[发明专利]面向交通视频的夜间车辆检测与跟踪方法

说明书

面向交通视频的夜间车辆检测与跟踪方法，步骤如下：步骤1.提取车灯；步骤2.过滤非车灯；步骤3.车灯匹配；步骤4.车辆跟踪。本发明针对夜间道路上的光照条件非常复杂，不仅车体上的各种车灯种类多样，而且路面也会有车灯的光线反射，再加上道路两边的护栏反光、路灯等问题，使用OSTU与一维最大熵阈值分割算法结合实现车灯的提取，剔除非车灯光源，准确提取出车前灯；此外，本发明利用车灯的时空特性，使用匹配算法对提取的车灯进行配对，解决了一车多灯和并排同速车辆的问题；利用Kalman滤波器对车辆运动信息进行预测，实现车辆的跟踪。

技术领域

本发明涉及动态车辆的检测和跟踪方法。

背景技术

从上世纪八十年代开始，人们就已经开始将图像和视频处理技术应用于动态车辆的检测和跟踪算法中。国内外学者对于视频检测技术已经做了广泛而深入的研究，各种算法的交叉融合也越来越多。但在这些研究中，大多数的算法都是针对白天而且光照正常条件之下的应用研究，也有少数算法是针对特殊条件比如有雾，雨雪，多云等天气情况下的处理，但针对夜间条件的研究却少之又少。

主要原因是图像识别算法对周围环境很敏感，而夜间道路上的光照条件非常复杂，不仅车体上的各种车灯种类多样，而且路面也会有车灯的光线反射，再加上道路两边的护栏反光、路灯等等，各种因素相互交织干扰，使得夜间对车辆的图像检测和识别难度大增，所以多数应用在白天天气良好等交通环境下视频检测算法在夜间均不适用。

例如背景差分法检测运动目标速度快，检测准确，易于实现。白天使用背景差法提取运动的车辆并且对车辆进行跟踪，但是应用在夜间却存在很多问题，首先夜间移动的车影会被认为是前景，当车辆停止了就被认为是背景，一旦车辆再次运动又被再次检测到；然后是车辆合并与分离问题，两辆车辆并排前进的时候可能会被认为是同一辆车；除此之外夜间灯光微弱，分离前景和背景也非常困难。所以背景差分法，帧间差分算法很难应用在夜间车辆检测。

发明内容

本发明要克服现有技术的缺点，提供一种能够准确提取车前灯、实现车辆的跟踪的面向交通视频的夜间车辆检测与跟踪方法。

本发明针对夜间高速光照条件差，车灯种类多样，各种因素相互交织干扰导致的车辆难以检测的问题，通过车灯的提取和预测跟踪来实现对夜间车辆的跟踪。本发明通过车灯的提取和预测跟踪来完成对夜间车辆的跟踪。

1.面向交通视频的夜间车辆检测与跟踪方法，步骤如下：

步骤1.提取车灯；

夜间交通场景中，无论城市交通还是高速公路，车头灯是车辆最明显的特征,所以提出了在夜间提取了车灯的办法，提取了车灯就意味着提取了车辆；提取车灯的办法是通过图像计算出整幅图的分割阈值，进行图像分割，分割出包括车灯的亮光区域；首先使用OTSU求得初始自适应阈值，然后只考虑大于自适应阈值部分的像素，计算最大熵求出最终的图像分割阈值；

11)计算夜间交通视频图像的灰度直方图，提取灰度直方图的双峰特征，其实车灯直方图对应接近255的地方，有明显的峰值；其实在峰值的不仅只有车灯，地面反光和道路护栏的反光亮度值也很高，而场景中其他部分的亮度值则很小；通过计算视频图像像素点周围区域的加权平均，然后减去一个常数来求出初始自适应阈值t；

12)只考虑大于t部分的像素，用来计算最大熵；图像的熵是一种特征的统计形式，它反映了图像中平均信息量的多少；图像的一维熵表示图像中灰度分布的聚集特征所包含的信息量，假设灰度分布为0到L，F(t)表示图像中灰度值为t的像素所占的比例，则灰度图像的一元灰度熵H如式(1)所示：

H(F(t))＝-F(t)ln F(t)-(1-F(t))ln(1-F(t)) (1)

通过熵的计算，求出最大熵maxH(F(t))对应的阈值Tr，使用Tr将图像进行分割，分割出场景中的车灯，同时分割出了地面的反光和道路护栏的反光；