郭 鋒， 王秉政， 楊晨暉

（1. 鄭州輕工業(yè)學(xué)院計(jì)算機(jī)與通信工程學(xué)院，河南 鄭州 450002；2. 廈門(mén)大學(xué)信息科學(xué)與技術(shù)學(xué)院，福建 廈門(mén) 361005）

復(fù)雜背景下車(chē)輛跟蹤的改進(jìn)算法及逆行檢測(cè)

郭 鋒1， 王秉政1， 楊晨暉2

（1. 鄭州輕工業(yè)學(xué)院計(jì)算機(jī)與通信工程學(xué)院，河南 鄭州 450002；2. 廈門(mén)大學(xué)信息科學(xué)與技術(shù)學(xué)院，福建 廈門(mén) 361005）

針對(duì)復(fù)雜背景下車(chē)輛跟蹤準(zhǔn)確率低的情況，提出了一種改進(jìn)的算法，采用多邊形車(chē)輛跟蹤窗口和更準(zhǔn)確的預(yù)測(cè)搜索區(qū)域，進(jìn)行多特征匹配車(chē)輛的跟蹤算法，并應(yīng)用于道路的車(chē)輛逆行檢測(cè)。實(shí)驗(yàn)結(jié)果表明，該算法在滿(mǎn)足實(shí)時(shí)性和穩(wěn)定性的前提下，提高了車(chē)輛跟蹤的準(zhǔn)確率。

車(chē)輛跟蹤；多特征匹配；復(fù)雜背景

車(chē)輛跟蹤是計(jì)算機(jī)視覺(jué)應(yīng)用的重要內(nèi)容，特別是在智能交通視頻監(jiān)控方面，車(chē)輛跟蹤是交通事件判斷、解決城市擁堵等的前提，目前有很多車(chē)輛跟蹤的算法，大致分4類(lèi)：基于區(qū)域的車(chē)輛跟蹤[1]，基于特征的車(chē)輛跟蹤[2]，基于模型的車(chē)輛跟蹤[3]，基于活動(dòng)輪廓的車(chē)輛跟蹤[4]。這幾種算法，在簡(jiǎn)單背景下，效果不錯(cuò)，但是，在道路交通視頻中，交通場(chǎng)景的動(dòng)態(tài)變化，有雨天路面反光，車(chē)燈，樹(shù)影等干擾因素，為了提高在復(fù)雜背景下車(chē)輛跟蹤的準(zhǔn)確率，本文提出了采用多邊形車(chē)輛跟蹤窗口和更準(zhǔn)確的預(yù)測(cè)搜索區(qū)域，進(jìn)行多特征匹配車(chē)輛的跟蹤算法，并應(yīng)用于道路的車(chē)輛逆行檢測(cè)。

1 改進(jìn)的基于多特征匹配車(chē)輛跟蹤算法

在道路監(jiān)控視頻中，上下幀圖像時(shí)間差很小，根據(jù)運(yùn)動(dòng)規(guī)律，車(chē)輛信息在上下幀圖像中具有較大的相關(guān)性，車(chē)輛位置，速度，形狀等特征都很有相關(guān)性。因?yàn)樵趶?fù)雜場(chǎng)景下，很多干擾因素的存在，要求我們更加精確高效的跟蹤，本文提出了一種改進(jìn)的算法，該算法分5個(gè)模塊：（1）檢測(cè)道路中車(chē)輛，使用更小的多邊形跟蹤窗口來(lái)檢測(cè)和跟蹤車(chē)輛；（2）提取各車(chē)輛典型特征，例如車(chē)輛形體的形心位置，形狀，面積等特征；（3）在車(chē)輛速度和形體形心的基礎(chǔ)上，利用卡爾曼濾波[5-7]得到車(chē)輛的位置，設(shè)計(jì)出更準(zhǔn)確的搜索窗口；（4）根據(jù)相似度函數(shù)進(jìn)行車(chē)輛的多特征匹配；（5）更新車(chē)輛列表模型。

1.1 車(chē)輛跟蹤窗口和搜索窗口的設(shè)計(jì)

檢測(cè)到車(chē)輛并且跟蹤，首先要設(shè)定車(chē)輛的跟蹤窗口，跟蹤窗口的尺寸略大于目標(biāo)圖像，在復(fù)雜道路環(huán)境下，希望跟蹤窗口緊緊套住目標(biāo)圖像，使目標(biāo)不受跟蹤窗外背景和噪聲干擾的影響。本文根據(jù)車(chē)輛形體的規(guī)則，使用多邊形來(lái)圈車(chē)輛，使跟蹤窗口更小，來(lái)跟蹤車(chē)輛的運(yùn)動(dòng)。

圖1 車(chē)輛形體在外接矩形框的位置

下面，我們檢測(cè)到一輛車(chē)，根據(jù)上下幀圖像的相關(guān)性可以得知很多相關(guān)的信息，可以根據(jù)車(chē)輛位置和速度判斷車(chē)輛在下一幀的更加準(zhǔn)確的區(qū)域，設(shè)置搜索窗口進(jìn)行搜索。檢測(cè)區(qū)的實(shí)際長(zhǎng)寬可實(shí)際測(cè)量得到，可對(duì)應(yīng)計(jì)算到圖像的像素點(diǎn)上，例如車(chē)輛形心在上下兩幀運(yùn)行多少個(gè)像素點(diǎn)，可對(duì)應(yīng)計(jì)算出車(chē)輛的運(yùn)行速度v，可得，

fVehicleInSpeed為車(chē)輛的速度，iVehicleCenteri車(chē)輛在第i幀圖像的形心坐標(biāo)值，t為上下兩幀圖像的時(shí)間間隔。

