基于视频技术的车辆检测与跟踪方法技术

本发明专利技术提供一种通过对交通场景的视频图像进行处理来进行车辆检测与跟踪的方法，该方法为：采集交通场景的图像，将交通图像按８×８像素进行分块，初始化背景图像并不断进行背景图像更新，在车道入口处设置与车道方向垂直的宽度为８像素的虚拟检测线，通过计算虚拟检测线上的块相对于背景图像的灰度变化来检测车辆，利用车辆到达检测线的次序对属于车辆区域的块进行标号，得到车辆标号的初始位置，之后结合三步法及全搜索法计算车辆的运动矢量并利用运动矢量对车辆标号的位置不断进行更新，实现了车辆的跟踪。本发明专利技术还针对复杂交通场景内可能出现的车辆间遮挡现象进行了检测和分割，因此具有检测和跟踪精度高、实时性好的优点。

Vehicle detection and tracking method based on video technology

The present invention provides a method for processing video images of the traffic scene of vehicle detection and tracking, the method for image acquisition: traffic scene, will block the traffic image according to 8 x 8 pixels, initialize the background image and continuous updating of background, in the lane and the lane entrance set perpendicular to the direction of the width of the virtual detection line is 8 pixels, by calculating the virtual detection line block relative to the gray change the background image to detect vehicle using the vehicle reaches the detection line of vehicles belonging to the order label area, get the initial position of the vehicle motion vector label, after calculating the vehicle with three steps and full search method and the the vehicle position label constantly updated using motion vectors, realize the vehicle tracking. The invention also detects and divides the phenomenon of inter vehicle occlusion which is likely to occur in the complex traffic scene, so the utility model has the advantages of high precision and good real-time performance.

【技术实现步骤摘要】

本专利技术涉及一种，其目的在于检测交通场景内存在的车辆， 并对车辆的位置不断地进行跟踪，属于交通监控
随着经济的不断发展和城市化进程的快速进行，我国的机动车保有数量急剧增加，交通问题越 来越突出，比如交通事故发生不断增长、交通拥堵频繁发生。为了解决这些问题，20世纪卯年代 以来，世界各国开始进行智能运输系统(ITS)的建设。ITS通过利用先进的信息技术将人车路有机 地结合起来。ITS中一个重要的子系统就是交通信息采集系统，车辆检测是该系统的重要功能之一。传统的车 辆检测方法是环形线圈检测，它存在容易损坏、维修困难等缺点。近些年来，利用视频技术进行车 辆检测成为车辆检测技术中的一个热点，它可模仿人的视觉功能进行车辆检测和跟踪，具备可检测 多个车道、安装维修简单等优点。它从复杂的交通场景图像中检测和跟踪车辆，必须要处理光照的 变化、车辆的遮挡等因素。通过对现有技术文献的检索发现现有的车辆跟踪方法主要有以下几种基于3D模型的车辆跟踪 方法、基于特征点的车辆跟踪方法和基于Snake主动轮廓模型的车辆跟踪方法等。基于特征点和基 于Snake主动轮廓模型的车辆跟踪方法对车辆间的遮挡现象很敏感,而基于3D模型的车辆跟踪方法 需要针对大量的车辆建立3D模型，过于复杂且不实用。本专利技术将提供一种能够解决车辆遮挡现象 且简单实用的视频车辆跟踪方法。技术问题本专利技术提供一种可以在复杂环境下进行车辆检测与跟踪的基于视频技术的车辆检测与跟踪方 法，该方法具有跟踪精度高、实时性好的优点。 技术方案一种基于视频技术的车辆检测与方法，其特征在于 ①交通场景背景图像的不断更新设背景初始化之后得到的背景图像为^，每当重新采集到第i帧图像f时，计算对应于第i-l 帧图像/^的背景图像^—i，设当z'-2时不需对背景进行更新，即^=^, ^为第1帧图像A的背景图像；而当纟>2时， 首先利用连续三帧图像《_2 、 i^和^计算对称帧差图像l/^ _《—2|和|《-《—J ，并利用这两幅对 称帧差图像进行二值化计算，得到与所采集第i帧图像《大小相等的第1标号图^ ，
技术介绍

