车辆追踪方法及系统技术方案

本发明专利技术提供了一种车辆追踪方法及系统，该车辆追踪方法包括：检测步骤：检测出新出现在视野的车辆，并且检测一直在视野之内的车辆供追踪步骤校正追踪结果使用；追踪步骤：对检测到的各个车辆进行追踪；融合步骤：对检测步骤的检测结果和追踪步骤的追踪结果进行融合，融合步骤在检测步骤运行的当前帧运行；校验步骤：检查相邻两帧追踪的相似性，且校验步骤在追踪步骤运行后运行；回归校正步骤：对该车辆的追踪结果进行回归校正；检测步骤间隔指定时间运行一次，追踪步骤间隔指定帧运行一次。本发明专利技术的有益效果是：本发明专利技术的车辆追踪方法和系统，能够解决ADAS在智能设备上运行必须解决的实时性和准确性问题，有效减少了虚警率，提高了准确率。

【技术实现步骤摘要】

本专利技术涉及前车碰撞预警中的车辆追踪处理的
，尤其涉及车辆追踪方法及系统。
技术介绍
因为车辆检测算法速度相对较慢，车辆追踪技术不可或缺。传统的物体追踪算法比如Mean-shift和Cam-shift算法等速度相对较快，但是在复杂场景下常见追踪目标漂移等情况。过多的追踪漂移在计算机视觉领域的高级驾驶辅助系统(ADAS)上可能会造成频繁虚报警，使用户体验下降。现有的性能较好物体追踪算法是基于检测的追踪方法，是通过一种改进的在线学习机制不断更新跟踪模块的“显著特征点”和检测模块的目标模型及相关参数，从而使得跟踪效果更加稳定、鲁棒、可靠。比如最有代表性的Tracking-Learning-detection(TLD)的追踪方法，其特点是其系统中有三个模块，检测模块，追踪模块和在线学习模块。检测和追踪并行进行处理，综合两者的结果得到最终追踪结果，再者对追踪目标实时学习更新目标模型。其处理流程如图1所示.这种方法的缺点是实时性难以保证，特别是需要追踪多个车辆的情况下，很难在智能设备应用。目前的ADAS系统一般运行于智能硬件平台，CPU，内存等资源相对有限。
技术实现思路
本专利技术提供了一种车辆追踪方法，包括如下步骤：检测步骤：检测出新出现在视野的车辆，并且检测一直在视野之内的车辆供追踪步骤校正追踪结果使用；追踪步骤：对检测到的各个车辆进行追踪；融合步骤：对检测步骤的检测结果和追踪步骤的追踪结果进行融合，融合步骤在检测步骤运行的当前帧运行；校验步骤：检查相邻两帧追踪的相似性，且校验步骤在追踪步骤运行后运行；回归校正步骤：接收校验步骤输出的校正信号，且对该车辆的追踪结果进行回归校正；检测步骤间隔指定时间运行一次，追踪步骤和校验步骤间隔指定帧运行一次。作为本专利技术的进一步改进，在所述检测步骤中，采用像素差值特征的检测方法，在像素差值特征的检测方法中包括NPD特征、深度二次树的特征筛选、softcascade分类器，NPD特征的定义如下：其中x和y分别表示两个像素的亮度值，如果x＝y＝0，则该值设为0；深度二次树采用如下树内节点分裂计算方法：(ax2+bx+c)<t(2)，其中x为特征，t为分裂阈值；学习基于NPD特征的深度二次树，softcascade结构用来训练和拒绝负样本，每次迭代，学习到一个深度二次树作为弱分类器，以及一个目前AdaBoost分类器的阈值用于拒绝负样本。作为本专利技术的进一步改进，在所述追踪步骤中，采用基于金字塔稀疏光流的追踪方法，在上一帧的目标框中选择若干个像素点作为特征点，在当前帧中寻找对应的位置，然后将特征点在两帧之间的位移进行排序，得到位移变化的中值，然后获得小于中值的50％的特征点，依据上述特征点计算得出追踪框位置和大小。作为本专利技术的进一步改进，在所述校验步骤中，采用基于SIFT的相似性比对，归一化车辆区域后，在中心点周围提取SIFT特征，比对算法采用两个特征向量的欧式距离，同时维护两个比对模板，一个是融合模块负责更新的模板，用来定义追踪目标是车辆主体，一个是即时追踪的模板，用来定义追踪目标的变化，同时使用这两个的比对值作为追踪可靠性的参考。