一种基于实时视频的车辆检测与跟踪方法技术

本发明专利技术公开一种基于实时视频的车辆检测与跟踪方法，该方法包括如下步骤：S101、获取初始样本集；S102、训练初始分类器；S103、迭代训练分类器；S104、车辆候选区域生成；S105、车辆确认与跟踪；S106、车流辆统计；S107、算法交互。本发明专利技术能够对实时视频中出现的车辆进行稳定的检测和跟踪，并对车流量进行统计，不仅鲁棒性高，能够适应噪声、光照和天气变化，对遮挡也具有一定的适应能力，且处理速度快，准确度高，可满足实时系统的运行需求。

【技术实现步骤摘要】

本专利技术涉及车辆检测与跟踪
，尤其涉及。
技术介绍
车辆检测与跟踪是指从通过分析视频图像序列自动获取画面中出现的车辆信息，并在连续视频中对相同车辆目标进行稳定跟踪。车辆检测与跟踪技术是智能交通系统、智能安防等领域的关键技术，可以很好的辅助相关人员的工作并提高工作效率，因此成为数字图像处理领域的研宄热点。常见的车辆检测与跟踪有道路车辆检测与跟踪，出入口车辆检测与跟踪，卫星俯视图的车辆检测与跟踪等。基于视频的车辆检测与跟踪具有较高的实用价值且应用广泛，近年来很多学者致力于研宄相关算法。迄今为止涌现出很多车辆检测方法，美国内华达州立大学雷诺分校的Zehang博士(IEEE会员)等人在对现有方法做了大量研宄和总结，并于2006年在《IEEETRANSACT1NS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》上发表论文 “On-RoadVehicle Detect1n:A Review”，文中将现有方法大致概括为生成候选区域和候选区域验证两个步骤，即在图像中快速定位可能是车辆的区域，然后进一步确认其是否是车辆。虽然近些年来研宄人员也不断对车辆检测算法进行改进，但整体思路依然遵循这两个步骤。候选区域的生成的方法主要有三类，分别是基于先验知识、基于立体视觉和基于运动的方法。基于先验知识的方法通过分析图像中的对称性、颜色、阴影、角点、边缘、纹理、车灯等特征来得到车辆候选区域。基于立体视觉的方法主要通过两个摄像头得到图像的视差图、逆透视变换等来分析车辆的立体特征。基于运动的方法主要通过光流法、运动矢量法、帧差法和背景减除法等方法来得到运动物体的信息从而作为车辆候选。候选区域验证的方法主要分为基于模板和基于外观的两类方法。基于模板的方法是将候选区域的图像与事先获得的模板图像相比较来确认，这类方法受模板的影响较大，当候选车辆与模板差异较大时不能被正确检测。基于外观的方法主要是利用机器学习的方法学习车辆特征，并将候选区域的特征与车辆特征相比较来确认，这类方法结果比较稳定，在大多数情况下表现良好，但检测结果受训练样本集的影响较大。目前主流的目标跟踪方法有卡尔曼滤波方法，Meanshift方法和Camshift方法等，这些方法均为单目标跟踪方法，多目标跟踪的方法大都是基于这些方法的改进。值得注意的是这些跟踪方法需要首先指定跟踪目标，然后在视频序列中进行跟踪，与车辆检测方法相结合时一般是只有一开始进行车辆检测，检测到目标之后便停止检测并开始跟踪该目标，这样做的好处是时间开销少，并且可以抑制错误检测。但是这种方式也有其不可忽视的弊端，误检测结果将会直接传递给跟踪器，而且没有机会得到改正，如果检测结果不好则会直接危及到跟踪器的可靠性。衡量车辆检测算法性能的主要指标有鲁棒性、准确度和处理速度。但是现有的方法很难同时兼顾这三项指标，比如帧差法和边缘检测法虽然其鲁棒性较高，处理速度也较快，但是这两种方法的准确度较低；而光流法和运动矢量法虽然准确度尚可，但是鲁棒性较差并且处理速度很难，无法满足实时系统的应用需求；背景减除法因为具有较高的准确度和较快的处理速度，应用较为广泛，但是由于对噪声、光照和天气敏感，其鲁棒性也是一个不容忽视的问题。
技术实现思路
本专利技术的目的在于通过，来解决以上
技术介绍
部分提到的问题。为达此目的，本专利技术采用以下技术方案:，其包括如下步骤:S101、获取初始样本集:对文件系统中的图片结果进行分类，分别放置于不同的文件夹中，得到初始样本图片集；采用批处理文件分别得到每个文件夹中样本图片的绝对路径列表，并对每个文件夹中的文件赋予不同的标记，最后将带标记的样本绝对路径列表合并至一个文本文件中；S102、训练初始分类器:利用步骤SlOl获得的初始样本集训练分类器，依次读入每个样本及其标记，分析其特征得到每个样本的特征向量，对特征向量进行有监督分类，得到初始分类器；S103、迭代训练分类器:利用步骤S102获得的初始分类器对视频序列中的运动物体进行分类，并将运动物体所在的局部区域图像按分类结果标记加时间戳命名存储到文件系统中，如果用户对分类结果满意则无需进行迭代训练，如果不满意则找出不满意的错分类结果，并将其添加至正确类的样本集文件夹中，利用步骤SlOl所述方法得到新的训练样本集文本文件，然后利用步骤S102所述方法进行迭代训练，如此反复直至用户对分类结果满意则完成分类器的迭代训练；将分类器写入文件保存到文件系统中；S104、车辆候选区域生成:读入分类器文件，依次检测视频序列中出现的运动区域图像，分析运动区域图像的特征得到其特征向量，将特征向量送入分类器进行分类并得到分类结果，如果结果是车辆则认为该运动区域图像包含车辆，以此完成车辆候选区域的生成；S105、车辆确认与跟踪:步骤S104中得到了每帧图像中的车辆检测结果，在实时视频中首先以当前帧为基准，对当前帧的每个车辆检测结果遍历上一帧中的所有车辆检测结果，将满足相似性指标并且相似性度量结果最小的一个视为当前目标的匹配结果；同样的，以上一帧为基准，对上一帧的每个检测结果遍历当前帧的结果，将满足相似性指标并且相似性度量结果最小的一个视为上一帧目标的匹配结果；最后，如果上一帧存在而当前帧丢失的目标视为目标消失，如果上一帧未出现而当前帧出现的目标则视为新目标并为其分配新的标记，如果当前帧和上一帧的两个目标互相匹配则视为同一目标并且以相同标记进行跟踪。特别地，所述基于实时视频的车辆检测与跟踪方法还包括:S106、车流辆统计:统计类型分为三种:画面中出现的车辆总数，驶入车辆总数，驶出车辆总数；车辆总数的统计根据步骤S105中车辆跟踪的结果进行，只有当新目标出现时才进行计数；驶入和驶出车辆根据虚拟线的方式来统计，当初始状态为线外的车辆当前状态为线内则认为其为驶入车辆，进行计数并将其初始状态改设为线内，其中，驶出车辆的统计方法与驶入车辆的统计方法相同。特别地，所述基于实时视频的车辆检测与跟踪方法还包括:S107、算法交互:由于每一帧图像中的车辆目标的局部区域图像都会存储至文件系统中，同时将该检测结果包括摄像机编号、记录时间、车辆目标图片结果路径在内的信息写入服务器数据库；每次达到车流量统计时间间隔时，将当前时段数据写入数据库并将计数器清零；交互程序可以实时监控数据库的状态，当有数据插入时依据插入数据进行渲染显示结果；每当达到程序运行状态日志间隔时，将程序当前状态写入日志文件中，以便发生故障时有据可查，另一方面，程序提供配置文件供用户修改参数，用户可修改包括车流量统计时间间隔、程序运行状态日志间隔、帧画面处理占空比在内的参数数据；特别地，所述步骤S105还包括:利用车辆跟踪结果改善车辆检测效果，稳定跟踪预设次数的目标才确认为车辆，以此作为车辆检测结果，同时保存车辆所在局部区域的图片结果到文件系统并将检测结果数据插入数当前第1页1 2 3 本文档来自技高网...

