[发明专利]一种高速公路监控场景下多车辆视频跟踪方法

权利要求书

1.一种高速公路监控场景下多车辆视频跟踪方法，其特征在于包括如 下步骤：

(1)检测车辆运动区域：包括对高速公路监控车道区域进行自适应估 计和采用快速约束三角剖分方法检测车辆目标区域；

(2)建立多车辆目标模型：包括采用车辆状态模型二次自回归模型进 行预测，观测模型采用颜色直方图特征和局部积分方向描述子特征融合建 模，采用阈值方法判断车辆进、出监控区域

(3)基于分层粒子滤波的车辆跟踪：采用Camshift算法与粒子滤波分 层次相融合方法进行鲁棒跟踪；

其中，所述步骤(1)首先对高速公路监控车道区域进行自适应估计：

假设第(k+1)帧中，背景像素点p的灰度值表述为：

G(k+1，p)＝G(k，p)+L(k，p)+noise¹(k，p)

其中，G(k，p)是第k帧中，背景像素点p的灰度值；L(k，p)是描述光照随着 时间变化的不确定模型；noise¹(k，p)为以零为中心的高斯白噪声；输入图像 像素点p的灰度表示为：

I(k，p)＝G(k，p)+noise²(k，p)

其中，noise²(k，p)为一个以零为中心的高斯白噪声；消去系统测量误差得到：

I(k+1，p)＝G(k，p)+ω(k+1，p)

其中，ω(k+1，p)＝L(k，p)+noise¹(k，p)+noise²(k+1，p)，且ω(k，p)是高斯分 布；

其中，所述步骤(1)的检测车辆目标区域采用快速约束三角剖分方法， 包括如下步骤：

1)通过Canny算子提取轮廓信息；

2)对图像轮廓应用Hough变换取得图像中的直线集合；

3)提取直线两端点得到角点集合；

4)以所有约束边为基础，构建初始约束三角网，并依次插入所有独立 角点；

5)提取角密度，水平直线密度，密度垂直直线，三角形密度和车辆区 域的平均亮度构建特征向量；

6)将候选区域中的五个特征向量输入以K(x，y)＝x×y为核函数的支持 向量机中，得到输出E_SVM，当E_SVM大于系统设定的置信阈值E_ξ的时候，则 该区域为真实车辆区域；

其中，所述步骤(2)的车辆状态模型定义为：S＝(x，y，l，h)^T，其中，(x，y) 构成被跟踪目标的中心点C＝(x，y)^T，搜索窗W＝(l，h)^T是长为l，宽为h的 矩形；采用二次线性自回归的方法预测当前的状态：

p(S_k|S_k-1，S_k-2，…，S₁)～N(S_k；2S_k-1-S_k-2，∑)；

多车辆目标时，状态预测模型为：

p(S_k(m)|S_k-1(m)，…，S₁(m))～N(S_k(m)；2S_k-1(m)-S_k-2(m)，∑(m))

其中，假设目标之间是相互独立的，且当前有M个车辆目标，S_k(m)表示第k 帧中第m个车辆目标的状态；

其中，所述步骤(2)的车辆观测模型是由RGB颜色直方图特征和局部 积分方向描述子特征进行融合构成的：

p(O_k|S_k)∝p_color(O_k|S_k)p_LIOD(O_k|S_k)，其中，是基 于RGB颜色直方图特征的观测函数，是局部积分 方向描述子特征的观测函数，O_k为当前视频帧，B(·，·)是巴氏距离；H和H^*分别是从被S_k覆盖的区域中估计出的候选颜色直方图和参考颜色直方图； H_LIOD和分别是从被S_k覆盖的区域中估计出的候选局部积分方向描述 子直方图和参考局部积分方向描述子直方图；

其中，所述局部积分方向描述子是对局部图像梯度的方向采用得到8个 分格，每个像素位置的梯度方向由其梯度值加权得到，每一个像素位置的第 t个分格在s尺度时的加权梯度方向直方图定义如下：

其中，是梯度向量，即为像素点(x，y)处的梯度G_x(x，y)，G_y(x，y)；R是 在像素点(x，y)的作为尺度函数的局部支持区域的尺寸；Z是标准化因子， ω(x，y，k)是第t个分格的方向计数器：

ω(x,y,t)=1ifθ(x,y)∈tth0otherwise,]]>

其中，θ(x，y)是像素点(x，y)的梯度方向角arctan(G_y(x，y)/G_x(x，y))；

其中，所述步骤(2)中对车辆进、出监控区域采用阈值方法进行判断：

1)车辆进入监控区域：T_in为判断新车辆目标进入视场的阈值，第k帧时 有J个车辆目标，第k-1帧有M个车辆目标，且有J＞M，满足以下条件时有 车辆进入监控区域：

p(Ok(j)|Ski(m))<Tin;]]>

2)车辆退出监控区域：T_out为判断车辆目标离开视场的阈值，第k帧时 有P个车辆目标，第k-1帧有M个车辆目标，且有P＜M，满足一下条件时有 车辆退出监控区域：

p(Ok(p)|Ski(m))<Tout;]]>

其中，则表示第k帧中第m个车辆目标的第i个粒子的状态；

其中，所述步骤(3)采用Camshift算法与粒子滤波分层次相融合方法 进行鲁棒跟踪的具体步骤为：

1)将(0，1]分成N个连续互不重合的区间，即N 即为初始化的粒子个数；

2)对每个独立同分布采样得到的初始粒子集{Sⁱ}_{i＝1，2，…，N}，有 其中U((u，v])表示在区间(u，v]上的均匀分布；

3)粒子状态的期望值并得到该粒子的权重

ωki=p(Ok|Ski);]]>

4)将粒子集随机地分成2个数目相等子集：

5)对其中一个子集的每一个粒子进行迭代：

选择加权值最大的粒子，然后我们使用该子集中的所有粒子，来计算这 个粒子状态中心点的平均位移，进而接近其局部模式：

mean_shift(C‾ti)=Σj=1MCjm(Cj)g(||C‾ki-Cjr||2)Σj=1Mm(Cj)g(||C‾ki-Cjr||2)-C‾ti,]]>

其中，{C_j}_j＝1...N/2是状态在矩形区域像素坐标点；m(C_j)是在点C_j处像素值 的相似权重，它是对应的H^*和的直方图二进制比率的平方根；g()是 一个核函数；r是标准化后的窗口半径；

该粒子的状态中心点均以最新的状态中心近似构成：

Cki≈mean_shift(C‾ki)+C‾ki;]]>

该粒子的窗口尺寸，利用如下方法进行调整：

W‾ki≈kM00(S‾ki)256×l‾ki×h‾ki·W‾ti,]]>

其中k是一个经验常量值，零阶矩M₀₀按照以下公式计算：

该粒子权重也进行相应为：

将经过一次迭代的子集与原有不变的子集合并，得到新的粒子 集同时对两个子集的权值合并且正则化

协方差按照迭代次数成指数级递减，即有j＝1，2，…，I，其中I是 迭代次数；得到新的状态概率密度函数；

6)迭代结束，输出对当前状态的估计：