[发明专利]交通场景下的运动车辆跟踪方法

权利要求书

1.交通场景下的运动车辆跟踪方法，其特征在于，包括以下步骤：

S1：通过摄像头进行前端视频图像采集，对图像进行预处理，对运动车辆进行目标检测，并进行目标分割作为跟踪对象；

S2：利用Kalman滤波器对跟踪目标进行运动估计，通过建立运动状态模型，根据被跟踪目标的历史运动信息，预测其在当前帧中的位置；

S3：Camshift目标跟踪，根据跟踪目标在前一帧中保存的颜色直方图，在Kalman滤波器给出的预测范围内计算反向投影，利用Camshift算法搜索运动目标；

S4：标记出运动目标后，判断目标位置是否发生重合，如果存在目标遮挡的现象则仅更新目标的位置信息，不更新直方图，如果没有遮挡情况则同时更新运动状态和相应直方图；

S5：将更新后的目标作为下一帧的跟踪对象，重复执行上述过程。

2.根据权利要求1所述的运动车辆跟踪方法，其特征在于，所述运动车辆目标检测具体方法如下：

S1-1：从视频图像中提取大量的车辆图像作为正样本，非车辆图像作为负样本，从训练样本中提取Haar-like矩形特征作为训练的特征集；

S1-2：假设样本空间为X，样本表示为Y＝{0，1}，其中0表示非车辆，1表示车辆。假设Haar-like特征总数为N，w_t,j代表第t轮循环时第i个样本的权重；

S1-3：强分类器的训练方法如下：

(1)对一系列训练样本(x₁,y₁),(x₂,y₂),...,(x_n,y_n)，假设样本库中n个样本为均匀分布，则样本权重w_t,j＝1/n；

(2)Fort＝1toT：

1)归一化样本权重分布，

2)对每个特征j，在给定的权重w_t,j下训练弱分类器h_t,j(x)，计算分类错误率：

3)从中选择最优的弱分类器h_t(x)：令则h_t(x)＝f_t,k(x)，且对样本集的分类错误率为ε_t＝ε_t,k；

4)根据上一轮的分类错误率更新样本权重：

其中，e_i＝0代表分类正确，而e_i＝1代表分类错误，最终得到的强分类器为：其中，

S1-4：对待检测图像进行不同尺度窗口的扫描，最终输出所有检测到的车辆目标。