基于多层检测模型和群体行为模型的车辆跟踪方法
【技术领域】
[0001] 本发明属于计算机视觉，图像、视频处理技术领域，具体涉及一种交通监控视频中 基于多层检测模型和群体行为模型的车辆跟踪方法。
【背景技术】
[0002] 基于视频的车辆检测与跟踪技术是实现智能交通系统最基础的技术之一，准确高 效的车辆检测与跟踪算法可以帮助交通部门得到实时的交通流量以及统计交通状态。交 通路口的检测与跟踪与一般的检测跟踪相比，有以下特点：第一，车辆的运动很复杂（有直 行、转弯、加速、急停等）；第二，交通路口的监控视频中，车辆之间的相互遮挡显得格外严 重；第三，路口不仅仅有机动车辆，还有摩托车自行车等其他物体，检测环境极为复杂。因 此，虽然目前对于车辆检测与跟踪的研究很多，但却没有能完全应用于交通路口的方法。这 些研究的流程大体如下：首先，利用事先设计好的特征或训练好的模板对每一帧中的车辆 进行检测；其次，根据位置以及运动关系，将各个帧中检测到的车辆进行匹配；最后，更新 轨迹并展示。
[0003] 基于模型匹配的车辆检测算法有L.Leon等人在文献"L.Sobraland R.Hirata.VehicleDetectionusingMixtureofDeformablePartsModels:Static andDynamicCamera,InProceedingsofConferenceonGraphics,Patternsand Images,pp. 237-244, 2012. "中提出的基于混合部分模型的车辆检测。该方法使用混合部 分模型来应对道路上车辆之间的遮挡，并在静态摄像头（监控摄像头）和动态摄像头（车 载）上进行试验。但是该方法在复杂背景中检测能力较差。
[0004] 基于数据关联的多目标跟踪算法有C.Huang等人在文献"C.Huang,B.Wu,and R.Nevatia,Robustobjecttrackingbyhierarchicalassociationofdetection responses,EuropeanConferenceonComputerVision,pp. 788-801，2008.'，提出的三层 跟踪框架。该框架将每一帧中检测到的目标进行有策略的串联，最终得到整个的跟踪路径。 但是该方法在应对目标漂移时不鲁棒。
【发明内容】
[0005] 要解决的技术问题
[0006] 为了避免现有技术的不足之处，本发明提出一种基于多层检测模型和群体行为模 型的车辆跟踪方法。针对交通路口目标多、车辆运动复杂、易混淆等特点进行设计，主要解 决了车辆间的遮挡，跟踪中目标易漂移等问题。
[0007] 技术方案
[0008] 本发明的技术方案主要步骤为：在检测阶段，首先应用低阈值的DPM对被检图像 进行过滤，得到目标候选者；其次，使用基于形状先验的图像分割来对候选者进行筛选，得 到最终的检测结果。在跟踪阶段，首先根据检测结果，基于目标之间的距离进行群体行为的 建模；之后使用卡尔曼滤波进行跟踪，跟踪的同时加入群体行为的约束，以避免目标之间发 生漂移。预期的技术效果：能在交通路口复杂的环境下准确检测出车辆，不受自行车摩托车 等影响，且在路口车辆很多时能检测到80%以上的车辆。在跟踪中，不仅仅跟踪每辆车，而 且在两车交汇时不使目标发生漂移。
[0009] 一种基于多层检测模型和群体行为模型的车辆跟踪方法，其特征在于步骤如下：
[0010] 步骤1 :使用DPM检测器对输入视频进行检测，得到车辆图像块和误检图像块；所 述的DPM检测器的阈值设为-0. 78;
[0011] 步骤2 :依次对车辆图像块和误检图像块的图割法能量函数进行最小化计算，保 留能量函数在〇. 1~〇. 5之间的车辆图像块；所述的图割法能量函数为：
[0012]
