[發(fā)明專利]一種高速公路監(jiān)控場景下多車輛視頻跟蹤方法

無效

• 申請?zhí)枺?/td>: 201010144098.X
• 申請日: 2010-04-08
• 公開（公告）號: CN101800890A
• 公開（公告）日: 2010-08-11
• 發(fā)明（設計）人: 魏奇;李超;聞佳;熊璋
• 申請（專利權）人: 北京航空航天大學
• 主分類號: H04N7/18
• 分類號: H04N7/18;G08G1/01
• 代理公司: 北京慧泉知識產(chǎn)權代理有限公司 11232
• 代理人: 王順榮;唐愛華

1.一種高速公路監(jiān)控場景下多車輛視頻跟蹤方法，其特征在于包括如 下步驟：

(1)檢測車輛運動區(qū)域：包括對高速公路監(jiān)控車道區(qū)域進行自適應估 計和采用快速約束三角剖分方法檢測車輛目標區(qū)域；

(2)建立多車輛目標模型：包括采用車輛狀態(tài)模型二次自回歸模型進 行預測，觀測模型采用顏色直方圖特征和局部積分方向描述子特征融合建 模，采用閾值方法判斷車輛進、出監(jiān)控區(qū)域

(3)基于分層粒子濾波的車輛跟蹤：采用Camshift算法與粒子濾波分 層次相融合方法進行魯棒跟蹤；

其中，所述步驟(1)首先對高速公路監(jiān)控車道區(qū)域進行自適應估計：

假設第(k+1)幀中，背景像素點p的灰度值表述為：

G(k+1，p)＝G(k，p)+L(k，p)+noise¹(k，p)

其中，G(k，p)是第k幀中，背景像素點p的灰度值；L(k，p)是描述光照隨著 時間變化的不確定模型；noise¹(k，p)為以零為中心的高斯白噪聲；輸入圖像 像素點p的灰度表示為：

I(k，p)＝G(k，p)+noise²(k，p)

其中，noise²(k，p)為一個以零為中心的高斯白噪聲；消去系統(tǒng)測量誤差得到：

I(k+1，p)＝G(k，p)+ω(k+1，p)

其中，ω(k+1，p)＝L(k，p)+noise¹(k，p)+noise²(k+1，p)，且ω(k，p)是高斯分 布；

其中，所述步驟(1)的檢測車輛目標區(qū)域采用快速約束三角剖分方法， 包括如下步驟：

1)通過Canny算子提取輪廓信息；

2)對圖像輪廓應用Hough變換取得圖像中的直線集合；

3)提取直線兩端點得到角點集合；

4)以所有約束邊為基礎，構建初始約束三角網(wǎng)，并依次插入所有獨立 角點；

5)提取角密度，水平直線密度，密度垂直直線，三角形密度和車輛區(qū) 域的平均亮度構建特征向量；

6)將候選區(qū)域中的五個特征向量輸入以K(x，y)＝x×y為核函數(shù)的支持 向量機中，得到輸出E_SVM，當E_SVM大于系統(tǒng)設定的置信閾值E_ξ的時候，則 該區(qū)域為真實車輛區(qū)域；

其中，所述步驟(2)的車輛狀態(tài)模型定義為：S＝(x，y，l，h)^T，其中，(x，y) 構成被跟蹤目標的中心點C＝(x，y)^T，搜索窗W＝(l，h)^T是長為l，寬為h的 矩形；采用二次線性自回歸的方法預測當前的狀態(tài)：

p(S_k|S_k-1，S_k-2，…，S₁)～N(S_k；2S_k-1-S_k-2，∑)；

多車輛目標時，狀態(tài)預測模型為：

p(S_k(m)|S_k-1(m)，…，S₁(m))～N(S_k(m)；2S_k-1(m)-S_k-2(m)，∑(m))

其中，假設目標之間是相互獨立的，且當前有M個車輛目標，S_k(m)表示第k 幀中第m個車輛目標的狀態(tài)；

其中，所述步驟(2)的車輛觀測模型是由RGB顏色直方圖特征和局部 積分方向描述子特征進行融合構成的：

p(O_k|S_k)∝p_color(O_k|S_k)p_LIOD(O_k|S_k)，其中，是基 于RGB顏色直方圖特征的觀測函數(shù)，是局部積分 方向描述子特征的觀測函數(shù)，O_k為當前視頻幀，B(·，·)是巴氏距離；H和H^*分別是從被S_k覆蓋的區(qū)域中估計出的候選顏色直方圖和參考顏色直方圖； H_LIOD和分別是從被S_k覆蓋的區(qū)域中估計出的候選局部積分方向描述 子直方圖和參考局部積分方向描述子直方圖；

