本发明涉及一种交通场景下的运动车辆跟踪方法。
背景技术：
随着城市化进程不断加快，交通运输产业的发展和汽车保有量的增加给人们工作出行带来了极大的便利。但是问题也接踵而来，城市道路建设严重滞后，城市交通管理经验不足，道路网的通过能力无法满足交通量增长的需求。交通阻塞日趋严重、交通事故频繁发生，俨然已经成为世界各国所面临的普遍难题。
为了解决城市交通中存在的种种问题，满足不断增长的交通需求，传统的解决方案是通过不断修建更多道路，加强城市交通基础设施建设。这虽然在一定程度上缓解了问题的发生，保障了城市交通顺利通畅，但毕竟可供扩建的道路资源是有限的，这种做法很难从本质上解决目前遇到的问题，各类交通事故仍在不断发生。随着科学技术的不断发展和创新，人们开始考虑利用计算机视觉等技术来改善现有的城市道路交通，构建起更加便捷、高效、安全、畅通的交通管理系统，从而显著提高了交通网络的运输和管理能力。智能交通系统便是在这种形势下发展起来的。
智能交通系统(IntelligentTransportationSystem-ITS)是当今世界交通运输发展的热点和前沿。智能交通领域的研究主要包括车辆检测、车辆跟踪、车辆信息提取以及车辆行为分析等几大方面，而车辆检测与跟踪作为智能交通系统的核心环节，为后续的车辆信息提取以及行为分析提供了重要保证。
车辆检测与跟踪技术的主要目的就是准确提取视频图像中的车辆目标，利用车辆的特征信息来实现匹配，确定目标在每一帧图像中的位置，并提供运动轨迹作为车辆行为分析的依据。然而，实际交通场景十分复杂，普遍存在着人车混杂、交通阻塞、光线变化等多种干扰因素，这给车辆检测与跟踪带来了极大的困难。车辆检测与跟踪的主要难点在于以下几个方面：
1.人车混杂。在市中心、小区等人流较多的路段，来往行人会对车辆的检测与跟踪造成很大干扰，尤其在上下班高峰期，红绿灯路口经常会出现人车混杂的现象。如何有效地区分行人与车辆、避免人流干扰是目前面临的主要问题之一。
2.车辆遮挡。高速公路上的车流速度较快，车与车间距较大，因此车辆检测与跟踪相对容易。但是在市区路段车速普遍较慢，尤其在车流高峰期，很容易出现交通阻塞的情况，这时车辆之间会存在明显的遮挡现象，这给车辆检测与跟踪带来很大挑战。
3.光照变化。交通场景下的光照条件随时间变化显著，由于光照变化而产生的车辆阴影会对检测产生较大的影响，尤其在白天、夜晚不同光照条件下车辆的特征信息差异明显。有效地解决光线变化的问题，实现全天候地稳定工作，是对交通场景下车辆检测与跟踪的基本要求。
4.算法复杂度。实际应用中电子警察系统对算法的实时性要求较高，算法不能过于复杂。
技术实现要素：
本发明要解决的技术问题是提供一种交通场景下的运动车辆跟踪方法。
交通场景下的运动车辆跟踪方法，包括以下步骤：
S1：通过摄像头进行前端视频图像采集，对图像进行预处理，并对运动车辆进行目标检测作为跟踪对象；
S2：利用Kalman滤波器对跟踪目标进行运动估计，通过建立运动状态模型，根据被跟踪目标的历史运动信息，预测其在当前帧中的位置；
S3：Camshift目标跟踪，根据跟踪目标在前一帧中保存的颜色直方图，在Kalman滤波器给出的预测范围内计算反向投影，利用Camshift算法搜索运动目标；
S4：标记出运动目标后，判断目标位置是否发生重合，如果存在目标遮挡的现象则仅更新目标的位置信息，不更新直方图，如果没有遮挡情况则同时更新运动状态和相应直方图；
S5：将更新后的目标作为下一帧的跟踪对象，重复执行上述过程。
进一步的，所述运动车辆目标检测具体方法如下：
