基于视频的车辆检测与跟踪算法研究(2)

1期

蔡　力:基于视频的车辆检测与跟踪算法研究

43

质心距离或颜色距离阈值的匹配结果视为不匹配,小于此阈值的距离则视为有可能匹配区域,即目标只能

出现在有可能匹配区域

。

图2　

相同目标之间距离分布

图3　布如图6所示

。

图4　

相同目标质心距离分布

图5　

相同目标颜色距离分布

图6　

不同目标颜色距离分布

图7　目标跟踪效果

由统计结果可以看到,对于相同的目标之间的归一化距离,包括质心距离和HSV颜色距离,在各自的有

可能匹配的区域,都是距离越大,匹配结果的分布越少,基本呈递减趋势。对于不同目标之间落在匹配区域的颜色距离,也基本集中在大距离的区域。因此结合目标的质心距离与颜色距离,选定一定的权值与阈值,就可以将落入有可能匹配区域的不匹配目标排除。415　目标跟踪过程目标的跟踪主要有目标链的建立,更新以及删除三个步骤。41511　建立新目标链

对于新检测到的目标,与已建立的目标链进行特征匹配(若没有目标链直接建立新目标链),若都不相

　44

微　计　算　机　应　用

2010年

匹配,则对新目标建立新目标链。

41512　更新目标链

对于新检测到的目标,如果与已有目标链的匹配度大于匹配阈值,则表明相匹配;如果出现与大于一个目标链都匹配,则选择与新目标特征匹配度更大的目标链进行匹配,这样就避免了两个目标距离和颜色都接近时出现的错误匹配。41513　删除目标链

每次对新目标进行匹配时,检测现有的目标链,如果某一目标链连续N次检测都没有找到匹配目标,则认定此目标链的目标已离开检测区域,删除目标链。416　测试结果

利用本文的算法,选择城市道路与高速公路等不同环境下的车辆进行跟踪测试,并与当前比较成熟的meanshift跟踪算法的检测率与平均每帧处理时间进行比较,结果如下表

表1　车流量

高速一高速二3683

100%100%9217%

ms/帧464648

4957

检测率

9511%

可以看出,,采用本文算法与meanshift算法均能有效跟踪所有经过的车辆,

而在有大量车流的城市交通环境中,采用本文算法的检测率在正常检测范围内略低,但是无论在哪种环境下,采用本文算法所用的平均每帧处理时间,都要低于meanshift算法,因此在实际应用方面具有较好的适时性。

5　结束语

本文采用高斯混合模型作为背景图像,利用差分法得到检测目标,在此基础上提出了结合质心信息和HSV颜色信息的匹配抉择判断条件,实验证明此算法对车辆的跟踪有很高的精确性,并且满足车辆检测跟踪的适时性要求。

参考

文献

[1]PankajKumar,SurendraRanganath,HuangWeimin,etal1Frameworkforreal-timebehaviorinterpretationfromtrafficvideo[J]

1IEEETransactionsonIntelligentTransportationSystems,2005,6(1):43-53

[2]D1Koller,K1Daniilidis1Model-basedObjectTrackinginMonocularImageSequencesofRoadTrafficScenes[J]1Internation2

alJournalofComputerVision,1019931181-257

[3]StaufferC,GrimsomW1Adaptivebackgroundmixturemodelsforreal-timetracking[C]1InProc1IEEEConferenceonCom2

puterVisionandPatternRecognition1FortCollins,Colorado,1999,vol12,246-252

[4]CucchiaraR,GranaC,PiccardiM1ImprovingshadowsuppressioninmovingobjectdetectionwithHSVcolorinformation[A]1

In:ProceedingsofIEEEIntelligentTransportationSystemsConference[C],Oakland,CA,USA,2001,334-339

[5]ZhangLei,LinFuzong,ZhangBo1ACBIRmethodbasedoncolor-spatialfeature1ProceedingoftheIEEERegion10confer2

ence(TENCON90),1999,166-169

作者简介

蔡力,男,(1985-)(汉族),硕士研究生,主要研究领域为数字图像处理。