技术实现思路
<formula>formula see original document page 6</formula>式中，Pi(x,y)表示第i帧图像S中坐标为(x，y)的像素的灰度，A(x, y)表示第1标号图A中坐标为(x，y)的点的标号，A(x，y)取1时表示点(x, y)在连续三帧图像《—2、 ,和《中是运动的，Z,(x，y)取0时表示点(x,y)在连续三帧图像《—2、 /^和S中是静止的，^表示二值化计 算时的阈值，预先设定为5 10，在得到第1标号图^之后，接着对第1标号图^进行种子填充，得到新的第1标号图zV 。其次，对第i-l帧图像《—,中所有像素的灰度尸i—,x，y)进行四邻域平均计算，得到图像i^'，即<formula>formula see original document page 7</formula>接着，利用图像/^'和背景图像U十算背景差图像li^'-5,.—2| ，并对该背景差图像进行二值 化计算，得到第2标号图^，中进行，其中、ymin分别是块标号矩阵丄flte/i—,中所有标号为h的块的最小横纵坐标，xmax 、 ymax分别是块标号矩阵la6e/q中所有标号为h的块的最大横纵坐标，首先利用在车辆检测中用到的阈值计算方法计算 背景差图像5i^的分割阈值T2，再分别计算最小矩阵框中的所有块的平均灰度，如果块的平均灰度大于阈值T2，则给该块标上车辆的标号h;否则将该块的标号设置为0，艮P: 对于任意的块D(X,力，X^Sx^X^且X^^y^:^a，其平均灰度为X(x,_y) = ( Z Z ^(附,"))/64m=(;c—l)x8+l ""l)x8+l如果K(;c，力》r2，则丄^4—i(x,力^/ ;如果〖(x,力〈r2，则z——i(x，力二o。⑤ 检测车辆间的遮挡现象并进行分割(1) 遮挡现象的检测对单辆车而言，以包含所有标号的最小矩形框作为该车的位置，则当前图像/^中的所有车辆分别由各自的最小矩形框来表示，且矩形框的标号与框内块的标号一致，对所有的矩形框进行两两比较和判断，若两个矩形框存在重叠部分，则表明矩形框所代表的车辆间存在 遮挡现象，并将重叠部分定义为遮挡区域；反之，若两个矩形框不存在重叠部分，则表明矩形框所 代表的车辆间不存在遮挡现象，(2) 遮挡区域的分割检测到遮挡现象并得到遮挡区域之后，针对遮挡区域建立Markov模型，模型中标号的个数即为遮挡区域中块的个数，给遮挡区域中所有块的标号都设定一个确定值便得到一组标号组合，每组标 号组合都对应一个能量函数。在所有可能的标号组合的范围内，对能量函数进行最小优化，得到的 最小能量函数所对应的标号组合即为遮挡区域的分割结果。本专利技术还可以进一步采取以下技术措施，S卩在使用全搜索法计算运动矢量(v^,;^)中，运动 矢量长度小于1个像素时，对与运动矢量计算的目标块N的距离为0. 5像素的8个块进行灰度插值。有益效果1. 由于摄像机的拍摄范围可以覆盖多条车道，因此能够对相同行车方向的多条道路上的车辆进行 检测和跟踪，得到车辆运动轨迹信息。2. 车辆跟踪的精度高，实时性好。根据车辆在远离摄像机向前行驶的过程中车辆运动矢量会逐渐 变小这一规律，采用三步法、全搜索法以及0.5像素精度的搜索法相结合计算车辆的运动矢量， 在保证车辆运动矢量的准确性的同时，减少了计算量，从而保证了车辆跟踪的精度和实时性。3. 在交通拥挤的情况下能够进行车辆跟踪。对车辆间的相互遮挡进行了优化处理，避免了遮挡车 辆间的相互混淆，从而提高了交通拥挤情况下车辆跟踪的精度。附图说明图1是车辆检测与跟踪过程流程图。 图2是初始背景图像5。。图3是第一辆车刚刚到达检测线时的图像尸78。图4是图像尸78的背景差图像5尸78 。图5是图像尸78经过车辆检测后的标号结果丄fl6e^ 。图6是全搜索法的原理。图7是三步法的搜索过程。图8是0.5像素全搜索法中的块灰度插值方法。图9是第一辆车即将离开检测线时的图像尸86 。 图10是图像4的标号结果la6e^ 。 图11是图像尸87 。图12是第一辆车在图像尸86和图像尸87之间的运动矢量。图13是按运动矢量对图尸86中的标号进行移位后的标号结果丄06<图14是进行标号校正之后的图像尸87的标号结果/^6￡/87 。图15是遮挡处理之前的图像/^。8的标号图丄a^/^ 。图16是遮挡处理之后的图像^M的标号图i:fl6e/^。具体实施方式本专利技术的具体实例结合图5-16说明如下具体实例一①背景初始化架设摄像机，针对一具体的交通场景采集15分钟的连续序列图像，釆集频率为30帧/s，图像大 小为240X320像素。对所有采集来的图像进行平均计算，艮P:其中，万。表示初始背景图像，5。0,力表示^中坐标为(x,y)的像素的灰度，Q表示采集的 第i帧图像，Q(x,力表示g.中坐标为(x，y)的像素的灰度，最终得到如图2所示的初始背景图像②背景更新得到初始背景图像A之后，重新采集序列图像，每当重新采集到第i帧图本文档来自技高网...

