基于视频的车辆检测跟踪方法和系统与流程

技术特征：
1.一种基于视频的车辆检测跟踪方法，包括：输入包含车辆的视频；对视频中的所述车辆利用检测器进行检测，获得车辆检测结果，并根据所述车辆首次检测结果建立车辆的在线模型，所述车辆的在线模型包括在线正样本集和在线负样本集，所述在线正样本集包括真实样本集、左转虚拟样本集、右转虚拟样本集，所述在线负样本集由在线负样本构成，所述在线负样本为远离车辆区域的误识别样本；所述真实样本集由真实样本构成，所述真实样本为检测跟踪融合结果的样本；所述左转虚拟样本集由左转虚拟样本构成，所述左转虚拟样本为真实样本经虚拟左旋转获得；所述右转虚拟样本集由右转虚拟样本构成，所述右转虚拟样本为真实样本经虚拟右旋转获得；对视频中的所述车辆进行跟踪，用LK光流法对所述车辆进行光流估计，获得所述车辆跟踪结果；其中，利用聚类策略对初次过滤结果进行二次过滤，所述初次过滤结果为对所述车辆的帧图像光流估计的结果进行初次过滤得到的结果；利用所述车辆的在线模型分别对同一帧的所述跟踪结果和所述检测结果进行置信度计算，通过所述置信度计算结果及所述跟踪结果和所述检测结果相互融合，获得最终的检测跟踪结果；利用所述最终的检测跟踪结果通过在线学习更新所述车辆的在线模型及所述检测器。2.如权利要求1所述的基于视频的车辆检测跟踪方法，其中，在利用所述车辆的在线模型分别对所述跟踪结果和检测结果进行置信度计算的过程中，样本置信度计算公式如下：dP，dN分别表示待评估样本与在线模型中正负样本集的相似度最大值，样本相似程度采用归一化互相关(NCC)系数度量；其中，conf(xi)值越大，样本越像所述车辆，反之就越接近背景。3.如权利要求2所述的基于视频的车辆检测跟踪方法，其中，在所述置信度计算结果及所述跟踪结果和所述检测结果相互融合的过程中，如果conf(xT)＞Tthr，则当前跟踪成功，否则当前跟踪失败；如果conf(xD)＞Dthr，则当前检测结果有效，否则当前检测结果无效；其中，公式中Tthr和Dthr分别表示跟踪置信度的阈值和检测置信度的阈值，如果当前跟踪失败，当前检测有效，则输出当前检测结果为当前图像帧融合结果，并更新下一帧的跟踪初始框；如果当前跟踪失败，当前检测无效，则视为车辆在所述当前图像帧中不可见；如果当前跟踪成功，当前检测无效，则输出所述跟踪结果为所述当前图像帧的融合结果，同时启动所述在线学习；如果当前跟踪成功，当前检测有效，则输出所述检测和跟踪样本置信度最高的结果为所述当前图像帧的融合结果，同时启动所述在线学习。4.如权利要求1所述的基于视频的车辆检测跟踪方法，其中，所述车辆跟踪过程包括：对待跟踪车辆区域进行初始化，以当前图像帧作为N帧图像分配其中的特征点；利用LK光流跟踪法在第N+1帧图像中进行光流估计；利用F-BError对所述光流估计的结果进行初次过滤；利用聚类策略对所述初次过滤结果进行二次过滤，以消除所述光流估计的结果中的孤立点；根据所述二次过滤的结果确定待跟踪车辆区域的偏移量与缩放量；根据所述偏移量和缩放量确定跟踪结果。5.如权利要求1所述的基于视频的车辆检测跟踪方法，其中，所述检测器采用onlineBoosting检测器，根据所述onlineBoosting检测器检测结果对所述车辆进行检测器的在线训练，所述在线训练基于Haar-like特征的在线boosting流程对所述车辆进行训练；以及，选择训练正样本集和训练负样本集作为在线训练的训练样本集；其中，所述训练正样本集由训练正样本构成，所述训练正样本为当前图像帧检测器识别为正确的结果中与所述当前图像帧融合结果重叠度较大的样本；所述训练负样本集由训练负样本构成，所述训练负样本为所述当前图像帧检测器识别为正确的结果中与所述当前图像帧融合结果重叠度较小的样本。6.如权利要求5所述的基于视频的车辆检测跟踪方法，其中，在对所述车辆进行检测的过程中，利用所述onlineBoosting检测器对车辆检测区域内所有适合车辆尺寸的子窗口的视频输入进行分类，以确定车辆检测区域内的初始检测结果，并对当前图像帧中的所述车辆区域附近产生的多个初始检测结果进行聚类分析，确定车辆检测区域内的优化检测结果。7.