[0013] 其中，P表示输入的车辆或者误检图像块的所有像素点，Np表示p点周围的像素 点，Dp (lp)是对像素p标记的惩罚，lp为像素p的标记，0表示背景，1表示车辆，Dp (lp)计算 式如下：
[0014]Dp(lp= 1)=-logPr(Ip|obj)
[0015]Dp(lp= 0)=-logPr(Ip|back)
[0016] 其中，Pr是像素强度的概率分布，Ip表示像素强度；
[0017] g是对相邻像素对i、j标记的惩罚，计算式如下：
[0018]
[0019] 其中，α是相机噪声，dis(i，j)为相邻像素对i、j之间的欧氏距离；
[0020] E1;八込，1)是形状约束，计算式如下：
[0021]
[0022] 其中，pos表示像素的位置，Φ是无符号距离函数，像素位置在车辆二值图轮廓 内，则为〇 ;否则，为像素到轮廓边缘的最短距离；
[0023] 步骤3:计算保留的各个车辆图像块中心点之间的欧式距离，建立和欧式距离相 关的交通力的集合Tft:
[0024]
[0025]
[0026] 表示t时刻车辆目标k受到周围车辆的交通力总和，μ、;为求和系数，
耘辆目标k、m之间的力；
[0027] 其中，〇d是两车要避免的最小距离，cU,是t时刻k、m车辆目标之间的距离；
[0028] 步骤4:将Tft输入到卡尔曼滤波预测阶段，进行跟踪得到车辆轨迹：
[0029] Θ t= Tf t · Ft · Θ t i+Bt · ut
[0030]Θ t i表示车辆前一位置，Θt表示车辆当前位置，F t是过程转移矩阵，B,将控制向 量4转换到状态空间。
[0031] 有益效果
[0032] 本发明提出的一种基于多层检测模型和群体行为模型的车辆跟踪方法，具有以下 有益效果：
[0033] 1、多层检测模型。通过多步筛选的方法，在提升检测器查全率的同时，不改变检测 的准确率。查全率和准确率都达到了 82%，而其他方法在交通路口环境下，当查全率达到 82%时，其准确率只有30% -60%。
[0034] 2、利用形状先验。检测器更符合交通特点，即使在路口这样的复杂环境中，也能准 确检测出车辆，使误检降低了 30%。
[0035] 3、群体行为建模。通过对交通路口车辆之间的相互影响进行建模，使跟踪中的漂 移现象降低到1 %以下。
【附图说明】
[0036] 图1本发明流程图
【具体实施方式】
[0037] 现结合实施例、附图对本发明作进一步描述：
[0038] 本发明提出一种多层的检测框架来应对复杂的背景以及交通路口繁杂的目标，并 在此基础上，对群体行为进行建模，以应对跟踪中的目标漂移等问题。其技术方案包括两大 模块：多层检测模型和基于群体行为模型的多目标跟踪。
[0039] 多层检测模型：
[0040] 第一层，使用一般的检测器对视频帧进行检测，在本发明中使用DPM，检测时降低 阈值，在本发明中使用阈值为-〇. 78。通过此低阈值检测到的结果中包括车辆以及非车辆目 标。
[0041] 第二层，将检测时使用的车辆H0G模型根据其轮廓转换为二值图模型，使用相应 的二值图模型对1中检测到的候选者依次进行图像分割，剔除误检，留下车辆。
[0042] 基于群体行为模型的多目标跟踪：
[0043] 群体行为建模。根据车辆之间的位置关系，进行群体行为建模。根据实际中车辆 在路口的行为，建模原则为"距离越近，两车之间的相互作用力越大"，我们把这种作用力称 之为交通力，此力专门作用于两个交通个体之间。
[0044] 多目标跟踪。利用卡尔曼滤波根据当前检测到的目标预测下一帧目标位置，结合 下一帧检测结果与预测结果，对各两帧中的目标进行匹配，从而得到跟踪路径。在预测过程 中加入群体行为模型的约束，使预测结果符合实际情况。
[0045] 总体来说，本发明将形状先验与检测相结合，大大提高了检测器的查全率，同时不 会降低准确率；