专利名称：一种车辆检测和跟踪方法
技术领域：
本发明涉及图像处理方面，特别涉及一种车辆检测和跟踪方法。
背景技术：
智能交通系统(ITS)是目前研究和开发的一大热点。智能交通系统是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术以及计算机处理技术等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、 准确、高效的综合运输和管理系统。其中，在智能交通系统中，车辆的检测与跟踪是最基础的部分，它要求从摄像机所得到的图像序列中，检测有无运动车辆进入摄像机的试场，并且定位运动车辆的位置，它属于计算机视觉的研究范围。目前，常用的车辆检测方法有背景差法、帧差法和光流法。其中，背景差法是目前运动车辆分割中最常用的一种方法，它是利用当前图像与图像的差分来检测运动区域的一种技术。它基于自适应的合高斯背景模型，对每个像素利用混合高斯分布建模，并利用在线估计来更新，从而可靠的处理了光照变化、背景混乱运动的干扰等影响。该方法能够提取完整的特征数据，但是其对于动态场景的变化，如天气、光照以及树木扰动非常敏感。因此，如何获取一个具有实时更新能力的背景是关键。帧差法是在连续的图像序列中固定的两帧或多帧间隔图像之间作基于像素点的时间差分并阈值化来提取运动区域实现运动车辆的检测。Lipton等利用两帧差分方法从实际视频图像中检测出运动目标，进而用于目标的识别与跟踪；帧差法对于动态环境具有较强的自适应性，但是一般不能完全提取出所有的相关的特征像素点。在车辆目标内部，容易产生空洞现象，而且一般检测出的车辆目标都会被拉长，很难得到较精确的目标区域。运动目标随时间变化具有光流特性，因此就有利用目标的光流场实现运动检测。1981年，Horn和Schimck创造性地将二维速度场与灰度相联系，引入光流约束方程，得到光流计算的基本算法。Barron等人对多种光流计算技术进行了总结， 按照理论基础与数学方法的区别把他们分成四种基于梯度的方法、基于匹配的方法、基于能量的方法、基于相位的方法。但是，绝大多数的光流计算方法是相当复杂的，而且抗噪声能力差，在处理实时的全帧视频流时必须有特定的硬件支持才能完成，否则无法满足实时性的要求。对检测出来的运动车辆要进行跟踪，目前常用的车辆跟踪算法主要有基于特征的跟踪算法、基于3-D的跟踪算法、基于变形模型的跟踪算法和基于区域的跟踪算法。其中，基于特征的跟踪算法，就是对每辆车提取一些特征如可区别的直线或拐角等，或将这些特征组合来表示一个车辆，这类算法突出的优点是即使存在部分遮挡，一些特征仍是可见的。但是当车辆彼此太接近时，存在特征太近无法分割的问题。基于3-D的跟踪算法是通过使用摄像机和场景的几何学知识，将一个有精确几何形状的三维模型投影成图像，根据图像中的位置变化来进行跟踪。这类算法的优点是在确定的车辆类型和几何模型细节时准确率高，缺点是由于计算的工作量大，实时性差。基于变形模型的跟踪算法以车辆轮廓为跟踪对象，通过snake主动轮廓模型提取轮廓特征。这种方法对噪声遮挡敏感，存在轮廓初始化问题。基于区域的跟踪算法首先连接区域提取并根据情况被合并或分割。该方法的最严重的弱点是在车辆检测中区域合并和分割存在不准确的情况。以上多种车辆检测和跟踪效率不高，需要急需解决这个问题。
发明内容
本发明的目的在于，为解决上述问题，本发明提出一种车辆检测和跟踪方法，达到提高了检测和跟踪的效率。为实现上述发明目的，本发明提出一种车辆检测和跟踪方法，其特征在于，该方法步骤包括步骤1):对视频中的每一帧图像建立高斯背景模型；步骤2)根据所述步骤1)获得的每一帧高斯背景模型图像，利用帧差法对相邻两帧做差分处理，得到粗略的运动区域和静止区域；步骤3)对所述步骤2)中获得的静止区域进行背景更新，运动区域不更新；步骤4)对当前帧图像和所述步骤3)获得的更新后的背景图像做差分，得到精确的运动区域；步骤5)利用每个像素点匹配方法对所述步骤4)获得的相邻两帧运动区域图像找出重叠区域，并比较重叠区域与给定阈值大小；如果重叠区域大于给定阈值，则判断是否发生目标重合；如果是，则计算相邻两帧中的第一帧运动区域的长宽比，通过这个比例检测和跟踪该运动车辆；如果不是，则判断为
同一车辆；如果重叠区域小于给定阈值，则求出多个目标框的最小外接矩形来正确对车辆检测和跟踪。所述步骤5)中的阈值为目标框区域的50%。本发明的优点在于，本发明结合了背景差法和帧差法，克服了两个方法的不足，能够更加准确的确定背景并分割出运动区域。同时，在目标跟踪和匹配阶段，对于重叠车辆和分裂区域进行判断，克服了基于区域的跟踪算法的缺点，取得了很好的效果。
图1为本发明的一种车辆检测和跟踪方法流程图；图2为背景差法示意图；图3为运动目标重叠示意图；图4为相同车辆目标区域的分裂示意图；图5为分裂区域的融合示意图。