作为本专利技术的进一步改进，在所述回归校正步骤中，从追踪的车框位置和大小开始，基于若干个兴趣点周围的特征一步一步回归到车框正确的位置和大小，得到回归结果后返回校验步骤进行校验，如果通过校验，则用回归后的结果替换原追踪结果，反之则删除此追踪车的目标。本专利技术还提供了一种车辆追踪系统，包括：检测模块：用于检测出新出现在视野的车辆，并且检测一直在视野之内的车辆供追踪步骤校正追踪结果使用；追踪模块：用于对检测到的各个车辆进行追踪；融合模块：用于对检测模块的检测结果和追踪模块的追踪结果进行融合，融合模块在检测模块运行的当前帧运行；校验模块：用于检查相邻两帧追踪的相似性，且校验模块在追踪模块运行后运行；回归校正模块：用于接收校验模块输出的校正信号，且对该车辆的追踪结果进行回归校正；检测模块间隔指定时间运行一次，追踪模块和校验模块间隔指定帧运行一次。作为本专利技术的进一步改进，在所述检测模块中，采用像素差值特征的检测方法，在像素差值特征的检测方法中包括NPD特征、深度二次树的特征筛选、softcascade分类器，NPD特征的定义如下：其中x和y分别表示两个像素的亮度值，如果x＝y＝0，则该值设为0；深度二次树采用如下树内节点分裂计算方法：(ax2+bx+c)<t(2)，其中x为特征，t为分裂阈值；学习基于NPD特征的深度二次树，softcascade结构用来训练和拒绝负样本，每次迭代，学习到一个深度二次树作为弱分类器，以及一个目前AdaBoost分类器的阈值用于拒绝负样本。作为本专利技术的进一步改进，在所述追踪模块中，采用基于金字塔稀疏光流的追踪方法，在上一帧的目标框中选择若干个像素点作为特征点，在当前帧中寻找对应的位置，然后将特征点在两帧之间的位移进行排序，得到位移变化的中值，然后获得小于中值的50％的特征点，依据上述特征点计算得出追踪框位置和大小。作为本专利技术的进一步改进，在所述校验模块中，采用基于SIFT的相似性比对，归一化车辆区域后，在中心点周围提取SIFT特征，比对算法采用两个特征向量的欧式距离，同时维护两个比对模板，一个是融合模块负责更新的模板，用来定义追踪目标是车辆主体，一个是即时追踪的模板，用来定义追踪目标的变化，同时使用这两个的比对值作为追踪可靠性的参考。作为本专利技术的进一步改进，在所述回归校正模块中，从追踪的车框位置和大小开始，基于若干个兴趣点周围的特征一步一步回归到车框正确的位置和大小，得到回归结果后返回校验步骤进行校验，如果通过校验，则用回归后的结果替换原追踪结果，反之则删除此追踪车的目标。本专利技术的有益效果是：本专利技术的车辆追踪方法和系统，能够解决ADAS在智能设备上运行必须解决的实时性和准确性问题，有效减少了虚警率，提高了准确率。附图说明图1是目前技术的追踪系统原理框图。图2是本专利技术的追踪系统原理框图。具体实施方式本方明主要解决的问题就是在满足实时性要求的基础上，保证车辆的追踪效果在智能设备上稳定准确，大大减少追踪目标漂移的情况。本专利技术涉及的领域是计算机视觉领域的高级驾驶辅助系统(ADAS)，其具体包括前车碰撞预警，车道偏离预警等。本专利技术公开了一种车辆追踪方法，包括如下步骤：检测步骤：检测出新出现在视野的车辆，并且检测一直在视野之内的车辆供追踪步骤校正追踪结果使用；追踪步骤：对检测到的各个车辆进行追踪；融合步骤：对检测步骤的检测结果和追踪步骤的追踪结果进行融合，融合步骤在检测步骤运行的当前帧运行；校验步骤：检查相邻两帧追踪的相似性，且校验步骤在追踪步骤运行后运行；回归校正步骤：接收校验步骤输出的校正信号，且对该车辆的追踪结果进行回归校正；检测步骤间隔指定时间运行一次，追踪步骤和校验步骤间隔指定帧运行一次。在所述检测步骤中，采用像素差值特征的检测方法，在像素差值特征的检测方法中包括NPD特征、深度二次树的特征筛选、softcascade分类器，NPD特征的定义如下：其中x和y分别表示两个像素的亮度值，如果x＝y＝0，则该值设为0；深度二次树采用如下树内节点分裂计算方法：(ax2+bx+c)<t(2)，其中x为特征，t为分裂阈值；学本文档来自技高网...