【技术保护点】
一种基于视频技术的车辆检测与方法，其特征在于：①交通场景背景图像的不断更新设背景初始化之后得到的背景图像为Ｂ↓［０］，每当重新采集到第ｉ帧图像Ｐ↓［ｉ］时，计算对应于第ｉ－１帧图像Ｐ↓［ｉ－１］的背景图像Ｂ↓［ｉ－１］，设当ｉ＝２时不需对背景进行更新，即Ｂ↓［１］＝Ｂ↓［０］，Ｂ↓［１］为第１帧图像Ｐ↓［１］的背景图像；而当ｉ＞２时，首先利用连续三帧图像Ｐ↓［ｉ－２］、Ｐ↓［ｉ－１］和Ｐ↓［ｉ］计算对称帧差图像｜Ｐ↓［ｉ－１］－Ｐ↓［ｉ－２］｜和｜Ｐ↓［ｉ］－Ｐ↓［ｉ－１］｜，并利用这两幅对称帧差图像进行二值化计算，得到与所采集第ｉ帧图像Ｐ↓［ｉ］大小相等的第１标号图Ｌ↓［１］，＊＊＊式中，Ｐ↓［ｉ］（ｘ，ｙ）表示第ｉ帧图像Ｐ↓［ｉ］中坐标为（ｘ，ｙ）的像素的灰度，Ｌ↓［１］（ｘ，ｙ）表示第１标号图Ｌ↓［１］中坐标为（ｘ，ｙ）的点的标号，Ｌ↓［１］（ｘ，ｙ）取１时表示点（ｘ，ｙ）在连续三帧图像Ｐ↓［ｉ－２］、Ｐ↓［ｉ－１］和Ｐ↓［ｉ］中是运动的，Ｌ↓［１］（ｘ，ｙ）取０时表示点（ｘ，ｙ）在连续三帧图像Ｐ↓［ｉ－２］、Ｐ↓［ｉ－１］和Ｐ↓［ｉ］中是静止的，ｔ↓［１］表示二值化计算时的阈值，预先设定为５～１０，在得到第１标号图Ｌ↓［１］之后，接着对第１标号图Ｌ↓［１］进行种子填充，得到新的第１标号图Ｌ↓［１］′。其次，对第ｉ－１帧图像Ｐ↓［ｉ－１］中所有像素的灰度Ｐ↓［ｉ－１］（ｘ，ｙ）进行四邻域平均计算，得到图像Ｐ↓［ｉ－１］′，即：Ｐ↓［ｉ－１］′（ｘ，ｙ）＝（Ｐ↓［ｉ－１］（ｘ－１，ｙ）＋Ｐ↓［ｉ－１］（ｘ，ｙ－１）＋Ｐ↓［ｉ－１］（ｘ，ｙ）＋Ｐ↓［ｉ－１］（ｘ，ｙ＋１）＋Ｐ↓［ｉ－１］（ｘ＋１，ｙ））／５接着，利用图像Ｐ↓［ｉ－１］′和背景图像Ｂ↓［ｉ－２］计算背景差图像｜Ｐ↓［ｉ－１］′－Ｂ↓［ｉ－２］｜，并对该背景差图像进行二值化计算，得到第２标号图Ｌ↓［２］，＊＊＊其中Ｂ↓［ｉ－２］为第ｉ－２帧图像的背景图像，ｔ↓［２］为二值化计算时的阈值，通过车辆检测过程中的阈值计算方法计算得到，最后，根据新的第１标号图Ｌ↓［１］′和第２标号图Ｌ↓［２］中对应点之间的４种逻辑关系，将第ｉ－２帧图像的背景图像Ｂ↓［ｉ－２］分为４个区域，并对该４个区域采用下列灰度更新方法进行更新，得到更新后的背景图像Ｂ↓［ｉ－１］：＊＊＊其中，Ｍ取值决定背景更新的速度，取１或２；②设置虚拟检测线，当车辆通过检测线时对其进行检测，得到车...

【技术特征摘要】

【专利技术属性】
技术研发人员：路小波，刘斌，朱周，
申请(专利权)人：东南大学，
类型：发明
国别省市：84[中国|南京]