一种结合目标信息和运动估计的车辆跟踪方法
【专利摘要】本发明公开了一种结合目标信息和运动估计的车辆跟踪方法，包括以下步骤：步骤1、初始化目标中心像素点坐标x0和跟踪窗宽h1(l,w)；步骤2、提取目标运动信息，计算目标的颜色概率模型步骤3、读取下一帧图像序列i，结合运动信息确定目标尺度的变化，更新h1(l,w)；步骤4、卡尔曼滤波器估计目标在当前帧中的预测位置步骤5、在预测位置附近，利用Mean-Shift过程定位目标在当前帧中的位置y1，步骤6、更新卡尔曼滤波器，跳转至S3继续执行。本发明针对目标尺度变化和背景干扰问题，结合目标车辆的运动信息，优化了模型描述，并根据尺度判断机制自适应地改变MS算法核函数的窗宽，通过卡尔曼滤波器对目标进行运动估计，优化了MS算法初始搜索中心，解决了MS算法无法跟踪被遮挡车辆的问题。
【专利说明】一种结合目标信息和运动估计的车辆跟踪方法
【技术领域】
[0001]本发明属于车辆运动分析领域，特别涉及一种结合目标信息和运动估计的车辆跟踪算法。
【背景技术】
[0002]基于计算机视觉的车辆跟踪系统有视频采集和图像处理两大部分组成，如图1所示。首先由摄像机获取视频信号后，计算机通过视频采集卡接受来自视频输入端的模拟信号，对该模拟信号进行采集并量化为数字信号存储到计算机硬盘上，接着通过数字图像处理和跟踪技术实现对车辆的跟踪。
[0003]MS(Mean-Shift)算法是常用的视频图像目标跟踪算法。通过目标的HSV特征利用MS算法实现了对目标的跟踪。该算法首先提取目标颜色特征，并以此作为目标模型，然后通过计算目标模型与候选模型的相似性系数，以相似性系数最大的点作为目标的中心，从而确定目标的位置。通过目标的HSI特征，同时结合目标的局部方向信息，提高了 MS算法进行车辆跟踪的稳定性。但是在上述工作中算法均是采用固定窗宽，不能适应车辆在运动图像中产生的尺度变化；此外，由于MS算法是用泰勒级数在上一帧中心近似估计作为当前帧初始窗口，这种估计在车辆变速、车辆遮挡等情况时容易造成跟踪目标的丢失。
[0004]近年来，也有不少工作采用其他算法进行视觉车辆跟踪。区域匹配法，首先提取车辆的区域参数(中心、长度、宽度)，将预测的参数与后序图像序列中提取的区域参数进行匹配，如果坐标中心和面积之差小于预设的阈值，则认为成功实现跟踪；如果大于预设的阈值，则认为发生遮挡，同时利用一条“最佳分割线”将粘连的车辆分开，然后重新确定车辆的位置。但是区域匹配法采用固定的阈值判断车辆的区域，在车辆尺度变化较大时仍会导致定位准确性降低，且“最佳分割线”在车辆有遮挡时分割出车辆的区域匹配相似度也会大大降低。马尔夫链蒙特卡洛(MCMC)法，通过对建立的车辆2维模型库搜索匹配实现对车辆的跟踪。模型库是通过对每一种车辆在0°?90°之间均分为19个摄像机视角、在0°?360°之间均分为72个车辆方向形成的2维图形集合。由于车辆外形的差异性和种类的多样性，构建模型库本身和对模型进行搜索匹配的计算成本是相当巨大的。同时该2维模型也没有考虑车辆在运动过程中的尺度变化。
[0005]Snake模型是一条可变形的参数曲线及其相应的能量函数,通过最小化能量函数来控制参数曲线变形，以具有最小能量的曲线作为目标的轮廓。作者首先通过图像预处理获得目标的初始轮廓，然后最小化能量函数获得目标的边缘，从而根据边缘位置求得目标在当前帧中的位置。基于轮廓的跟踪算法很大程度上依赖于目标边缘的精确提取，一旦初始化车辆轮廓时出现较大偏差，就可能使Snake模型收敛不到真实的边缘。文利用目标角点特征实现车辆跟踪。根据同一车辆角点相似的原理，通过匹配相邻帧间的角点特征确定角点所在区域的目标位置。利用目标的sift特征实现车辆跟踪。该方法首先在当前帧中提取目标区域的sift特征点，然后计算下一帧目标区域的sift特征点，如果这些特征点与目标先验的特征点相似，则用该特征点位置估算出目标的位置，否则就取消对象的跟踪，重新计算目标区域的sift特征点直到匹配成功。