具体实施例方式下面结合附图和具体实施方式
，对本发明的方法进行进一步详细的说明。如图1所示，图1为本发明的一种车辆检测和跟踪方法流程图。本发明提出的改进的车辆检测和跟踪算法结合实施例详细说明如下本实施例方法包括以下步骤
1)对每一帧图像，建立高斯背景模型；单分布的高斯背景模型认为，对一个背景图像，特定像素亮度的分布满足高斯分布，这样背景模型的每个像素属性包括两个参数平均值u和方差d。建立背景模型的过程就是对每个像素求出这两个参数。2)利用帧差法，找出粗略的运动区域和静止区域；对相邻两帧做差分处理，得到运动变化的区域。再通过边缘提取找出运动物体的边缘，最后检测出运动物体。3)对2)中找出的静止区域进行背景更新，运动区域不更新；随着时间的变化，背景图像也会发生缓慢的变化，这时我们要不断更新每个象素点的平均值u(t+l, χ, y) = a*u(t, χ, y) + (l-a)*I (χ, y)(1)4)利用背景差法，找出当前帧的精确运动区域；如图2所示，图2为背景差法示意图。对当前帧图像和更新后的背景图像做差分， 得到运动区域。对于相邻帧的运动区域，寻找出重叠部分；即对于相邻两帧图像，利用每个像素点匹配的方法，找出重叠部分。5)重合车辆的判断和分割；如图3所示，图3为运动目标重叠示意图。当车辆距离太近时，就会发生运动区域重叠现象。当被跟踪的车辆在下一帧中与其他的车辆发生了重叠，直接用现有的跟踪算法就会发生漏检现象，因此在第一次跟踪失败后进行下面的分割处理后再进行跟踪。假设第i帧运动区域检测正确，第i + Ι帧出现目标重合。那么，在重叠区域判断中， 就会有2个区域与第i+Ι红色区域重叠，即存在目标重合。求出第i帧运动区域的长宽比， 通过这个比例分割出运动车辆。6)相同车辆分裂区域的判断和融合；如图4所示，图4为相同车辆目标区域的分裂示意图。当车辆比较大，例如公交车，由于行驶缓慢或者纹理与背景相近，求出的运动区域经过膨胀腐蚀操作，经常会分裂成多个区域，这就会造成误匹配。校正方法计算第i帧每个目标框与第i_l帧目标框的重叠区域。如果重叠区域大于目标框区域的50%，就认为匹配。如果第i帧多个目标框与第i_l帧的同一个框匹配， 就认为存在误匹配，需要进行融合。如图5所示，图5为分裂区域的融合示意图。融合的方法是求这些目标框的最小外接矩形。改进的车辆检测和跟踪算法在实际系统中进行测试。用本发明中的算法对车辆进行检测跟踪并计数，计数结果与人工计数结果相比较。实际行驶车辆为260，改进后算法计算得到的车辆数位261 ；用背景差法和基于区域的跟踪方法得到的车辆数位238 ；用帧差法和基于区域的跟踪方法得到的车辆数位241。可见，改进后的方法准确率有了大幅提高。最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
权利要求
1.一种车辆检测和跟踪方法，其特征在于，该方法步骤包括 步骤1)对视频中的每一帧图像建立高斯背景模型；步骤2)根据所述步骤1)获得的每一帧高斯背景模型图像，利用帧差法对相邻两帧做差分处理，得到粗略的运动区域和静止区域；步骤3)对所述步骤2)中获得的静止区域进行背景更新，运动区域不更新； 步骤4)对当前帧图像和所述步骤3)获得的更新后的背景图像做差分，得到精确的运动区域；步骤5)利用每个像素点匹配方法对所述步骤4)获得的相邻两帧运动区域图像找出重叠区域，并比较重叠区域与给定阈值大小；如果重叠区域大于给定阈值，则判断是否发生目标重合；如果是，则计算相邻两帧中的第一帧运动区域的长宽比，通过这个比例检测和跟踪该运动车辆；如果不是，则判断为同一车辆；如果重叠区域小于给定阈值，则求出多个目标框的最小外接矩形来正确对车辆检测和足艮S宗。
2.根据权利要求1所述的车辆检测和跟踪方法，其特征在于，所述步骤5)中的阈值为目标框区域的50%。
全文摘要
本发明涉及一种车辆检测和跟踪方法，其特征在于，首先对视频中的每一帧图像建立高斯背景模型；利用帧差法对相邻两帧做差分处理，得到粗略的运动区域和静止区域；对获得的静止区域进行背景更新，运动区域不更新；对当前帧图像和获得的更新后的背景图像做差分，得到精确的运动区域；利用每个像素点匹配方法对获得的相邻两帧运动区域图像找出重叠区域，并比较重叠区域与给定阈值大小；如果重叠区域大于给定阈值，则判断是否发生目标重合；如果是，则计算相邻两帧中的第一帧运动区域的长宽比，通过这个比例检测和跟踪该运动车辆；如果不是，则判断为同一车辆；如果重叠区域小于给定阈值，则求出多个目标框的最小外接矩形来正确对车辆检测和跟踪。
文档编号G06T7/20GK102222346SQ20111013453
公开日2011年10月19日 申请日期2011年5月23日 优先权日2011年5月23日
发明者王晶, 蔚晓明 申请人:北京云加速信息技术有限公司