一种基于颜色空间信息的多车辆视频跟踪方法，其特征在于包括如下步骤：（１）检测车辆运动区域：包括对高速公路监控车道区域进行自适应估计和采用快速约束三角剖分方法检测车辆目标区域；（２）建立车辆表观模型：依据车辆的对称性特征对其进行分片段处理，建立颜色相关图特征向量；（３）建立车辆状态模型：建立满足多车辆状态模型，采用基于二次线性回归进行状态预测；（４）基于粒子滤波对多车辆进行定位。本发明专利技术利用了量化颜色的空间关联关系，并结合分片段的方法建立车辆表观模型，能够实现对多车辆的鲁棒跟踪。
【技术实现步骤摘要】
本专利技术涉及，属于基于机器视觉技 术领域。
技术介绍
通常情况下，交通场景的监控主要是通过人工控制来完成。它需要投入大量 的人力和物力，即便这样，在高强度的工作环境下，遗漏仍可能发生；特别是出现车辆 异常事件时，也不能进一步作出快速反应的。因此，智能交通系统(ITS，Intelligent Transportation Systems)基于机器视觉在近年发展起来。它通过分析视频序列检测、识别 和跟踪车辆目标，以获得诸如位置，速度，方向和加速度等运动参数，无需任何人人工干预， 或者很少的人工干预。Zehang Sun等在《IEEE模式识别与机器智能学报》(2006年第694-711页)发 表文章“道路车辆检测概览”(《IEEE Transactions on Pattern Analysisand Machine Intelligence〉〉(pp. 694-711, 2006) On-road vehicle detection :areview，，)进行了总 结，包括基于知识的、基于运动的和基于表观特征的检测方法。在目标跟踪算法中，基于蒙特卡罗序列的方法是一种较为理想的方法，也称为概 率性跟踪方法，典型的算法是粒子滤波。在粒子滤波框架下，对车辆的表达是非常重要的问 题，因为这种表达可以描述车辆表观与运动状态之间的关联关系。一个好的目标表达可以 使跟踪的车辆区别于背景和其他车辆，已获得更好的跟踪效果。车辆的表达包括表观模型 和运动状态模型。很多视觉特征可以被选择为车辆目标的跟踪进行表观建模。Comaniciu 等发表文章“基于核函数的物体跟踪”(Kernel-based object tracking)，提出了基于颜 色直方图的跟踪算法，该方法对环境噪音和部分遮挡是鲁棒的，但是在背景与目标颜色相 同或者光线变化时该方法失效。但是，空间信息的缺失将会减少模型中的区分度。因此， 要通过加强模型的敏感性来区分背景或其他车辆。在车辆表达中加入空间信息对于增强 跟踪结果的鲁棒性具有重要的作用，这样可以使车辆的形状和尺度不变形得以保持。在 Birchfield ST等人发表的题为“空间图与直方图在区域跟踪上的比较”(Spatiograms versushistograms for region-based tracking)的文献中介绍的空间图是一种通过增力口 空间均值和方差来获取对跟踪目标的充足描述的直方图。另一种流行的跟踪算法是确定性跟踪算法，典型的算法是MeanShift。该算法实 质是一个优化问题，通过车辆检测获得其目标模板，并建立特征函数来度量车辆候选区域 与参考模板之间的相似度，当特征函数取得最大值时，目标被定位。特别地，Zhao Q等人发 表的题为“利用颜色相关图的物体跟踪”(Object tracking using color correlogram) 的文献和题为“简化的颜色相关图在视频跟踪中的运动表观分析”(Motion observability analysis of thesimplified color correlogram for visual tracking)的文献分另Ij给 出了基于颜色相关的MeanShift框架跟踪方法，但是在计算颜色相关图时，方法的计算复 杂度较高。粒子滤波由于是非线性、非高斯且多模态的特点，被广泛应用，但是单纯使用粒子滤波进行跟踪需要大量粒子。因此，可以考虑将确定性跟踪方法与概率性跟踪方法进行 结合，特别是将MeanShift算法与粒子滤波算法结合，既能克服MeanShift算法没有预测 功能的缺点，又能解决粒子滤波算法需要大量粒子进行精确计算的缺点。CamShift算法 是MeanShift的一种改进算法，它作用于动态概率分布，在连续的视频图像序列中，运动物 体的尺寸和位置的变化导致相应的概率分布的动态变化，该算法自适应概率分布的动态变 化，根据概率分布的变化情况自动调整搜寻窗口的尺寸和位置。
技术实现思路
本专利技术要的技术解决问题克服现有技术的不足，提供一种基于颜色空间信息的 多车辆视频跟踪方法。本专利技术的技术方案，其特征在于 包括如下步骤(1)检测车辆运动区域包括对高速公路监控车道区域进行自适应估计和采用快 速约束三角剖分方法检测车辆目标区域；(2)建立车辆表观模型依据车辆的对称性特征对其进行分片段处理，建立颜色 相关图特征向量；(3)建立车辆状态模型建立满足多车辆状态模型，采用基于二次线性回归进行 状态预测；(4)基于粒子滤波对多车辆进行定位。