一种车牌信息与车辆特征融合的车辆轨迹跟踪方法技术

本发明专利技术涉及高速公路监控领域，特指一种车牌信息与车辆特征融合的车辆轨迹跟踪方法，首先在高速公路高清卡口处对车牌信息和车辆信息进行提取，存入数据库中进行关联；接着在全路段对车辆各个方面的特征进行提取，接着在全路段对车辆各个方面的特征进行提取，包括车辆的固有特征和运动特征；途中经过下一个车牌识别摄像机再次对车牌信息和车辆信息进行提取，并使用PSO算法与之前获取的信息进行优化；其次建立车辆在多摄像机间运动的时间和空间的约束；最后对摄像机观察到的所有车辆，使用车辆关联算法进行关联，在它们之中找到属于相同车辆的目标，从而实现通过输入车牌号进行多个摄像机间的车辆轨迹跟踪。

【技术实现步骤摘要】
一种车牌信息与车辆特征融合的车辆轨迹跟踪方法
本专利技术涉及高速公路监控领域，特指一种车牌信息与车辆特征融合的车辆轨迹跟踪方法。
技术介绍
随着人们对交通安全的逐渐重视，加之国家相关政策的制定与推进，智能视频监控技术得以快速发展。随着高速公路的快速发展和扩张，基于单摄像机以及车辆特征的车辆跟踪技术已经满足不了业务需求。而基于经济、资源利用和维护管理等方面考虑，且由于目前高速公路只有车牌识别摄像机能拍摄到车辆唯一特征——车牌，将该摄像机视域覆盖所有监控区域是不现实的，因而当前车辆跟踪系统准确率较低。针对以上问题，将车牌识别摄像机拍到的车牌信息与其他摄像机所获取的车辆特征信息进行融合，设计了车牌与车辆特征信息融合的车辆轨迹跟踪系统，实现了广域视频监控环境下的目标跟踪，只需要输入车牌即可显示目标车辆轨迹。因此，本专利技术人对此做进一步研究，研发出一种车牌信息与车辆特征融合的车辆轨迹跟踪方法，本案由此产生。
技术实现思路
为了实现上述目的，本专利技术的技术方案如下：一种车牌信息与车辆特征融合的车辆轨迹跟踪方法，包括如下步骤：首先在高速公路高清卡口处对车牌信息和车辆信息进行提取，存入数据库中进行关联；接着在全路段对车辆各个方面的特征进行提取，包括车辆的固有特征和运动特征；途中经过下一个车牌识别摄像机再次对车牌信息和车辆信息进行提取，并使用PSO算法与之前获取的信息进行优化；其次建立车辆在多摄像机间运动的时间和空间的约束；最后对摄像机观察到的所有车辆，使用车辆关联算法进行关联，在它们之中找到属于相同车辆的目标，从而实现通过输入车牌号进行多个摄像机间的车辆轨迹跟踪。只需要输入车牌号，即可调用由高清卡口处获取到的车牌信息为唯一特征值进行全路段的车辆轨迹跟踪。进一步，PSO算法中，粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值来更新个体极值和群体极值位置，假设在一个D维的搜索空间中，由n个粒子组成的种群X＝(X1,X2,…,Xn),其中第i个粒子表示为一个D维的向量Xi＝(xi1,xi2,…,xiD)T,代表第i个粒子在D维的搜索空间中的位置，亦代表问题的一个潜在解，根据目标函数即可计算出每个粒子位置；Xi对应的适应度值，第i个粒子的速度为Vi＝(Vi1,Vi2,…,ViD)T,其个体极值为Pi＝(Pi1,Pi2,…,PiD)T，种群的全局极值为Pg＝(Pg1,Pg2,…,PgD)T；在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下：式中，ω为惯性权重；d＝1,2，…，D；i＝1，2，…，n；k为当前迭代次数；Vid为粒子的速度；c1和c2为非负的常数，称为加速度因子；r1和r2为分布于[0,1]之间的随机数；为防止粒子的盲目搜索，本系统将其位置和速度限制在[-Xmax,Xmax]、[-Vmax,Vmax]；惯性权重ω体现的是粒子当前速度多大程度上继承先前的速度，为了更好的平衡算法的全局搜索与局部搜索能力，本系统通过实验选用惯性权重，采用线性递减惯性权重LDIW，即ω(k)＝ωstart-(ωstart-ωend)*k/Tmax(3)式中，ωstart为惯性权重；ωend为迭代至最大次数时的惯性权重；k为当前迭代代数；Tmax为最大迭代代数。