[发明专利]高速公路场景下一种多特征融合的多车辆视频跟踪方法

说明书

技术领域

本发明属于图像处理领域，具体涉及智能交通领域，特别涉及到高速公路监控场景下多车辆视频跟踪的方法。

背景技术

近年来，由于经济的快速发展，道路交通迅速发展，机动车辆的保有量迅速攀升，大量的公路交通问题显现出来，如堵车、交通事故等频频发生，对交通管理提出了新的挑战。为了解决地面交通快速发展所引发的各种问题，各个发达国家竞相投入大量的资金和人员，开始大规模的进行公路交通运输智能化的研究。智能交通系统(ITS，Intelligent Traffic System)的研究被提到了重要位置。许多国家就发展智能交通系统做出了长远规划。部分已经研制成功的智能交通系统技术投入使用后取得了良好的效果和收益。运动车辆检测跟踪是基于计算机视觉的智能交通系统的核心技术，是计算机视觉的基本问题之一。

运动车辆跟踪建立在准确的车辆检测的基础之上。目前基于视频的运动车辆的检测方法主要有：背景差分法、时间差分法、灰度特征法、光流法、高斯背景建模等方法。

运动车辆跟踪等价于在连续的图像帧间创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题，运动目标的跟踪大致可以分为基于特征的方法、基于区域的方法、基于轮廓的方法、基于模型的方法四种。

基于特征的跟踪

基于特征的跟踪方法，是从图像中提取整个车辆或局部车辆的典型特征并在图像序列间匹配这些典型特征的跟踪方法。

基于区域的跟踪

基于小区域的跟踪是比较典型的基于区域的视觉跟踪。它的基本原则就是利用图像的特征将每帧图像分割为不同区域，通过这些区域在相邻帧中进行区域匹配，实现目标跟踪。

基于轮廓的跟踪

基于活动轮廓的跟踪其核心思想是利用封闭的曲线轮廓来表达运动目标，该曲线轮廓通过各种约束函数达到方向及方向的变形从而逐渐与图像中的真实目标相适应，检索或跟踪复杂背景中的目标。

基于模型的跟踪

基于模型中典型的三维模型的方法通过测量或者其他的计算机视觉技术建立起目标的三维模型，在跟踪的时候通过模型和投影等参数进行匹配来定位和识别目标。由于利用了物体的三维轮廓或者表面信息，这类方法在本质上具有非常强的鲁棒性，在遮挡和干扰情况下能够获得其它方法难以比拟的效果。但是也有自己的一些缺点。

发明内容

本发明的目的是在于克服现有技术的不足，提供一种基于改进的混合高斯建模法进行车辆检测，然后采用多特征融合，将分块建模、颜色建模和位置建模等相融合的多车辆的跟踪方法。该方法对于高速公路上多车辆的数据关联和遮挡等跟踪的难点问题有很强的鲁棒性。

本发明的目的是通过以下步骤来实现的：

步骤1.用一个固定视场的监控摄像机，对高速公路中行驶的车辆获取视频图像。

步骤2.对于监控摄像机采集的输入视频图像中的每一帧图像，利用改进的混合高斯建模，在图像中进行车辆检测和定位，具体是：

2-1.基于视频中的道路区域，利用改进的混合高斯建模，所述改进的混合高斯建模引进一个参数                                               ，记录当前帧与模型匹配的有效像素的点数，令背景更新率，其中表示基本混合高斯建模中背景参数的更新率。

2-2.经过改进的混合高斯建模后，输入的视频图像变成二值化的图像，其中白色像素代表为前景物体的位置；通过连通区域的4邻域归并策略，将符合车辆大小特征的白色连通区域在原视频图像中用矩形搜索框标记出来，这样可获得视频中的车辆定位。

步骤3.提取运动车辆的多个特征信息，用于视频车辆跟踪，具体是：对车辆所在矩形搜索框进行灰度、HSV颜色和位置信息的提取。

步骤4.匹配不同视频帧的检测结果，判断是否属于同一车辆,并对图像中车辆相互遮挡的情况进行处理，具体是：

4-1.车辆相似度定义：将第t帧的第i个车辆检测结果表示为，其中表示车辆所在矩形搜索框中心位置，矩形搜索框的宽度和长度为。表示车辆所在矩形搜索框的HSV颜色特征。表示车辆所在矩形搜索框的灰度特征。而将第t-1帧的第j个车辆检测结果表示为，其中表示车辆所在矩形搜索框中心位置，矩形搜索框宽度和长度为，表示车辆所在矩形搜索框的HSV颜色特征，表示车辆所在矩形搜索框的灰度特征。

采用高斯分布的核函数建模，分别得到HSV颜色相似函数，位置相似函数，灰度相似函数，则车辆相似度函数其中分别为、和在中的权重函数。