本发明涉及车辆跟踪处理技术领域,具体为一种基于数字图像相关的高精度车辆跟踪方法。
背景技术:
随着我国交通事业的发展,汽车保有量不断增加,而于此带来的道路交通安全事故尤其是追尾事故居高不下,据统计,中国所有高速公路交通事故中,34.29%为追尾碰撞。由于驾驶员注意力不集中导致的大量追尾事故已被认定为汽车主要的安全问题。因此准确的预警对减少交通事故起到重要作用。
精确的车辆跟踪与碰撞的预警密切相关,不精确的跟踪一方面会产生报警不及时,无法有效避免交通事故,另一方面会产生误报,降低驾驶员的驾车舒适性。传统的meanshift跟踪算法简单,鲁棒性好,但在跟踪过程中由于窗口宽度大小保持不变,当背景复杂,目标尺度有所变化时,跟踪就会失败,无法实现后续的计算;cmt算法是一种基于特征点的跟踪方法,使用了经典的光流法,可以跟踪任何场景任何物体,并实现跟踪框随目标尺度的变化而变化,但在实际应用时,该算法耗时较长,在远距离跟踪时跟踪不准确,无法有效实现远距离车辆碰撞预警,同时计算目标尺寸缩放时选取的是所有特征点计算结果的中值为缩放值,存在一定误差。
技术实现要素:
本发明的目的在于提供一种基于数字图像相关的高精度车辆跟踪方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于数字图像相关的高精度车辆跟踪方法,具体包括如下步骤:
s1、采集正样本和负样本;对所有样本进行预处理;提取计算出特征值;利用所有样本的特征值进行训练,得到车辆检测分类器;
s2、将待测试视频解帧,对当前帧图像进行预处理,提取计算出当前帧图像的特征值,将特征值输入车辆检测分类器,将满足相似性指标的车辆图像区域用标记框进行标记,将标记框标记的车辆图像区域作为初始跟踪区域;
s3、截取最终跟踪区域,最终跟踪区域以步骤s2中初始跟踪区域的中心为中心,最终跟踪区域边长为初始跟踪区域边长的0.8倍;
s4、将截取后的最终跟踪区域缩放到固定尺寸大小,采用同样的缩放比例对当前帧图像进行缩放;
s5、以缩放后的最终跟踪区域为参考图像子区,以参考图像子区的中心点为中心,在当前帧图像中选取特定尺寸大小为感兴趣区域,采用数字图像相关方法进行亚像素级别的搜索匹配,寻找目标图像子区,当znssd大于或等于设定的阈值时,表示跟踪成功,用标记框对目标图像子区重新进行标记;当小于阈值时,表示跟踪失败,继续执行s2。
作为本发明进一步的方案:所述步骤s1中正样本选择不同车型、角度和距离的车辆头尾部图片,负样本选择驾驶环境下的非车辆图片。
作为本发明进一步的方案:所述步骤s1的具体操作为:将所有样本进行图像灰度化处理,尺寸归一化为24×24,借助积分图,提取计算出类haar特征值,使用adaboost算法进行训练,得到adaboost车辆检测分类器。
作为本发明进一步的方案:所述步骤s4中:将截取后的最终跟踪区域缩放到23×23大小。
作为本发明进一步的方案:所述步骤s5中:在当前帧图像中选取35×35大小为感兴趣区域。
与现有技术相比,本发明的有益效果是:以检测到的车辆为跟踪目标,在目标区域周围进行亚像素级别的搜索匹配,并不断更新跟踪的标记框大小,在保证算法实时性的同时提高了车辆跟踪的精度,实现更为准确的预警,提高驾驶安全性;另外,本发明方法由于可实现亚像素级别的搜索匹配,因此降低了对高分辨率相机的依赖,降低成本,具有很好的应用价值。
附图说明
图1为本发明方法的流程示意图;
图2为采用cmt算法跟踪的结果图;
图3为本发明方法跟踪的结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1~3,本发明提供一种技术方案:一种基于数字图像相关的高精度车辆跟踪方法,具体包括如下步骤:
s1、采集正样本和负样本;对所有样本进行预处理;提取计算出特征值;利用所有样本的特征值进行训练,得到车辆检测分类器;
s2、将待测试视频解帧,对当前帧图像进行预处理,提取计算出当前帧图像的特征值,将特征值输入车辆检测分类器,将满足相似性指标的车辆图像区域用标记框进行标记,将标记框标记的车辆图像区域作为初始跟踪区域;
s3、截取最终跟踪区域,最终跟踪区域以步骤s2中初始跟踪区域的中心为中心,最终跟踪区域边长为初始跟踪区域边长的0.8倍;
s4、将截取后的最终跟踪区域缩放到23×23大小,采用同样的缩放比例对当前帧图像进行缩放;
s5、以缩放后的最终跟踪区域为参考图像子区,以参考图像子区的中心点为中心,在当前帧图像中选取35×35大小为感兴趣区域,采用数字图像相关方法进行亚像素级别的搜索匹配,寻找目标图像子区,当znssd大于或等于设定的阈值时,表示跟踪成功,用标记框对目标图像子区重新进行标记;当小于阈值时,表示跟踪失败,继续执行s2。
其中,所述步骤s1中正样本选择不同车型、角度和距离的车辆头尾部图片,负样本选择驾驶环境下的非车辆图片,比如:不含车辆的树、路面、天空等。
所述步骤s1的具体操作为:将所有样本进行图像灰度化处理,尺寸归一化为24×24,借助积分图,提取计算出类haar特征值,使用adaboost算法进行训练,得到adaboost车辆检测分类器。
首先使用经典的adaboost+haar特征检测算法进行车辆检测,以检测到的车辆作为初始跟踪区域;其次,考虑到检测到的车辆区域边界部分包含的背景较多,因此以检测到的车辆区域的中心为中心,边长为原边长的0.8倍作为最终的车辆跟踪区域,这样能够有效降低背景干扰,同时减少计算量。
从图2和图3中可以看出,本发明方法跟踪的标记框尺度缩放能够进行平稳的高精度跟踪,而cmt算法在跟踪过程中受图像噪声影响在尺度缩放上波动较大,尤其是在远距离处不能够有效实现准确跟踪,同时物体角度变化大时找不到特征点容易导致跟踪失败。另外,本发明方法跟踪的实时性较好,与cmt算法相比大大降低了跟踪耗时,保证精度的同时降低了耗时。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。