一种基于视频的车辆检测跟踪系统，包括：视频输入单元，用于输入包含车辆的视频；检测单元，包括窗口遍历单元和后处理单元；其中，所述窗口遍历单元利用onlineBoosting检测器基于Haar-like特征对车辆检测区域内所有适合车辆尺寸的子窗口的视频输入进行分类，以确定所述车辆检测区域内的初始检测结果；所述后处理单元对所述车辆检测区域附近产生的多个初始检测结果进行聚类分析，确定所述车辆检测区域内的优化检测结果，并根据所述车辆优化检测结果建立车辆的在线模型单元；所述车辆的在线模型单元包括在线正样本集和在线负样本集，所述在线正样本集包括真实样本集、左转虚拟样本集、右转虚拟样本集，所述在线负样本集由在线负样本构成，所述在线负样本为远离车辆区域的误识别样本；所述真实样本集由真实样本构成，所述真实样本为检测跟踪融合结果的样本；所述左转虚拟样本集由左转虚拟样本构成，所述左转虚拟样本为真实样本经虚拟左旋转获得；所述右转虚拟样本集由右转虚拟样本构成，所述右转虚拟样本为真实样本经虚拟右旋转获得；跟踪单元中，用于利用LK光流法对所述车辆进行光流估计，并对所述光流估计结果进行初次过滤，利用聚类策略对所述初次过滤结果进行二次过滤，以消除所述光流估计的结果中的孤立点，确定跟踪结果；检测跟踪融合单元，用于利用所述车辆的在线模型单元分别对所述跟踪结果和所述检测结果进行置信度计算，通过所述置信度计算结果及所述跟踪结果和所述检测结果相互融合，确定最终的检测跟踪结果，将所述最终的检测跟踪结果输入到所述跟踪结果输出单元；在线学习单元，包括检测器的在线训练单元和在线模型单元，用于根据所述最终的检测跟踪结果对所述车辆进行检测器的在线训练单元和在线模型单元的更新。8.如权利要求7所述的基于视频的车辆检测跟踪系统，其中，在利用所述车辆的在线模型单元分别对所述跟踪结果和检测结果进行置信度计算的过程中，样本置信度计算公式如下：dP，dN分别表示待评估样本与在线模型中正负样本集的相似度最大值，样本相似程度采用归一化互相关(NCC)系数度量；其中，conf(xi)值越大，样本越像车辆，反之就越接近背景。9.如权利要求7所述的基于视频的车辆检测跟踪系统，其中，在所述检测跟踪融合单元中，所述置信度计算结果及所述跟踪结果和所述检测结果相互融合，如果conf(xT)＞Tthr，则当前跟踪成功，否则当前跟踪失败；如果conf(xD)＞Dthr，则当前检测结果有效，否则当前检测结果无效；其中，公式中Tthr和Dthr分别表示跟踪置信度的阈值和检测置信度的阈值；如果当前跟踪失败，当前检测有效，则输出当前检测结果为当前图像帧融合结果，并更新下一帧的跟踪初始框；如果当前跟踪失败，当前检测无效，则视为车辆在所述当前图像帧中不可见；如果当前跟踪成功，当前检测无效，则输出所述跟踪结果为当前图像帧的融合结果，同时启动所述在线学习单元；如果当前跟踪成功，当前检测有效，则输出所述检测和跟踪样本置信度最高的结果为所述当前图像帧的融合结果，同时启动所述在线学习单元。10.如权利要求7所述的基于视频的车辆检测跟踪系统，其中，所述跟踪单元进一步包括：初始化单元，用于对待跟踪车辆区域进行初始化，以当前图像帧作为N帧图像分配其中的特征点；光流估计单元，用于利用LK光流跟踪法在第N+1帧图像中进行光流估计；初次过滤单元，用于根据F-BError对所述光流估计的结果进行初次过滤；聚类策略单元，用于利用聚类策略对所述初次过滤结果进行二次过滤，以消除所述光流估计的结果中的孤立点；偏移量与缩放量确定单元，用于根据所述二次过滤的结果确定待跟踪车辆区域的偏移量与缩放量；跟踪单元，用于根据所述偏移量和缩放量确定跟踪结果。11.如权利要求7所述的基于视频的车辆检测跟踪系统，其中，所述检测器的在线训练单元基于Haar-like特征的在线boosting流程对所述车辆进行在线学习；以及，选择训练正样本集和训练负样本集作为在线训练的训练样本集；其中，所述训练正样本集由训练正样本构成，所述训练正样本为当前图像帧检测器识别为正确的结果中与所述当前图像帧融合结果重叠度较大的样本；所述训练负样本集由训练负样本构成，所述训练负样本为所述当前图像帧检测器识别为正确的结果中与所述当前图像帧融合结果重叠度较小的样本。