颜色，并W该主颜色作为该跟踪区域的 基准颜色。上述计算方法非本发明的技术要点，且均可参照现有的计算方法实现，此处不做 寶述。
[0048] 步骤102、获取所述跟踪区域的历史位置，根据所述历史位置计算所述跟踪区域的 预测位置；
[0049] 初始化计算后，可W进一步获取所述跟踪区域的历史位置，并根据所述历史位置 计算所述跟踪区域的预测位置。
[0050] 在本发明可选的实施例中，可W基于灰度预测模型的速度预测方法，根据所述历 史位置计算所述跟踪区域的预测位置。具体预测过程如下：
[0051] (1)获取历史位置序列
[0化2] xW={X(〇)(l)，X(〇)(2)，X(W(3)，. . .，xW(n)}，其中X为跟踪区域的X轴坐标;分别 表示车辆在不同时刻在X轴的历史位置，例如XW(1)表示第一帖的位置，xW(n)表示第η帖 的位置。
[0053] (2)将相邻的X相加，计算累加生成序列
[0054] Χ(" = {Χ(ι)α)，Χ(ι)(2)，Χ(ι)(3)，. . .，Χ(ι)(η)}，其中
[0055] (3)计算均值生成序列
[0056] Ζ(ι)={Ζ(ι)α)，Ζ(ι)(2)，Ζ("(3)，. . .，Ζ(ι)(η-1)}，其中Z(i)(k)=tX(i)(k) + (l-t)X(" (k-1
[0057] (4)由累加生成序列、均值生成序列得到方程
[0060] (5)预测下一帖位置
[0061] 求得关于位置信息的时间响应函数：
[0062]
[00创则t时刻的预测值为:
[0064] 根据上述方程，分别计算出X轴Y轴下一帖的预测值，从而可W预测跟踪区域的预 测位置，获取该跟踪区域下一帖的位置坐标。
[0065] 灰色预测模型可W把离散数据视为连续变量在其变化过程中所取的离散值，通过 利用微分方程式处理数据，从而可W抵消大部分随机误差，显示出规律性，从而实现预测。 使用灰度预测模型进行速度预测，可W在进行预测有上一帖结果参与更新历史位置序列， 因此预测结果准确，计算量较小。
[0066] 步骤103、W所述预测位置为中屯、，选择预设范围作为待跟踪区域；
[0067] 在本实施例中，可上述预测位置为中屯、，外扩预设范围，例如车尾大小区域， 通常所述车尾大小区域宽约为4~5倍车牌长，高约为3~4倍车牌长，作为跟踪车辆的待跟 踪区域。
[0068] 步骤104、在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作 为目标跟踪区域；
[0069] 在本实施例中，可所述跟踪区域的基准颜色为依据，在待跟踪区域中进行颜 色匹配获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域。具体来讲，可W 将所述待跟踪区域使用边缘检测算法Sobel算子进行滤波，之后使用最大类间方差法对滤 波后的图像进行二值化处理，将二值化后的待跟踪区域分别进行水平和竖直方向的像素投 影，即逐行累加，逐列累加，得到像素直方图。然后，根据像素投影结果选取投影序列的波峰 集中的范围为纹理丰富区域。然后按纹理丰富程度由丰富到稀疏对纹理丰富点进行排序， 之后遍历区域中各个像素点，进行主颜色匹配，得到与跟踪区域的基准颜色相似的区域，并 W该区域作为目标跟踪区域，也就是车牌区域，并将该目标跟踪区域作为Meanshift算法的 初始位置。
[0070]下面通过实际处理示例，对本方案进行详细说明。
[0071 ] 请参见图2a，为待跟踪区域，即车尾区域的示意图。
[0072] 首先将所述待跟踪区域使用Sobel算子进行滤波后，可W起到增强边界的效果，滤 波后的待跟踪区域如图化所示。
[0073] 之后使用最大类间方差法对滤波后的图像进行二值化处理，二值化后的待跟踪区 域如图2c所示。
[0074] 再将二值化后的待跟踪区域分别进行水平和垂直方向的像素投影，即逐行累加， 逐列累加，得到像素直方图。选取适当阔值对投影序列进行分割，分割后再对序列进行中值 滤波，投影效果如图2d所示，其中左边为X轴像素投影示例图，右边为Y轴像素投影示例图。
