基于视频的车辆检测与跟踪算法研究

第31卷第1期2010年1月

MICROCOMPUTERAPPLICATIONS

微　计　算　机　应　用

Vol131No11

Jay12010

基于视频的车辆检测与跟踪算法研究

蔡　力

(四川大学　电子信息学院　图像信息研究所　成都　610064)

摘要:基于视频的车辆检测以及车辆跟踪是智能交通系统中的重要部分。本文在混合高斯背景模型的基础上,通过差分法分割出检测目标,利用检测目标的位置信息和色彩信息,找到与之最匹配的目标轨迹,从而实现车辆的跟踪。实验表明,该方法具有很高的检测与跟踪效率,同时能够满足智能交通系统的适时性要求。关键词:视频检测　混合高斯背景　HSV颜色匹配　车辆跟踪

VehicleDetectionionVideo

i

ofElectronicsandInformationEngineering,Instituteimageinformation,SichuanUniversity,Chengdu,610064,China)

Abstract:Vehicledetectionandtrackingbasedonvideoisanimportantpartofintellecttrafficsystem1Onthepurposeoffindingthebestmatchingtrajectory,thispaperproposedamethodthatutilizesbothpositioninformationandcolorinformationofdetectedobjectthroughbackgroundsubtraction,basedonGaussianmixturemodel1Experimentalresultshowsthatmethodpossesseshigherefficiencyinvehicledetectionandtracking1

Keywords:videodetection,Gaussianmixturemodel,HSV-colormatching,vehicletracking

1　前言

在智能交通系统中,基于视频的车辆检测是一种简单而有效的交通信息统计的方法,也是计算机图像

处理的一个重要研究领域。车辆的检测与车辆目标匹配是车辆跟踪系统的主要部分。

[1]

一般来说,车辆的视频检测主要有基于光流场的方法,基于帧间差分的方法和基于背景差分的方法。基于光流场的方法不需要任何先前场景信息,能够独立的检测出运动目标,但存在不适应光照变化以及计算量较大的缺点;基于帧间差分的方法运算简单,定位准确,但对于速度过快与过慢的目标不能很好的检测到完整轮廓信息;基于背景的差分检测法运算简单,检测效果较好,但对于背景的建模要求有较高的要求。本文采用基于混合高斯模型的方法建立背景模型,利用背景差分法进行目标的检测。

在目标跟踪算法方面,目前已有多种跟踪算法,主要包括模型跟踪法,区域跟踪法,动态轮廓跟踪法和

[2]

区域跟踪法和特征跟踪法,根据精确度和适时性的要求,本文提出了利用目标位置特征和颜色信息特征相结合的匹配算法,来对车辆目标进行跟踪。实验表明,该方法能对车辆进行有效的跟踪,并且在多目标的场景下匹配效率高,具有良好的鲁棒性。

2　混合高斯背景模型

211　混合高斯分布

自适应的混合高斯分布背景模型

本文于2009-07-02收到。

[3]

对图像中的每个像素点,

　40

微　计　算　机　应　用

2010年

用K个高斯分布的加权混合值来描述该点的背景值。对于图像上任意彩色像素点(x,y),在任意时刻t的观测值为Xt。此点的背景概率模型为

K

p(Xt)=

ω∑

i=1

i,t

η(Xt,ui,t,ξ1i,t)

(1)

其中,η(Xt,ui,t,ξi,t)为t时刻此点的第i个高斯分布概率函数,ωi,t表示t时刻第i个高斯分布的权重,

K

ω∑

i=1

i,t

=1。K一般取值为3-7,取值越大,背景估计越精确,但所需的运算量也相应增大,本文基于适时性

σ2r

rgb

的考虑,K值选取为3。ui,t=(ui,t,ui,t,ui,t)为第i个高斯分布的均值向量,ξi,t=

00

0为协方差

00

σ2g0

2矩阵。

212　混合高斯模型分布参数更新

t时刻获取图像上(x,y)坐标上的值为Xt,,(第

一帧图像用Xt作为均值,)。对于第i个分布,如果Xt∈

σi,t,ui,t+215σi,t],,进行参数更新。当没有与Xt相匹配的[ui,t-215

高斯分布时,K,Xt为均值构建一个高斯分布,同样给一个较大的方差ξ;若等于

K,。

:

