交通流视频检测中车辆的检测与跟踪

0引言

在交通流的视频检测中，运动车辆的检测和跟踪是一个重要的研究领域，跟踪的过程其实就是在图像序列中目标匹配的过程，通常的匹配准则包括图像的轮廓、重心、面积、不变矩、Hausdorff距离等形态特征和数学特征[1-2]。

由于系统实时性和鲁棒性的要求，一般都采用运动车辆的特征匹配进行跟踪，在获得好的目标特征前，必须精确的提取出运动车辆。

由于背景图像的动态变化，如天气、光照等干扰因素的影响，使得运动车辆的检测变得非常复杂。前人已经对背景模型的建立作了大量的研究，提出了许多背景消除算法：其中有基于统计模型的方法，如高斯分布模型[3-4]、混合高斯分布模型[5,7]、非参数化模型[6]等；基于预测的方法，如卡尔曼滤波[8]方法等。

由于实际场景的复杂性，这些算法都存在一些问题，为了适用于本系统实时性的要求，减少算法的计算量，本文只采集背景的亮度空间进行背景建模，描述像素点的统计特征，对背景模型及时进行更新。1背景建模和车辆特征采集

1.1混合高斯分布模型原理

本文使用混合高斯分布模型来表征图像帧中每一个像素点的特征，为了克服特征跟踪中图像受周围环境(如建筑阴影、路灯)，路面的反射、阴影，下雨、下雪等天气变化的影响，提供一种实时性强、处理速度快、适应环境变化的改进的自适应混合高斯模型，仅使用协方差矩阵中的亮度分量，因为噪声的干扰对色度信息影响比较大，而对亮度信息影响比较小，牺牲色度信息，整个交通流信息检测系统的实时性大大提高，却对目标提取的影响不大。

1.2建模过程

以下所叙述的每一个像素处理都是在一系列固定摄像机下，从高分辨率CCD摄像机取得R、G、B颜色空间图像序列(当然包括噪声信号)，用中值滤波对图像滤波除噪。对处理过的图像序列进行颜色空间的转化，将R、G、B颜色空间转化成亮度空间，

即

＋／３。

输入视频图像序列{1,2,…,Ö¡ÊÓƵͼÏñÖУ¬´¦ÀíµÚ的值，

其中第

－1582－

－1583

－

,

=

1

2

1/2

当前像素点

，１

，

(决定了背景分布模型个数)

一般取经验值一般取范围[0.01,0.001]之间，

我们这里取的一般取

值范围[3,5]，

=4，

初始化权重

=0.05。

读取图像的亮度空间，将第一帧图像每一个像素点的亮度值作为混合高斯的均值，

方差给一个较

=,1

+

=1如果∣=0其它可能

(2)

式中：取值比较大，适应环境变化的能力

比较强，改变的背景很快的融入到背景模型中，但容易受噪声

影响。如果

，

则其面积

=

ÄÚµÄËùÓе㣬¿ÉÒÔͨ¹ý¼ÆËãÔ˶¯ÇøÓò

µÄÃæ»ýãÐÖµ£¬À´ÅжÏÔ˶¯Ä¿±êÊÇ·ñÊǷdzµÁ¾µÈ¸ÉÈÅÒòËØ£¬Í¨¹ýÅжÏÔ˶¯³µÁ¾µÄ¿í¶È£¬¼ì²âÖصþ³µÁ¾¡£

2

基于相似性算子的跟踪

2.1

联合的相似性算子

当车辆重叠或者运动速度过快的时候，对目标的数学特

征进行匹配，能有效的提高跟踪的精度。

相邻两帧+1帧，第

个目标的重心位置相

似度为

，

＝

＋１

=1/

,

=1/

,

+1

=1/

,

+

1

+1

=1/

,+

1

+1

+1

+1

ºÍ¸öÄ¿±êºÍ

µÚ

,=

,1,+,1,

=

,2

,+

,2,

+1,1,1

+1,1,1

+1,1,

+1,2

,2

+1,2

,2

+1,2

,

是目标左上角的相似度，

，是目标右下角的相似度，g

,2

是正的参数，当两个目标有相

同的最小外接矩形时，分别达到大值1/g

,2

。

相邻两帧+1，第

个目标的灰度和方差的

相似度为

，＝

，

+,

=

+1

+1

是一个正的常

数，当两个目标有相同的灰度均值和方差的时候，达到其最大

值1/g

,

,

,

,

,

,

2.2多运动车辆的匹配

匹配情况：对于

个目标，如果能搜索到使相似

度算子取得最大值的

，，

≥

(是相似度算子门限值)，则目标i 和j 是同一个目标。

目标驶出：对于个目标，如果能搜索到使相似

度算子取得最大值的

，，

＜，

则在+1帧中出现的目标

帧中没有出现的

话，即出现了新目标，采集如上部分内容所介绍的各种参数，

保存在结构体中。如图2所示，是目标跟踪和匹配的过程。

图2(a )中出现两个新目标，

建立两个特征向量组

和

。图2(b )中又出现了一个新目标，建立3

个特征向量组

、

、

，使用相似性算子对图2(a )和(b )

目标的特征

图1混合高斯背景建模和绝对值差分实验

(a )灰度原图

(b )静态背景

(c )两帧差分