其中，所述步骤(1)首先对高速公路监控车道区域进行自适应估计假设第(k+Ι)帧中，背景像素点ρ的灰度值表述为G(k+l，p) = G(k, ρ) +L(k, ρ) +noise1 (k, ρ)其中，G(k，ρ)是第k帧中，背景像素点ρ的灰度值；L(k，ρ)是描述光照随着时间 变化的不确定模型；noiseHk，ρ)为以零为中心的高斯白噪声(含系统测量误差)；输入图 像像素点P的灰度表示为I (k，p) = G(k，p)+noise2(k，ρ)其中，noiSe2(k，p)为一个以零为中心的高斯白噪声；消去系统测量误差得到I (k+Ι，P) = G (k，ρ) + ω (k+1，ρ)其中，ω(k+1, ρ) = L(k，p)+noisel(k，p)+noise2(k+l，p)，且 ω (k，ρ)是高斯分布。其中，所述步骤(1)的检测车辆目标区域采用快速约束三角剖分方法，包括如下 步骤 1)通过Carmy算子提取轮廓信息；2)对图像轮廓应用Hough变换取得图像中的直线集合；3)提取直线两端点得到角点集合；4)以所有约束边为基础，构建初始约束三角网，并依次插入所有独立角点；5)提取角密度、水平直线密度、密度垂直直线、三角形密度和车辆区域的平均亮度 构建特征向量；6)将候选区域中的五个特征向量输入以K(x，y) = xXy为核函数的支持向量机中，可以得到输出Esvm，当Esvm大于系统设定的置信阈值Εξ的时候，则该区域为真实车辆区 域。其中，所述步骤(2)的车辆表观模型的建立步骤包括1)将车辆检测区域定义为长度为1，宽度为h的矩形，车辆参考区域的特征向量 H* ；2)根据车辆的对称性特点，将矩形区域划分成对称且相交的4个矩形片段；3)计算每个片段的特征向量其中，Φ= 二尸(/(Α) = _, Α-P2I=冬丨八朽)= _)是检测区域中的点P1 =(X1^y1)和巧=(x2，y2)的颜色自相关图；Ci和Cj是这两个点的量化颜色空间I (P1)和I(P2) 的值，i，je [k](k=l，2，…，K)，K是颜色空间的量化尺度；df是第f个片段中两个点之 间的距离；4)对每个片段的特征向量进行归一化，并构建该车辆目标的表观特征模型为其中，y经过归一化后的特征向量。所述步骤3)中第f个片段中中两个点的距离为df = ^{dff+idff ,其中，J；0和分别是第f个片段中两点之间的水平距离和垂直距离，且当记4个 矩形片段的长度、宽度分别为I1 = I2 = 1/2，Ii1 = h2 = h，I3 = I4 = 1，h3 = h4 = h/2时， d{fh)咁”灼、=TjhpA是比例因子。当所述步骤2)中矩形片段本文档来自技高网...
【技术保护点】
【技术特征摘要】
一种基于颜色空间信息的多车辆视频跟踪方法，其特征在于包括如下步骤(1)检测车辆运动区域包括对高速公路监控车道区域进行自适应估计和采用快速约束三角剖分方法检测车辆目标区域；(2)建立车辆表观模型依据车辆的对称性特征对其进行分片段处理，建立颜色相关图特征向量；(3)建立车辆状态模型建立满足多车辆状态模型，采用基于二次线性回归进行状态预测；(4)基于粒子滤波对多车辆进行定位。2.根据权利要求1所述的基于颜色空间信息的多车辆视频跟踪方法，其特征在于所 述步骤(1)首先对监控车道区域进行自适应估计假设第(k+Ι)帧中，背景像素点ρ的灰度值表述为3.根据权利要求1所述的高速公路监控场景下多车辆视频跟踪方法，其特征在于所 述步骤(1)的检测车辆目标区域采用快速约束三角剖分方法，包括如下步骤1)通过Carmy算子提取轮廓信息；2)对图像轮廓应用Hough变换取得图像中的直线集合；3)提取直线两端点得到角点集合；4)以所有约束边为基础，构建初始约束三角网，并依次插入所有独立角点；5)提取角密度、水平直线密度、密度垂直直线、三角形密度和车辆区域的平均亮度构建 特征向量；6)将候选区域中的五个特征向量输入以K(x，y)=xXy为核函数的支持向量机中，可 以得到输出Esvm，当Esvm大于系统设定的置信阈值Εξ的时候，则该区域为真实车辆区域。4.根据权利要求1所述的基于颜色空间信息的多车辆视频跟踪方法，其特征在于所 述步骤(2)的车辆表观模型的建立步骤包括1)将车辆检测区域定义为长度为1，宽度为h的矩形，车辆参考区域的特征向量H*；2)根据车辆的对称性特点，将矩形区域划分成对称且相交的4个矩形片段；5.根据权利要求4所述的基于颜色空间信息的多车辆视频跟踪方法，其特征在于所 述步骤3)中第f个片段中中两个点的距离为df=pm(々)2,其中，和dp分别是第f个片段中两点之间的水平距离和垂直距离，且当记4个矩 形片段的长度、宽度分别为 I1 = I2 = 1/2，Ii1 = h2 = h，I3 = I4 = 1，h3 = h4 = h/2 时， d{p = T7Z7,4V) =φρ η 是比例因子。6.根据权利要求4所述的基于颜色空间信息的多车辆视频跟踪方法，其特征在于所 述步骤2)中当矩形片段的尺寸小于16X16时，两个点之间的距离为d = ^{d{h)f +{d{v) f ,其中，水平距离和垂直距离分别为d(h) = nl,d(v) = nh, η是比例因子；设车辆参考区域的特征向量Η*，车辆候选区域的特征向量为方={Φ仏H = h\其中，Y是方经过归一化后的特征向量。7.根据权利要求4或6所述的基于颜色空间信息的多车辆视频跟踪方法，其特征在于 所述车辆候选区域的特征向量H与车辆参考区域的特征向量H*之间的Bhattacharyya系 数定义为ρ=Σ扭加im,其中，k是颜色的量化尺度；相...
【专利技术属性】
技术研发人员：魏奇，李超，熊璋，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。