同时在跟踪中考虑到交通路口车辆的实际运动情况，对群体行为进行建模， 使该方法更符合实际情况，避免了跟踪中漂移现象的发生。
[0046] 参照图1，本发明的具体实现步骤如下：
[0047] 步骤1、输入视频数据，进行数据准备与预处理。若已有训练好的模型以及检测器， 则直接进行步骤2 ;若无，则训练车辆检测器（任何通用检测器都可），训练好后降低检测器 的阈值，以便进行目标初步筛选。同时，还应准备车辆的二值图模型，以供图割再次筛选时 使用。
[0048] 步骤2、低阈值检测器检测。选取适当的低阈值对视频帧进行检测，检测结果为一 个个的图像块，由于使用了较低的阈值，检测结果中包含车辆以及大量的误检。本发明中使 用DPM检测器，取其阈值为-0. 78进行检测，其他检测器可通过实验选择合适的阈值。
[0049] 步骤3、使用图割法对步骤2中的结果进行再次筛选，在该步骤中加入了形状先 验，所以会去除步骤2中的误检，具体使用图割法（最小化能量函数），将外形和车辆不同的 误检去除。
[0050] 图割法能量函数如下：
[0051]
[0052] 其中P表示所有像素点，Np表示p点周围的像素点，Dp(lp)是对像素p标记的惩 罚，ιΡ为像素p的标记，〇表示背景，1表示前景（车辆）。是对相邻像素对i，j 标记的惩罚，1,)是形状约束。具体计算时：
[0053]Dp(lp= 1)=-logPr(Ip|obj), (2)
[0054]DP(1P=0)=-logPr(Ip|back), (3)
[0055]Pr是像素强度的概率分布，可以事先学习得到。ID表示像素强度。
[0056]
[0057] α是相机噪声，dis(i，j)为像素i，j之间的欧氏距离。
[0058]
[0059]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。该式具体应用了形状先验。
[0060] 通过最小化能量函数（1)，可以将步骤2中的结果再次筛选，在该实验中，将能量 函数在0. 1~0.5之间的目标认为是车辆目标，最终去除误检。
[0061] 步骤4、根据检测结果中各个目标的距离，对车辆群体行为进行建模。建模时，Tft 表示交通力的集合，，….，Λ,Α，..，1
[0062]
! (6)
[0063] 表示t时刻目标k受到周围车辆的交通力总和，rCif)目标k、m之间的力。ykni 为求和系数。具体的，
[0064]
(7)
[0065] σd是两车要避免的最小距离，dkni是t时刻k、m目标之间的距离。
[0066] 步骤5、将TftS用于卡尔曼滤波预测阶段进行跟踪，具体应用入下：
[0067]Θt=Tft ·Ft ·Θti+Bt ·ut, (8)
[0068]Θti表示前一位置，Θ表示当前位置，Ft是过程转移矩阵，Bt将控制向量ut转 换到状态空间。在Tft的作用下，卡尔曼滤波可以很好的预测当前车辆位置。对预测后的 车辆位置依据视频帧中的时间顺序进行展示，得到车辆轨迹。
[0069] 本发明的效果可以通过以下仿真实验做进一步的说明。
[0070] 1、仿真条件
[0071] 本发明是在中央处理器为Inte滕i5_3470 3. 2GHzCPU、内存4G、WINDOWS7操作 系统上，运用MATLAB软件进行的仿真。
[0072] 仿真中使用的数据为自主采集的交通路口视频图像。
[0073] 2、仿真内容
[0074] 首先，以多目标跟踪中的准确率和精确度作为标准来衡量本发明的性能。然后按 照【具体实施方式】中给出的步骤分别对3个监控视频进行实验，并对检测跟踪结果按所提衡 量标准进行统计。
[0075] 为了证明本发明的有效性，与CEM算法和D00算法进行了比较。CEM算法在文献"人祖18^· Roth,K.Schindler,Continuousenergyminimizationformultitargettracking,IEEETransactions onIntelligentTransportationSystems，36(1) :pp. 58-72,2014 " 中有详细的介绍;D00 算法在文献 uk.Andriyenko,K.Schindler,S.Roth,Discrete-Continuousoptimizationformulti-targettracking,TRRF, ConferenceonGaiputerVisionandPatternRecognition,pp. 1926-1933,2012. '，中有详细的介绍。该方 法使用能量函数最小化的方法进行多目标跟踪，在车辆路径交叉时，容易发生目标漂移现象，从而导 致准确率降低。对比结果如表1所示：
[0076]表1
[0077]
[0078] 从表1可见，相比于对比方法，本发明最终跟踪准确率以及精确度都显著地高于 对比的多目标跟踪算法。由于使用了多层检测模型，加之考虑了实际路口中的运动情况，提 高了算法的实用性与鲁棒性，很好的缓解了目标漂移的问题。
【主权项】
1. 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： 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 ; 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0. 1~0. 5之间的车辆图像块；所述的图割法能量函数为：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(Ip)是对像素p标记的惩罚，Ip为像素p的标记，0表示背景，1表示车辆，Dp (Ip)计算式 如下： Dpdp=D= -IogPr(IpIobj) Dp(lp= 0) = -IogPr(IpIback) 其中，Pr是像素强度的概率分布，Ip表示像素强度； VlijQ1,Ij)是对相邻像素对i、j标记的惩罚，计算式如下：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； E1Jl1, 1,)是形状约束，计算式如下：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； 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:Λ/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，其中，σd是两车要避免的最小距离，du是t时刻k、m车辆目标之间的距离； 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： Θt=Tft ·Ft ·Θt ^Bt ·ut 0tl表示车辆前一位置，Θt表示车辆当前位置，Ft是过程转移矩阵，Bt将控制向量ut 转换到状态空间。
【专利摘要】本发明涉及一种基于多层检测模型和群体行为模型的车辆跟踪方法，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。
【IPC分类】G06T7/20
【公开号】CN105389830
【申请号】CN201510670788
【发明人】袁媛, 王 琦, 陆玉玮
【申请人】西北工业大学
【公开日】2016年3月9日
【申请日】2015年10月13日