[0075] 然后按纹理丰富程度由丰富到稀疏对纹理丰富点进行排序，所述纹理信息指的是 边缘信息，例如车牌的边缘。遍历各个纹理丰富点，根据投影结果选取投影序列的波峰位置 即纹理丰富区域中屯、点，并W所述中屯、点外扩跟踪区域作候选区域，如图2e、2f所示。之后 遍历区域中各个像素点，将候选区域与跟踪区域进行主颜色匹配，得到与基准颜色最相似 的候选区域作为目标跟踪区域。
[0076] 上述根据纹理丰富点进行目标跟踪区域的匹配可W避免车辆颜色对匹配结果的 影响。例如，假设当车辆颜色为蓝色、车牌颜色也为蓝色时，通过传统的颜色匹配方法很难 匹配到车牌区域，而通过提取纹理丰富点可W获取车牌区域的边缘，因此本发明可W快速 准确的提取车牌区域，从而可W提高识别效率和准确率。
[0077] 之后，本发明还可W根据所述目标跟踪区域，并根据该目标跟踪区域的位置更新 所述待跟踪区域，从而通过颜色匹配的方式进行待跟踪区域的校准，提高跟踪成功率。
[0078] 本发明在车辆跟踪过程中，每帖跟踪初始点选择可W利用预测结果纹理信息和颜 色特征进行二次选择，避免陷入局部最优解，避免在车辆移动速度较快时，跟踪初始点与跟 踪区域不相交导致的跟踪失败，提高跟踪成功率。
[0079] 步骤105、W所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行 车辆跟踪。
[0080] 在本实施例中，获取目标跟踪区域后，W所述目标跟踪区域作为新一轮车辆位置 跟踪预测的初始跟踪区域进行车辆跟踪。具体来讲，W该目标跟踪区域作为MeansMft算法 的初始区域，并进行MeansMft均值漂移运算，得到最佳匹配位置，将该位置信息作为跟踪 车辆的位置信息。由于本发明跟踪区域选取为车牌区域，相比于现有技术选取的全车区域 或车辆外接矩形区域，本发明可W减少跟踪区域计算量，并且限制了车辆跟踪时Meanshift 均值漂移区域面积，节约性能开销，有助于多目标实时跟踪。
[0081 ]另外，当获取跟踪车辆的位置信息后，可W根据所述位置信息进一步判断跟踪车 辆是否超出预设跟踪区域，若超出，则结束跟踪;若未超出，则将所述位置信息更新至所述 历史位置，W便后续跟踪计算使用，从而可W提高跟踪准确性。
[0082]由此可见，本发明可W通过获取跟踪车辆的跟踪区域进行初始化计算，获取跟踪 区域的主颜色作为基准颜色;并根据跟踪区域的历史位置计算所述跟踪区域的预测位置； 再w所述预测位置为中屯、，选择预设范围作为待跟踪区域，在待跟踪区域中获取与基准颜 色相匹配的目标颜色对应的区域作为目标跟踪区域，并W所述目标跟踪区域为新一轮车辆 位置跟踪预测的初始跟踪区域进行车辆跟踪。因此可W在跟踪车辆移动速度较快时避免因 陷入局部最优解的问题，从而可W提高跟踪成功率。
[0083] 为使本发明的目的、技术方案及优点更加清楚明白，下面对本发明该方案作进一 步地详细说明。
[0084] 请参考图3,是本发明一种示例性实施方式中的另一种车辆跟踪方法的处理流程 图，当跟踪区域初始化完成后，所述方法包括：
[00化]步骤301、位置序列记录，转步骤302、303;
[0086] 步骤302、计算累加生成序列，转步骤304;
[0087] 步骤303、计算均值生成序列，转步骤304;
[0088] 步骤304、计算发展系数、灰度作用量；
[0089] 步骤305、预测下一帖位置；
[0090] 步骤306、根据预测结果初步选定待跟踪区域；
[0091] 步骤307、捜索纹理丰富区域；
[0092] 步骤308、判断候选区域的主颜色是否为基准颜色，若是，则转步骤310;若否，则转 步骤309;
[0093] 步骤309,排除该候选区域，转步骤307;
[0094] 步骤310、将该候选区域作为目标跟踪区域；
[0095] 步骤311、Meanshift 目标跟踪；
[0096] 步骤312、输出跟踪车辆的位置；
[0097] 步骤313、判断跟踪车辆超出跟踪区域，若是，跟踪结束;若否，则转步骤301。