S1-1：从视频图像中提取大量的车辆图像作为正样本，非车辆图像作为负样本，从训练样本中提取Haar-like矩形特征作为训练的特征集；
S1-2：假设样本空间为X，样本表示为Y＝{0，1}，其中0表示非车辆，1表示车辆。假设Haar-like特征总数为N，wt,j代表第t轮循环时第i个样本的权重；
S1-3：强分类器的训练方法如下：
(1)对一系列训练样本(x1,y1),(x2,y2),...,(xn,yn)，假设样本库中n个样本为均匀分布，则样本权重wt,j＝1/n；
(2)Fort＝1toT：
1)归一化样本权重分布，
2)对每个特征j，在给定的权重wt,j下训练弱分类器ht,j(x)，计算分类错误率：
3)从中选择最优的弱分类器ht(x)：令则ht(x)＝ft,k(x)，且对样本集的分类错误率为εt＝εt,k；
4)根据上一轮的分类错误率更新样本权重：
其中，ei＝0代表分类正确，而ei＝1代表分类错误，最终得到的强分类器为：其中，
S1-4：对待检测图像进行不同尺度窗口的扫描，最终输出所有检测到的车辆目标。
进一步的，利用Kalman滤波器对跟踪目标进行运动估计的具体方法如下：
S2-1：Kalman滤波算法模型包括状态方程和观测方程：
S(n)＝A(n)S(n-1)+W(n-1)，
X(n)＝C(n)S(n)+V(n)，
其中，S(n)与X(n)分别是n时刻的状态向量和观测向量，A(n)是状态转移矩阵，C(n)是观测矩阵，W(n)和V(n)是状态噪声以及观测噪声，它们都是互不相关且均值为0的高斯白噪声；
S2-2：将车辆目标矩形的中心点作为预测对象，建立运动目标中心点的运动状态向量Xx和Xy：
其中，sx,sy,vx,vy,ax,ay分别代表车辆目标在水平和垂直方向上的位置、速度与加速度；
S2-3：则水平方向上跟踪目标的中心的运动方程为：
其中，sx(n),vx(n),ax(n)表示n时刻目标中心点的位置、速度和加速度，ox(n-1)是白噪声；
把上式改写为矩阵形式：
能够观测到的运动状态分量只有运动目标的位置：
S2-4：对比式S2-1中公式Kalman滤波器的状态方程和观测方程，可以得到跟踪目标中心点的状态方程和观测方程分别为：
其中，C(n)＝[1 0 0]。
进一步的，Camshift算法的具体流程如下：
S3-1：初始化搜索窗口，使需要跟踪的目标处于搜索窗口内；
S3-2：在HSV空间上提取窗口对应位置的H分量，得到H分量直方图，根据H分量直方图计算整个跟踪区域的颜色概率分布图，即反向投影图；
S3-3：在反向投影图中选取大小与初始窗口相同的搜索窗口；
S3-4：根据搜索窗口中像素总和S调整窗口的大小，并将窗口中心移动到质心的位置；
S3-5：判断是否收敛，如果收敛则输出质心(x，y)，否则重复步骤S3-3和S3-4直到收敛或达到最大迭代次数；
S3-6：将最终得到的搜索窗口的位置和大小为下一帧的初始窗口，继续执行循环。
本发明的有益效果是：
1)本发明的基于Haar-like特征和Adaboost分类器的车辆检测算法可以通过丰富训练样本得到一个可靠的车辆分类器，较好地适应了交通场景中的复杂变化，具有极高的检测率以及较低的虚警率，可以满足电子警察系统的实际工作要求；
2)本发明采用了将基于目标颜色信息的Camshift跟踪方法与基于运动信息预测的Kalman跟踪方法相结合的思路来实现车辆目标的跟踪，具有较好的跟踪效果。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
交通场景下的运动车辆跟踪方法，包括以下步骤：
S1：通过摄像头进行前端视频图像采集，对图像进行预处理，并对运动车辆进行目标检测作为跟踪对象；