角点特征法和sift特征法较好地克服了目标的尺度、旋转、亮度变化等带来的跟踪丢失问题，但当目标被遮挡时，仍会导致角点错判和sift特征点为零的情况,从而跟丢目标。最后,用PS (Particle Swarm)算法进行车辆跟踪。该算法通过particle swarm在搜索区域找到和目标模板最相似的区域,从而确定最优中心位置。但是当目标被遮挡时PS算法会错误地跟踪到遮挡物，同时PS算法的计算量较大。
【发明内容】
[0006]鉴于此，本发明对车辆跟踪中目标尺度变化和遮挡问题，在基于颜色特征的MS算法基础上，结合目标信息和运动估计成功实现了车辆跟踪。
[0007]本发明的目的是通过这样的技术方案实现的，一种结合目标信息和运动估计的车辆跟踪方法，其特征在于:包括以下步骤:步骤1、初始化目标中心像素点坐标Xtl和跟踪窗宽4(1，《);步骤2、提取目标运动信息，计算目标的颜色概率模型if，u为颜色特征值；步骤3、读取下一帧图像序列i，结合运动信息确定目标尺度的变化，更新Iii (I, w),l,w分别为
目标窗的长度和宽度；步骤4、卡尔曼滤波器估计目标在当前帧中的预测位置.步骤5、在
? ?
预测位置^附近，利用 Mean-Shift过程定位目标在当前帧中的位置y1; S6、更新卡尔曼滤波器，跳转至步骤3继续执行。
[0008]进一步，步骤3中运动信息的提取包括以下子步骤:S21、在视频图像当前帧中锁定跟踪的目标；S22、分别用背景消除法和帧差法计算出相应的目标的二值图；S23、将计算出的两个二值图进行“或”运算，并进行形态学滤波后获得目标背景分割图，其中I为前景，
。为背景；目标信息的提取按式(I)进行，辦^) =..?表示目标中的像素，X」
为目标区域中像素坐标，B(Xj)为目标信息。
[0009]进一步，步骤2中，颜色概率模型为:
【权利要求】
1.一种结合目标信息和运动估计的车辆跟踪方法，其特征在于:包括以下步骤: 步骤1、初始化目标中心像素点坐标Xtl和跟踪窗宽hjl，W)，；步骤2、提取目标运动信息，计算目标的颜色概率模型/f，u为颜色特征值； 步骤3、读取下一帧图像序列i，结合运动信息确定目标尺度的变化，更新4(1，《)，I, w分 别为目标窗的长度和宽度； 步骤4、卡尔曼滤波器估计目标在当前帧中的预测位置?,.f 步骤5、在预测位置Λ附近，利用Mean-Shift过程定位目标在当前帧中的位置yl， 步骤6、更新卡尔曼滤波器，跳转至S3继续执行。
2.根据权利要求1所述的车辆跟踪方法，其特征在于:步骤2中运动信息的提取包括以下子步骤: S21、在视频图像当如帧中锁定跟踪的目标； S22、分别用背景消除法和帧差法计算出相应的目标的二值图； S23、将计算出的两个二值图进行“或”运算，并进行形态学滤波后获得目标背景分割图， 其中1为前景，O为背景；目标信息的提取按式(I)进行，
3.根据权利要求2所述的车辆跟踪方法，其特征在于:步骤2中，颜色概率模型为:
4.根据权利要求1所述的车辆跟踪方法，其特征在于:步骤3中目标尺度的判断方法为:如果当前帧的目标像素总数Si与初始帧的目标像素总数S1比值为ki;那么在计算当前中贞的核函数带宽Iii时,认为Iii相应地变化√ki倍，即hi =√kiXhl,hl为初始帧的核函数带宽。
5.根据权利要求1所述的车辆跟踪方法，其特征在于:步骤5包括以下子步骤: (a)根据式(2)计算目标在当前帧中的颜色概率模型pMi(yo)(b)根据式(7)计算权值
【文档编号】G06T7/20GK103927764SQ201410177249
【公开日】2014年7月16日 申请日期:2014年4月29日 优先权日:2014年4月29日
【发明者】李军, 王含嫣, 袁宇龙, 王斌 申请人:重庆大学