PSO算法即粒子群优化算法，上述的粒子即等同于车辆。进一步，为了对目标的各种关联特征进行合理融合，定义一个相似度度量函数，相似度度量函数将可以数值化的关联特征结合起来，并对每一个关联特征指定权值，由此来描述目标之间的相似程度从而确定目标之间的关联性；对于在任意摄像机中观察到的两个目标1和2，它们之间关联性由相似度函数Y(Xi,1,Xj,2)度量，相似度函数的定义如公式所示：Y(Xi,1,Xj,2)＝ωtT(ti,1,tj,2)ωtH(hi,1,hj,2)ωtE(ei,1,ej,2)ωtB(bi,1,bj,2)(4)，权值ω来控制该特征的重要程度，基于摄像机捕获目标的特征值并非每次都一样，因而权值ω的大小取决于该特征的准确度；两个目标车辆的时间关联特征的对比值为T(ti,1，tj,2)，地点关联特征的对比值为H(hi,1，hj,2)、大小关联特征的对比值为E(ei,1，ej,2)、外观模型关联特征的对比值为B(bi,1，bj,2)。进一步，把车辆关联求解建模为求MAP的问题，其具体实现如下：1)假设间隔性高速公路摄像机网络包含h个摄像机，把它们分别记为C1,C2,…,Ch；2)在一段时间里，摄像机Ci捕捉到mi个目标，将这些目标记为Oi＝{Oi,1,Oi,2,…,Oi,r}；3)对捕获到的每个车辆Oi,a进行关联特征提取获，得到目标的表现特征Oi,a(T)；4)对摄像机网络拓扑进行估计，得到目标的空间特征Oi,a(K)。5)把车辆关联问题转换为一个寻找关联集合的问题，令表示一次关联，表示(Oi,1,Oj,2)为同一辆车，并且目标1先与目标2出现；其需要满足的条件如下：Oi,1和Oj,2是同一辆车且每个目标至多拥有一个前继和后继目标，即对所有的有假设为车辆关联算法得到的一个解，假定每次关联都是独立的，则有：其中是捕获目标Oi,a和Oj,b后，关联发生的概率。根据贝叶斯理论有：引入车辆的外观特征Oi,a(T)和车辆的空间特征Oi,a(K)，可得到：这样，多摄像机间的目标关联问题就被建模为在解空间Δ内寻找最大的后验概率M*：先验概率定义为目标从摄像机Ci到Cj的概率,用p(Ci,Cj)表示，若假定目标的出现是均匀分布的，则全概率pi,j(Oi,a,Oj,b)为一个不变的尺度参数。由于高速公路的封闭性和单向性，采用贝叶斯定理可以极大的提高目标车辆的关联准确性。进一步，车辆的固有特征包括车辆的颜色、形状、大小、挡风玻璃处的年检标志，以及车辆的品牌和型号；车辆的运动特征包括车辆的出现时间与位置、目标的消失时间与位置、目标的运动方向、目标的运动轨迹，其中，通过对车辆的头部信息进行提取建模，使用SURF算法将目标车辆的头部信息同数据库中的标准车型信息进行对比，从而获得车辆的品牌型号信息。尽可能的提取目标车辆更多的信息，以及来区别高速路上同类型号的车辆。进一步，对能构成车辆关联的特征进行提取，首先将车辆的两个图片中所包含的相关性特征进行分析，获得两个目标的相似度值；相似度值计算主要通过计算两个目标向量的余弦相似度来判别两个车辆图片的相似关系；本系统算法提取的关联特征为：HOG算子、LBP算子，使用HOG算子训练捕获目标边缘和形状信息，针对HOG算子在不同图像的不同区域的可能会产生类型的梯度直方图，使用LBP算子作为互补，最后使用SURF算法来计算车辆的特征相似度值。进一步，HOG算子首先将摄像机监本文档来自技高网...