其中，所述局部積分方向描述子是對局部圖像梯度的方向采用得到8個 分格，每個像素位置的梯度方向由其梯度值加權得到，每一個像素位置的第 t個分格在s尺度時的加權梯度方向直方圖定義如下：

其中，是梯度向量，即為像素點(x，y)處的梯度G_x(x，y)，G_y(x，y)；R是 在像素點(x，y)的作為尺度函數(shù)的局部支持區(qū)域的尺寸；Z是標準化因子， ω(x，y，k)是第t個分格的方向計數(shù)器：

ω(x,y,t)=1ifθ(x,y)∈tth0otherwise,]]>

其中，θ(x，y)是像素點(x，y)的梯度方向角arctan(G_y(x，y)/G_x(x，y))；

其中，所述步驟(2)中對車輛進、出監(jiān)控區(qū)域采用閾值方法進行判斷：

1)車輛進入監(jiān)控區(qū)域：T_in為判斷新車輛目標進入視場的閾值，第k幀時 有J個車輛目標，第k-1幀有M個車輛目標，且有J＞M，滿足以下條件時有 車輛進入監(jiān)控區(qū)域：

p(Ok(j)|Ski(m))<Tin;]]>

2)車輛退出監(jiān)控區(qū)域：T_out為判斷車輛目標離開視場的閾值，第k幀時 有P個車輛目標，第k-1幀有M個車輛目標，且有P＜M，滿足一下條件時有 車輛退出監(jiān)控區(qū)域：

p(Ok(p)|Ski(m))<Tout;]]>

其中，則表示第k幀中第m個車輛目標的第i個粒子的狀態(tài)；

其中，所述步驟(3)采用Camshift算法與粒子濾波分層次相融合方法 進行魯棒跟蹤的具體步驟為：

1)將(0，1]分成N個連續(xù)互不重合的區(qū)間，即N 即為初始化的粒子個數(shù)；

2)對每個獨立同分布采樣得到的初始粒子集{Sⁱ}_{i＝1，2，…，N}，有 其中U((u，v])表示在區(qū)間(u，v]上的均勻分布；

3)粒子狀態(tài)的期望值并得到該粒子的權重

ωki=p(Ok|Ski);]]>

4)將粒子集隨機地分成2個數(shù)目相等子集：

5)對其中一個子集的每一個粒子進行迭代：

選擇加權值最大的粒子，然后我們使用該子集中的所有粒子，來計算這 個粒子狀態(tài)中心點的平均位移，進而接近其局部模式：

mean_shift(C‾ti)=Σj=1MCjm(Cj)g(||C‾ki-Cjr||2)Σj=1Mm(Cj)g(||C‾ki-Cjr||2)-C‾ti,]]>

其中，{C_j}_j＝1...N/2是狀態(tài)在矩形區(qū)域像素坐標點；m(C_j)是在點C_j處像素值 的相似權重，它是對應的H^*和的直方圖二進制比率的平方根；g()是 一個核函數(shù)；r是標準化后的窗口半徑；

該粒子的狀態(tài)中心點均以最新的狀態(tài)中心近似構成：

Cki≈mean_shift(C‾ki)+C‾ki;]]>

該粒子的窗口尺寸，利用如下方法進行調(diào)整：

W‾ki≈kM00(S‾ki)256×l‾ki×h‾ki·W‾ti,]]>

其中k是一個經(jīng)驗常量值，零階矩M₀₀按照以下公式計算：

該粒子權重也進行相應為：

將經(jīng)過一次迭代的子集與原有不變的子集合并，得到新的粒子 集同時對兩個子集的權值合并且正則化

協(xié)方差按照迭代次數(shù)成指數(shù)級遞減，即有j＝1，2，…，I，其中I是 迭代次數(shù)；得到新的狀態(tài)概率密度函數(shù)；

6)迭代結束，輸出對當前狀態(tài)的估計：