S2：利用Kalman滤波器对跟踪目标进行运动估计，通过建立运动状态模型，根据被跟踪目标的历史运动信息，预测其在当前帧中的位置；
S3：Camshift目标跟踪，根据跟踪目标在前一帧中保存的颜色直方图，在Kalman滤波器给出的预测范围内计算反向投影，利用Camshift算法搜索运动目标；
S4：标记出运动目标后，判断目标位置是否发生重合，如果存在目标遮挡的现象则仅更新目标的位置信息，不更新直方图，如果没有遮挡情况则同时更新运动状态和相应直方图；
S5：将更新后的目标作为下一帧的跟踪对象，重复执行上述过程。
所述运动车辆目标检测具体方法如下：
S1-1：从视频图像中提取大量的车辆图像作为正样本，非车辆图像作为负样本，从训练样本中提取Haar-like矩形特征作为训练的特征集；
S1-2：假设样本空间为X，样本表示为Y＝{0，1}，其中0表示非车辆，1表示车辆。假设Haar-like特征总数为N，wt,j代表第t轮循环时第i个样本的权重；
S1-3：强分类器的训练方法如下：
(1)对一系列训练样本(x1,y1),(x2,y2),...,(xn,yn)，假设样本库中n个样本为均匀分布，则样本权重wt,j＝1/n；
(2)Fort＝1toT：
1)归一化样本权重分布，
2)对每个特征j，在给定的权重wt,j下训练弱分类器ht,j(x)，计算分类错误率：
3)从中选择最优的弱分类器ht(x)：令则ht(x)＝ft,k(x)，且对样本集的分类错误率为εt＝εt,k；
4)根据上一轮的分类错误率更新样本权重：
其中，ei＝0代表分类正确，而ei＝1代表分类错误，最终得到的强分类器为：其中，
S1-4：对待检测图像进行不同尺度窗口的扫描，最终输出所有检测到的车辆目标。
利用Kalman滤波器对跟踪目标进行运动估计的具体方法如下：
S2-1：Kalman滤波算法模型包括状态方程和观测方程：
S(n)＝A(n)S(n-1)+W(n-1)，
X(n)＝C(n)S(n)+V(n)，
其中，S(n)与X(n)分别是n时刻的状态向量和观测向量，A(n)是状态转移矩阵，C(n)是观测矩阵，W(n)和V(n)是状态噪声以及观测噪声，它们都是互不相关且均值为0的高斯白噪声；
S2-2：将车辆目标矩形的中心点作为预测对象，建立运动目标中心点的运动状态向量Xx和Xy：
其中，sx,sy,vx,vy,ax,ay分别代表车辆目标在水平和垂直方向上的位置、速度与加速度；
S2-3：则水平方向上跟踪目标的中心的运动方程为：
其中，sx(n),vx(n),ax(n)表示n时刻目标中心点的位置、速度和加速度，ox(n-1)是白噪声；
把上式改写为矩阵形式：
能够观测到的运动状态分量只有运动目标的位置：
S2-4：对比式S2-1中公式Kalman滤波器的状态方程和观测方程，可以得到跟踪目标中心点的状态方程和观测方程分别为：
其中，C(n)＝[1 0 0]。
Camshift算法的具体流程如下：
S3-1：初始化搜索窗口，使需要跟踪的目标处于搜索窗口内；
S3-2：在HSV空间上提取窗口对应位置的H分量，得到H分量直方图，根据H分量直方图计算整个跟踪区域的颜色概率分布图，即反向投影图；
S3-3：在反向投影图中选取大小与初始窗口相同的搜索窗口；
S3-4：根据搜索窗口中像素总和S调整窗口的大小，并将窗口中心移动到质心的位置；
S3-5：判断是否收敛，如果收敛则输出质心(x，y)，否则重复步骤S3-3和S3-4直到收敛或达到最大迭代次数；
S3-6：将最终得到的搜索窗口的位置和大小为下一帧的初始窗口，继续执行循环。