[发明专利]一种基于颜色空间信息的多车辆视频跟踪方法

说明书

技术领域

本发明涉及一种基于颜色空间信息的多车辆视频跟踪方法，属于基于机器视觉技术领域。

背景技术

通常情况下，交通场景的监控主要是通过人工控制来完成。它需要投入大量的人力和物力，即便这样，在高强度的工作环境下，遗漏仍可能发生；特别是出现车辆异常事件时，也不能进一步作出快速反应的。因此，智能交通系统(ITS，Intelligent Transportation Systems)基于机器视觉在近年发展起来。它通过分析视频序列检测、识别和跟踪车辆目标，以获得诸如位置，速度，方向和加速度等运动参数，无需任何人人工干预，或者很少的人工干预。

Zehang Sun等在《IEEE模式识别与机器智能学报》(2006年第694-711页)发表文章“道路车辆检测：概览”(《IEEE Transactions on Pattern Analysisand Machine Intelligence》(pp.694-711，2006)：“On-road vehicle detection：areview”)进行了总结，包括基于知识的、基于运动的和基于表观特征的检测方法。

在目标跟踪算法中，基于蒙特卡罗序列的方法是一种较为理想的方法，也称为概率性跟踪方法，典型的算法是粒子滤波。在粒子滤波框架下，对车辆的表达是非常重要的问题，因为这种表达可以描述车辆表观与运动状态之间的关联关系。一个好的目标表达可以使跟踪的车辆区别于背景和其他车辆，已获得更好的跟踪效果。车辆的表达包括表观模型和运动状态模型。很多视觉特征可以被选择为车辆目标的跟踪进行表观建模。Comaniciu等发表文章“基于核函数的物体跟踪”(Kernel-based object tracking)，提出了基于颜色直方图的跟踪算法，该方法对环境噪音和部分遮挡是鲁棒的，但是在背景与目标颜色相同或者光线变化时该方法失效。但是，空间信息的缺失将会减少模型中的区分度。因此，要通过加强模型的敏感性来区分背景或其他车辆。在车辆表达中加入空间信息对于增强跟踪结果的鲁棒性具有重要的作用，这样可以使车辆的形状和尺度不变形得以保持。在Birchfield ST等人发表的题为“空间图与直方图在区域跟踪上的比较”(Spatiograms versushistograms for region-based tracking)的文献中介绍的空间图是一种通过增加空间均值和方差来获取对跟踪目标的充足描述的直方图。

另一种流行的跟踪算法是确定性跟踪算法，典型的算法是MeanShift。该算法实质是一个优化问题，通过车辆检测获得其目标模板，并建立特征函数来度量车辆候选区域与参考模板之间的相似度，当特征函数取得最大值时，目标被定位。特别地，Zhao Q等人发表的题为“利用颜色相关图的物体跟踪”(Object tracking using color correlogram)的文献和题为“简化的颜色相关图在视频跟踪中的运动表观分析”(Motion observability analysis of thesimplified color correlogram for visual tracking)的文献分别给出了基于颜色相关的MeanShift框架跟踪方法，但是在计算颜色相关图时，方法的计算复杂度较高。粒子滤波由于是非线性、非高斯且多模态的特点，被广泛应用，但是单纯使用粒子滤波进行跟踪需要大量粒子。因此，可以考虑将确定性跟踪方法与概率性跟踪方法进行结合，特别是将MeanShift算法与粒子滤波算法结合，既能克服MeanShift算法没有预测功能的缺点，又能解决粒子滤波算法需要大量粒子进行精确计算的缺点。CamShift算法是MeanShift的一种改进算法，它作用于动态概率分布，在连续的视频图像序列中，运动物体的尺寸和位置的变化导致相应的概率分布的动态变化，该算法自适应概率分布的动态变化，根据概率分布的变化情况自动调整搜寻窗口的尺寸和位置。

发明内容

本发明要的技术解决问题：克服现有技术的不足，提供一种基于颜色空间信息的多车辆视频跟踪方法。

本发明的技术方案：一种基于颜色空间信息的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)建立车辆表观模型：依据车辆的对称性特征对其进行分片段处理，建立颜色相关图特征向量；

(3)建立车辆状态模型：建立满足多车辆状态模型，采用基于二次线性回归进行状态预测；