)ui,t-1+ρui,t=(1-ρXt

22T

ξ)σi,t-1+ρ(Xt-ui,t)(X-ui,t)i,t=(1-ρ

ρ=αη(Xtui,t-1,ξi,t-1)

(2)

各高斯分布权值也进行相应更新:

ωi,t=(1-α)ωi,t-1+α(Mi,t)(3)

其中α,ρ为更新的学习率,匹配时,Mi,t=1,否则为0。对于学习率α的取值,若取值较大,则背景更新较快,但容易受到噪声因素的影响,若取值较小,则背景稳定,但不能很好的反应光照变化的情况下的背景。本文采用差分法提取目标,因此选取较小的学习率来获取稳定的背景模型。

在K个高斯分布中,权重越大,则表明该高斯分布越稳定,也就越能代表真实背景,因此按其权重的大小取前B个高斯分布来生成背景模型。

b

B=argbmin(

ω∑

i=1

i

>T)(4)

背景点的像素值用B个高斯分布的均值按权重进行加权平均来代表ω′i,t表示前B个高斯分布按各自的权值归一化后得到的新权值。

B

Xbackground=

ω′u∑

i,t

i=1

i,t

(5)

3　目标提取

本文中车辆目标的提取是由当前帧图像与当前混合高斯背景差分得到的。对用于区分目标与背景的特征参数,本文选取RGB和HSV模型相结合的方法。

对于当前帧图像的上任意一点(x,y)的RGB信息,若其三个分量的值与背景的RGB分量值相差超过

一定的阈值,则认为此点属于前景目标信息B(x,y)为差分后的二值图像。

ifRb-Rf+Gb-Gf+Bb-Bf≥Trgb

1期

蔡　力:基于视频的车辆检测与跟踪算法研究

B(x,y)=1elseB(x,y)=0

41

(6)

此外,一幅图像中的阴影与背景的RGB差值不明显,所以在RGB差分的时候,阴影常被当作前景目标

被包含进目标信息中,影响目标的提取。本文利用HSV模型对阴影部分进行去除。

[4]

对于阴影点的HSV信息与背景相比较,有三点特征:①与背景点有相近的色调H;②比背景点的亮度值V略为低;③与背景点有相近的饱和度S。

因此,对于二值图像上差分为前景的任意点(x,y),如果满足:

Hb-Hf≤Th,

Sb-Sf≤TsTv≤Vf≤Vb

则B(x,y)=0。(7

)

图1　目标检测效果图

4　目标跟踪

目标跟踪的核心是目标的特征匹配,对在不同时刻相互匹配的目标建立一个目标链,每个目标链包含不同时刻目标的特征信息。对于当前帧图像所检测到的所有新目标,依次与已建立的目标链进行特征匹配,从而进行目标链的建立,更新与删除,从而实现目标的跟踪。

本文采取的匹配方法为质心匹配和HSV颜色匹配相结合的方法。411　质心特征匹配

对于当前帧检测到的N个新目标object[i],i∈(0,N),其信息包含有其质心坐标点(x0,y0),与待匹配的目标链中目标的质心坐标(x′0,y′0)的归一化距离定义为

ddistanse=

[(x0-x′0)

22

+(y0-y′0)]

2

1/2

21/2

(size_x+size_y)

(8)

0<ddistance<1,其中size_x,size_y分别为图像的x轴距和y轴距。

质心匹配度定义为

md1-ddistance/Td

ifif

ddistance≤Tdddistance>Td

(9)

0≤md≤1,md越大,表明目标越匹配,其中Td为距离判定阈值,当质心距离超过这个阈值的时候,判

定为目标必定不匹配。412　HSV量化特征匹配

HSV颜色特征匹配是本文所采用 …… 此处隐藏：3133字，全部文档内容请下载后查看。喜欢就下载吧 ……