【技术保护点】
1.一种车牌信息与车辆特征融合的车辆轨迹跟踪方法，包括如下步骤：/n首先在高速公路高清卡口处对车牌信息和车辆信息进行提取，存入数据库中进行关联；接着在全路段对车辆各个方面的特征进行提取，包括车辆的固有特征和运动特征；途中经过下一个车牌识别摄像机再次对车牌信息和车辆信息进行提取，并使用PSO算法与之前获取的信息进行优化；其次建立车辆在多摄像机间运动的时间和空间的约束；最后对摄像机观察到的所有车辆，使用车辆关联算法进行关联，在它们之中找到属于相同车辆的目标，从而实现通过输入车牌号进行多个摄像机间的车辆轨迹跟踪。/n

【技术特征摘要】
1.一种车牌信息与车辆特征融合的车辆轨迹跟踪方法，包括如下步骤：
首先在高速公路高清卡口处对车牌信息和车辆信息进行提取，存入数据库中进行关联；接着在全路段对车辆各个方面的特征进行提取，包括车辆的固有特征和运动特征；途中经过下一个车牌识别摄像机再次对车牌信息和车辆信息进行提取，并使用PSO算法与之前获取的信息进行优化；其次建立车辆在多摄像机间运动的时间和空间的约束；最后对摄像机观察到的所有车辆，使用车辆关联算法进行关联，在它们之中找到属于相同车辆的目标，从而实现通过输入车牌号进行多个摄像机间的车辆轨迹跟踪。


2.根据权利要求1所述的一种车牌信息与车辆特征融合的车辆轨迹跟踪方法，其特征在于：PSO算法中，粒子每更新一次位置，就计算一次适应度值，并且通过比较新粒子的适应度值和个体极值、群体极值的适应度值来更新个体极值和群体极值位置，假设在一个D维的搜索空间中，由n个粒子组成的种群X＝(X1,X2,…,Xn),其中第i个粒子表示为一个D维的向量Xi＝(xi1,xi2,…,xiD)T,代表第i个粒子在D维的搜索空间中的位置，亦代表问题的一个潜在解，根据目标函数即可计算出每个粒子位置；
Xi对应的适应度值，第i个粒子的速度为Vi＝(Vi1,Vi2,…,ViD)T,其个体极值为Pi＝(Pi1,Pi2,…,PiD)T，种群的全局极值为g＝(Pg1,Pg2,…,PgD)T；
在每一次迭代过程中，粒子通过个体极值和全局极值更新自身的速度和位置，更新公式如下：






式中，ω为惯性权重；d＝1,2，…，D；i＝1，2，…，n；k为当前迭代次数；Vid为粒子的速度；c1和c2为非负的常数，称为加速度因子；r1和r2为分布于[0,1]之间的随机数；为防止粒子的盲目搜索，本系统将其位置和速度限制在[-Xmax,Xmax]、[-Vmax,Vmax]；
惯性权重ω体现的是粒子当前速度多大程度上继承先前的速度，为了更好的平衡算法的全局搜索与局部搜索能力，本系统通过实验选用惯性权重，采用线性递减惯性权重LDIW，即
ω(k)＝ωstart-(ωstart-ωend)*k/Tmax(3)
式中，ωstart为惯性权重；ωend为迭代至最大次数时的惯性权重；k为当前迭代代数；Tmax为最大迭代代数。


3.根据权利要求1所述的一种车牌信息与车辆特征融合的车辆轨迹跟踪方法，其特征在于：为了对目标的各种关联特征进行合理融合，定义一个相似度度量函数，相似度度量函数将可以数值化的关联特征结合起来，并对每一个关联特征指定权值，由此来描述目标之间的相似程度从而确定目标之间的关联性；对于在任意摄像机中观察到的两个目标1和2，它们之间关联性由相似度函数Y(Xi,1,Xj,2)度量，相似度函数的定义如公式所示：
Y(Xi,1,Xj,2)＝ωtT(ti,1,tj,2)ωtH(hi,1,hj,2)ωtE(ei,1,ej,2)ωtB(bi,1,bj,2)(4)，
权值ω来控制该特征的重要程度，基于摄像机捕获目标的特征值并非每次都一样，因而权值ω的大小取决于该特征的准确度；两个目标车辆的时间关联特征的对比值为T(ti,1，tj,2)，地点关联特征的对比值为H(hi,1，hj,2)、大小关联特征的对比值为E(ei,1，ej,2)、外观模型关联特征的对比值为B(bi,1，bj,2)。


4.根据权利要求1所述的一种车牌信息与车辆特征融合的车辆轨迹跟踪方法，其特征在于：把车辆关联求解建模为求MAP的问题，...

【专利技术属性】
技术研发人员：郑于海，王长华，陶杰，汪内利，朱熙豪，倪双静，亓凌，于涵诚，
申请(专利权)人：浙江省机电设计研究院有限公司，
类型：发明
国别省市：浙江;33