【技术保护点】
一种基于实时视频的车辆检测与跟踪方法，其特征在于，包括如下步骤：S101、获取初始样本集：对文件系统中的图片结果进行分类，分别放置于不同的文件夹中，得到初始样本图片集；采用批处理文件分别得到每个文件夹中样本图片的绝对路径列表，并对每个文件夹中的文件赋予不同的标记，最后将带标记的样本绝对路径列表合并至一个文本文件中；S102、训练初始分类器：利用步骤S101获得的初始样本集训练分类器，依次读入每个样本及其标记，分析其特征得到每个样本的特征向量，对特征向量进行有监督分类，得到初始分类器；S103、迭代训练分类器：利用步骤S102获得的初始分类器对视频序列中的运动物体进行分类，并将运动物体所在的局部区域图像按分类结果标记加时间戳命名存储到文件系统中，如果用户对分类结果满意则无需进行迭代训练，如果不满意则找出不满意的错分类结果，并将其添加至正确类的样本集文件夹中，利用步骤S101所述方法得到新的训练样本集文本文件，然后利用步骤S102所述方法进行迭代训练，如此反复直至用户对分类结果满意则完成分类器的迭代训练；将分类器写入文件保存到文件系统中；S104、车辆候选区域生成：读入分类器文件，依次检测视频序列中出现的运动区域图像，分析运动区域图像的特征得到其特征向量，将特征向量送入分类器进行分类并得到分类结果，如果结果是车辆则认为该运动区域图像包含车辆，以此完成车辆候选区域的生成；S105、车辆确认与跟踪：步骤S104中得到了每帧图像中的车辆检测结果，在实时视频中首先以当前帧为基准，对当前帧的每个车辆检测结果遍历上一帧中的所有车辆检测结果，将满足相似性指标并且相似性度量结果最小的一个视为当前目标的匹配结果；同样的，以上一帧为基准，对上一帧的每个检测结果遍历当前帧的结果，将满足相似性指标并且相似性度量结果最小的一个视为上一帧目标的匹配结果；最后，如果上一帧存在而当前帧丢失的目标视为目标消失，如果上一帧未出现而当前帧出现的目标则视为新目标并为其分配新的标记，如果当前帧和上一帧的两个目标互相匹配则视为同一目标并且以相同标记进行跟踪。...

【技术特征摘要】

【专利技术属性】
技术研发人员：宋璐，张兰，刘克彬，
申请(专利权)人：无锡赛睿科技有限公司，
类型：发明
国别省市：江苏;32