【技术保护点】
一种车辆追踪方法，其特征在于，包括如下步骤：检测步骤：检测出新出现在视野的车辆，并且检测一直在视野之内的车辆供追踪步骤校正追踪结果使用；追踪步骤：对检测到的各个车辆进行追踪；融合步骤：对检测步骤的检测结果和追踪步骤的追踪结果进行融合，融合步骤在检测步骤运行的当前帧运行；校验步骤：检查相邻两帧追踪的相似性，且校验步骤在追踪步骤运行后运行；回归校正步骤：接收校验步骤输出的校正信号，且对该车辆的追踪结果进行回归校正；检测步骤间隔指定时间运行一次，追踪步骤间隔指定帧运行一次。

【技术特征摘要】
1.一种车辆追踪方法，其特征在于，包括如下步骤：检测步骤：检测出新出现在视野的车辆，并且检测一直在视野之内的车辆供追踪步骤校正追踪结果使用；追踪步骤：对检测到的各个车辆进行追踪；融合步骤：对检测步骤的检测结果和追踪步骤的追踪结果进行融合，融合步骤在检测步骤运行的当前帧运行；校验步骤：检查相邻两帧追踪的相似性，且校验步骤在追踪步骤运行后运行；回归校正步骤：接收校验步骤输出的校正信号，且对该车辆的追踪结果进行回归校正；检测步骤间隔指定时间运行一次，追踪步骤间隔指定帧运行一次。2.根据权利要求1所述的车辆追踪方法，其特征在于，在所述检测步骤中，采用像素差值特征的检测方法，在像素差值特征的检测方法中包括NPD特征、深度二次树的特征筛选、softcascade分类器，NPD特征的定义如下：其中x和y分别表示两个像素的亮度值，如果x＝y＝0，则该值设为0；深度二次树采用如下树内节点分裂计算方法：(ax2+bx+c)<t(2)，其中x为特征，t为分裂阈值；学习基于NPD特征的深度二次树，softcascade结构用来训练和拒绝负样本，每次迭代，学习到一个深度二次树作为弱分类器，以及一个目前AdaBoost分类器的阈值用于拒绝负样本。3.根据权利要求1所述的车辆追踪方法，其特征在于，在所述追踪步骤中，采用基于金字塔稀疏光流的追踪方法，在上一帧的目标框中选择若干个像素点作为特征点，在当前帧中寻找对应的位置，然后将特征点在两帧之间的位移进行排序，得到位移变化的中值，然后获得小于中值的50％的特征点，依据上述特征点计算得出追踪框位置和大小。4.根据权利要求1所述的车辆追踪方法，其特征在于，在所述校验步骤中，采用基于SIFT的相似性比对，归一化车辆区域后，在中心点周围提取SIFT特征，比对算法采用两个特征向量的欧式距离，同时维护两个比对模板，一个是融合模块负责更新的模板，用来定义追踪目标是车辆主体，一个是即时追踪的模板，用来定义追踪目标的变化，同时使用这两个的比对值作为追踪可靠性的参考。5.根据权利要求1至4任一项所述的车辆追踪方法，其特征在于，在所述回归校正步骤中，从追踪的车框位置和大小开始，基于若干个兴趣点周围的特征一步一步回归到车框正确的位置和大小，得到回归结果后返回校验步骤进行校验，如果通过校验，则用回归后的结果替换原追踪结果，反之则删除此追踪车的目标。6.一...

【专利技术属性】
技术研发人员：刘鹏，
申请(专利权)人：开易深圳科技有限公司，
类型：发明
国别省市：广东;44