運(yùn)動(dòng)車輛的相鄰多帖圖像的像素點(diǎn)灰度值是不 同的，所W可W把相鄰多帖圖像中那些灰度值都相同的像素點(diǎn)看作是背景，其他看成運(yùn)動(dòng) 車輛，在使用均值濾波提取背景時(shí)只對(duì)那些被認(rèn)定為背景的像素點(diǎn)灰度進(jìn)行求和求均值， 降低運(yùn)動(dòng)車輛的影響。具體的實(shí)現(xiàn)如下式：
[0010]
[0012] Background (x, y) = SUMF (x, y) /SUMN (x, y) (3. 5)
[001引其中，化amei表示第i帖視頻圖像，（X，y)是圖像中像素點(diǎn)的坐標(biāo)，SUMF記錄視頻 圖像各個(gè)位置上被認(rèn)定為背景的像素點(diǎn)灰度值的總和，SUMN表示被認(rèn)定為背景的像素點(diǎn) 的數(shù)目，Background代表背景圖像，k是一個(gè)整數(shù)，表示圖像帖的間隔。
[0014] 式3. 3和式3. 4中選擇對(duì)相鄰區(qū)域中的Ξ帖圖像進(jìn)行比較，如果它們?cè)冢▁，y)位 置的像素點(diǎn)灰度值都相同則認(rèn)為其為背景像素，否則判定為前景像素。在實(shí)際使用中也可 W選取四帖、五帖或者其他數(shù)量的圖像進(jìn)行比較鑒定，同時(shí)選取圖像的間隔k也是可W根 據(jù)需要改變的，而且多帖圖像之間像素不一定非要是嚴(yán)格意義上的相同，只要它們的差值 小于一定的闊值即可。
[0015] 步驟2:從物理運(yùn)動(dòng)學(xué)角度上講，物體的運(yùn)動(dòng)可W看作是由許多短時(shí)勻速直線運(yùn) 動(dòng)構(gòu)成的，也就是說當(dāng)前時(shí)刻物體的運(yùn)動(dòng)速度、方向在很大概率上是和前一時(shí)刻相同的。由 于在對(duì)目標(biāo)進(jìn)行跟蹤時(shí)，兩帖之間的間隔是十分短暫的，運(yùn)時(shí)就可W認(rèn)為當(dāng)前帖目標(biāo)運(yùn)行 的速度、方向與前一帖相同，因此可W利用前幾帖中目標(biāo)的位置來線性預(yù)測(cè)當(dāng)前帖目標(biāo)的 位置。
[0016] 特別地，在交通流檢測(cè)中，攝像系統(tǒng)所監(jiān)控的路段基本都是直線路段，而且是交通 擁塞最可能發(fā)生的重要路段，所W在監(jiān)控之中的車輛大部分時(shí)間都處于直線低速運(yùn)動(dòng)狀 態(tài)。在運(yùn)種情況下，就可W把目標(biāo)車輛看成是短時(shí)線性勻速運(yùn)動(dòng)的，然后根據(jù)運(yùn)種特性線性 預(yù)測(cè)目標(biāo)車輛的下一個(gè)位置，并從預(yù)測(cè)的位置開始捜索，最終實(shí)現(xiàn)對(duì)目標(biāo)的追蹤。
[0017] 在運(yùn)里提出一個(gè)概念：預(yù)測(cè)矢量，它代表目標(biāo)的瞬時(shí)運(yùn)動(dòng)速度與方向，亦即目標(biāo)當(dāng) 前位置與下一位置的坐標(biāo)偏移差。線性預(yù)測(cè)方法的具體實(shí)現(xiàn)就是，先根據(jù)目標(biāo)初始位置和 當(dāng)前位置計(jì)算出當(dāng)前預(yù)測(cè)矢量，然后由目標(biāo)當(dāng)前位置和該預(yù)測(cè)矢量計(jì)算并預(yù)測(cè)得出目標(biāo)的 下一位置。計(jì)算過程如下，假設(shè)目標(biāo)在上一帖中的中屯、位置是i，yi 1)，并且在當(dāng)前帖的 中屯、位置為（Xi，yi)，可W簡單的計(jì)算出預(yù)測(cè)矢量v= (s，t) = 由于兩帖 之間目標(biāo)的短時(shí)運(yùn)動(dòng)可W看成是線性勻速運(yùn)動(dòng)，所W根據(jù)運(yùn)動(dòng)學(xué)公式可W得到目標(biāo)在下一 帖的期望位置，（Xw，yw) = (Xi+s，yi+t)。
[0018] 步驟3 :在大多數(shù)的Mean Shift算法中一般都采用顏色直方圖作為目標(biāo)的特征描 述，直方圖簡單、穩(wěn)定的特點(diǎn)使得跟蹤算法高效、魯棒性強(qiáng)。尤其在交通流檢測(cè)系統(tǒng)中，目標(biāo) 車輛的色彩比較單一，運(yùn)動(dòng)背景變化不是太大，在運(yùn)種情形下，目標(biāo)的色彩分布就很直觀的 反應(yīng)出了目標(biāo)本身的狀態(tài)變化（擴(kuò)大或者縮?。?。
[0019] 目標(biāo)的顏色分布q?？杀硎緸橄率剑?br>[0020]
[0021] 其中，U代表顏色的級(jí)數(shù)，例如灰度圖像中顏色有256級(jí)，即U可取值0-255 ;q。則 表示級(jí)數(shù)為U的顏色經(jīng)過加權(quán)后在目標(biāo)模板中的概率，q。越大就說明級(jí)數(shù)為U的顏色在捜 索跟蹤的過程中所起到的作用越大。
[00過在目標(biāo)模板中，假設(shè)當(dāng)U = U。時(shí)，q。取最大值，運(yùn)說明級(jí)數(shù)為U。的顏色在描述目標(biāo) 特征中處于決定性作用；所W運(yùn)時(shí)可W重點(diǎn)研究級(jí)數(shù)為U。的顏色在模板中的比例變化，用 W判斷跟蹤目標(biāo)的尺寸變化情況。在式4.5中令k[] = 1，式4.5就退化為不加權(quán)時(shí)的目標(biāo) 模板直方圖色彩分布情況，如下式：
[0023]
[0024] 設(shè)目標(biāo)模板中級(jí)數(shù)為U。的顏色概率為qu。，候選模板中為q' U。。如果當(dāng)前帖中目 標(biāo)是放大的，則q' Ue^qu。;如果當(dāng)前帖中目標(biāo)是縮小的，則q' Ue<qu。;因此比較q' U。 和qu。的大小就可W判斷目標(biāo)尺寸的變化情況。在跟蹤結(jié)束后考察灰度U的色彩比例來判 斷目標(biāo)狀態(tài)的轉(zhuǎn)變，然后根據(jù)判斷結(jié)果更新核帶寬大小。
[0025] 本發(fā)明利用一種改進(jìn)的均值濾波背景提取方法，該方法分析前景圖像與背景圖像 的不同點(diǎn)，對(duì)前景和背景加 W甄別，盡量篩選出背景圖像進(jìn)行最后的統(tǒng)計(jì)處理，利用基于線 性預(yù)測(cè)的Mean Shift自適應(yīng)跟蹤算法，把算法的運(yùn)行效率提高了一倍，并根據(jù)灰度信息的 變化實(shí)現(xiàn)了核帶寬的實(shí)時(shí)更新。利用本發(fā)明方法，能夠有效改進(jìn)交通高峰期的視頻圖像處 理，實(shí)現(xiàn)多目標(biāo)的實(shí)時(shí)、精確