復(fù)雜環(huán)境下基于視頻的車輛跟蹤算法研究.pdf

1、交通信息采集是交通管理、控制以及誘導(dǎo)的基礎(chǔ)。相比傳統(tǒng)環(huán)形線圈檢測(cè)技術(shù)，基于視頻的車輛跟蹤技術(shù)具有安裝維護(hù)方便、檢測(cè)區(qū)域大、可檢測(cè)參數(shù)多等優(yōu)點(diǎn)，在交通信息采集方面具有巨大的潛力，但是車輛跟蹤的性能受復(fù)雜環(huán)境的影響很大，比如交通場(chǎng)景中光照的變化、車輛間的遮擋現(xiàn)象等因素都會(huì)影響車輛跟蹤的可靠性與準(zhǔn)確性。因此，復(fù)雜環(huán)境下基于視頻的車輛跟蹤技術(shù)研究對(duì)于交通信息采集具有重要意義。本文對(duì)環(huán)境中存在光照變化和車輛間遮擋現(xiàn)象時(shí)的車輛跟蹤算法進(jìn)行研究，主要

2、研究內(nèi)容如下:
　　(1)為了在光照變化的情況下檢測(cè)運(yùn)動(dòng)車輛，提出了自適應(yīng)ViBe(visual backgroundextractor)背景模型。分析了ViBe背景模型存在的問題:在光照變化情況下，當(dāng)閾值過小時(shí)部分背景區(qū)域會(huì)被誤檢測(cè)為車輛，而當(dāng)閾值過大時(shí)部分車輛區(qū)域會(huì)被誤檢測(cè)為背景。為解決這一問題，定義了車輛檢測(cè)誤差函數(shù)。以被誤檢測(cè)為車輛的背景區(qū)域面積與圖像面積之比作為第一類誤差函數(shù)，用以衡量閾值過小的影響;利用包含車輛區(qū)域的最

3、小凸包近似地表示真實(shí)的車輛區(qū)域，以該凸包為參考，計(jì)算圖像中所有車輛的相對(duì)誤差的平均值并以之作為第二類誤差函數(shù)，用以衡量閾值過大的影響。最后，在首先減少第二類誤差、其次減少第一類誤差的準(zhǔn)則下，設(shè)定一組條件以判斷閾值的合理性，并利用步長法對(duì)其進(jìn)行調(diào)整。實(shí)驗(yàn)結(jié)果表明，自適應(yīng)ViBe背景模型能夠提高光照變化情況下車輛檢測(cè)的準(zhǔn)確性。
　　(2)為了提高車輛跟蹤的持久性和準(zhǔn)確性，提出了基于非網(wǎng)格塊運(yùn)動(dòng)矢量的車輛跟蹤算法。分析基于網(wǎng)格塊運(yùn)動(dòng)矢量

4、車輛跟蹤算法的缺點(diǎn)在于:一、在網(wǎng)格分塊下，較小的車輛區(qū)域中包含的塊的數(shù)量過少，導(dǎo)致噪聲運(yùn)動(dòng)矢量的影響增大、車輛跟蹤的持久性下降;二、在塊的擴(kuò)展環(huán)節(jié)，目標(biāo)車輛容易受噪聲區(qū)域和附近車輛的影響，導(dǎo)致車輛跟蹤的準(zhǔn)確性下降。針對(duì)上述問題，一方面在分塊方式上提出以非網(wǎng)格的方式對(duì)車輛進(jìn)行分塊，從而使得塊可以處于圖像中的任何位置，并且塊與塊可以重疊。這樣能夠使較小的車輛區(qū)域也包含足夠多的塊，從而減少噪聲運(yùn)動(dòng)矢量的影響，提高車輛跟蹤的持久性。另一方面在塊

5、的移位環(huán)節(jié)對(duì)每個(gè)塊分別根據(jù)其自身運(yùn)動(dòng)矢量對(duì)其進(jìn)行移位。為此，根據(jù)塊運(yùn)動(dòng)矢量在空間分布上的延續(xù)性，提出了基于鄰域的噪聲運(yùn)動(dòng)矢量檢測(cè)和調(diào)整方法。這種移位方式避免了對(duì)塊進(jìn)行擴(kuò)展，在移位中減少了噪聲區(qū)域和附近車輛對(duì)目標(biāo)車輛的影響，從而提高了車輛跟蹤的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果表明，相比基于網(wǎng)格塊運(yùn)動(dòng)矢量的車輛跟蹤算法，基于非網(wǎng)格塊運(yùn)動(dòng)矢量的車輛跟蹤算法具有更好的跟蹤持久性和準(zhǔn)確性。
　　(3)提出了非網(wǎng)格分塊下的Markov隨機(jī)場(chǎng)遮擋處理算法。當(dāng)遮

6、擋車輛和被遮擋車輛的運(yùn)動(dòng)矢量相接近時(shí)，網(wǎng)格分塊下的Markov隨機(jī)場(chǎng)遮擋處理算法難以對(duì)遮擋區(qū)域進(jìn)行準(zhǔn)確分割。針對(duì)這一問題，在基于非網(wǎng)格塊運(yùn)動(dòng)矢量的車輛跟蹤算法的框架下，利用歐式距離定義了非規(guī)則的時(shí)空鄰域系統(tǒng)，以描述非網(wǎng)格分塊中塊與塊之間的幾何關(guān)系，并以非規(guī)則的時(shí)空鄰域系統(tǒng)為基礎(chǔ)，建立了非網(wǎng)格分塊下的Markov隨機(jī)場(chǎng)模型。在能量函數(shù)定義方面，構(gòu)建了由運(yùn)動(dòng)灰度差與顏色直方圖距離組成的二維高斯向量，以融合車輛的運(yùn)動(dòng)信息與顏色信息，更為完整地

7、表達(dá)遮擋車輛與被遮擋車輛之間的差異;最后利用模擬退火法對(duì)能量函數(shù)進(jìn)行優(yōu)化，以實(shí)現(xiàn)遮擋分割。實(shí)驗(yàn)結(jié)果表明，非網(wǎng)格分塊下的Markov隨機(jī)場(chǎng)遮擋處理算法在兩輛車的運(yùn)動(dòng)矢量相接近時(shí)能夠利用顏色信息的差異處理車輛遮擋現(xiàn)象，擴(kuò)大了車輛遮擋處理的范圍，提高了車輛遮擋處理的準(zhǔn)確性。
　　(4)針對(duì)車輛剛進(jìn)入交通場(chǎng)景就發(fā)生遮擋的問題，提出了基于長軸方向固定橢圓擬合法的遮擋初始分割算法。首先，通過前景凸包比來檢測(cè)車輛遮擋現(xiàn)象，并利用一組與車道線方向

8、平行的分割直線將前景輪廓分割為若干組子輪廓。之后，在最小二乘橢圓擬合法的基礎(chǔ)上增加了長軸方向固定這一約束，提出了長軸方向固定的最小二乘橢圓擬合法，利用它對(duì)每一組子輪廓進(jìn)行橢圓擬合。最后，利用牛頓迭代法定義了橢圓擬合的評(píng)價(jià)函數(shù)，并通過最小化該評(píng)價(jià)函數(shù)以尋找最優(yōu)分割直線，從而獲得車輛的初始位置。實(shí)驗(yàn)結(jié)果表明，該算法在遮擋初始分割中對(duì)于不規(guī)則的前景輪廓具有較好的魯棒性，能夠得到準(zhǔn)確的車輛初始位置。
　　(5)為了驗(yàn)證本文算法的有效性，在