采用卡爾曼濾波器可以得到車(chē)輛在下一幀圖像的形心，以該點(diǎn)為中心，去 2v為該搜索窗口的邊長(zhǎng)，這樣可以得到更加具體準(zhǔn)確的搜索窗口。

1.2 車(chē)輛多特征匹配和車(chē)輛列表模型

對(duì)于第k幀圖像檢測(cè)到m個(gè)車(chē)輛記為

在第k+1幀圖像檢測(cè)到n個(gè)車(chē)輛記為

第k幀圖像的ri車(chē)輛根據(jù)搜索窗口搜索得到z個(gè)車(chē)輛，記為

1） 假定第k幀圖像的第i個(gè)車(chē)輛形心點(diǎn)坐標(biāo)為，依據(jù)速度預(yù)測(cè)而得到的該車(chē)輛在第k+1幀圖像的形心點(diǎn)坐標(biāo)為，在搜索區(qū)域搜索可1得到的第k+1幀的第j個(gè)車(chē)輛的真實(shí)形心點(diǎn)坐標(biāo)為。根據(jù)車(chē)輛和待匹配車(chē)輛的坐標(biāo)位移像素度函數(shù)可用下公式：

2） 定義車(chē)輛形體面積差別函數(shù)：用第k幀圖像的第i個(gè)車(chē)輛的形體面積Ai和第k+1幀圖像的第j個(gè)車(chē)輛的形體面積Aj比較，形體相交面積為A，根據(jù)第車(chē)輛和待匹配車(chē)輛的面積相似度函數(shù)可得公式表示為：

3） 定義車(chē)體形狀差別函數(shù)：已知車(chē)輛形體Ri和待匹配車(chē)輛形體Rj，車(chē)輛形體上部寬度是HWi和HWj，車(chē)輛形體下部寬度是TWi和TWj。則車(chē)輛和待匹配車(chē)輛的形狀相似度函數(shù)可用下公式：

4） 相似度函數(shù)

式中，w1、w2、w3是權(quán)值，要求w1+w2+w3=1,0≤VR(i,j)≤1。

若D(i,j)大，表明預(yù)測(cè)位置與帶匹配車(chē)輛越接近，T(i,j),M(i,j)越大，表明車(chē)輛與待匹配形狀越相近，VR(i,j)越大，說(shuō)明車(chē)輛和待匹配車(chē)輛相似度較高，是同一輛車(chē)可能性大。在第k幀圖像檢測(cè)得到m個(gè)車(chē)輛，假定對(duì)于第i個(gè)車(chē)輛在下一幀預(yù)測(cè)區(qū)域搜索得到z個(gè)車(chē)輛，對(duì)這z個(gè)車(chē)輛分別計(jì)算VR(i,j)，那么VR(i,j)最大者表明該車(chē)輛為第K幀圖像的第i個(gè)車(chē)輛的后續(xù)，按照此方式，可以分別將第K幀圖像的其他車(chē)輛進(jìn)行類(lèi)似匹配，若第K幀圖像找不到后續(xù)，表明該車(chē)輛駛出檢測(cè)區(qū)，若第K+1幀圖像有多余車(chē)輛，表明為剛駛?cè)霗z測(cè)區(qū)的車(chē)輛。

2 車(chē)輛逆行檢測(cè)

在道路交通中，有些道路為單行道，此時(shí)我們可以將上述算法進(jìn)行實(shí)際應(yīng)用，進(jìn)行道路的車(chē)輛跟蹤并作出逆行違章事件的報(bào)警。根據(jù)每幀圖像的車(chē)輛行駛過(guò)程，可以得到車(chē)輛形體形心的坐標(biāo)Cg[]，根據(jù)坐標(biāo)值我們可以得到車(chē)輛的行駛方向，進(jìn)而做出判斷，從T1到T2時(shí)刻，車(chē)輛形心軌跡為{Cg[i],i=0,1,…n}，該時(shí)間段，共有n+1幀圖像，假定y軸垂直向下為正向（規(guī)定車(chē)輛行駛方向），則若Cg[k]·y-Cg[0]·y＜0，說(shuō)明車(chē)輛逆行，因?yàn)閺?fù)雜背景下，一些干擾因素的存在，直接做出判斷容易造成錯(cuò)誤，我們要求車(chē)輛的運(yùn)動(dòng)軌跡形心坐標(biāo)滿(mǎn)足兩個(gè)條件，可以認(rèn)為該車(chē)輛逆行：

式（6）中DRT是一個(gè)規(guī)定值，表明檢測(cè)的幀數(shù)的最小值，即大方向上車(chē)輛是逆行的。條件式（7）說(shuō)明在這時(shí)間段中，由于干擾因素的影響，車(chē)輛軌跡形心坐標(biāo)可能出現(xiàn)震蕩，造成誤判，所以要求每次前后兩幀的比較中，逆行的情況所占比率較大。同時(shí)滿(mǎn)足兩個(gè)要求，我們可認(rèn)為車(chē)輛逆行。

3 實(shí)驗(yàn)結(jié)果

本文將改進(jìn)算法進(jìn)行編程實(shí)現(xiàn)，如圖2和圖3所示，以某市道路的交通視頻進(jìn)行試驗(yàn)，白色矩形線(xiàn)框?yàn)闄z測(cè)區(qū)域，取α1=0.6, α2=0.4;w1=0.2,w2=0.4,w3=0.4;下圖為復(fù)雜背景下例如雨天夜晚等干擾較大交通場(chǎng)景下的車(chē)輛跟蹤效果圖和單行道出現(xiàn)車(chē)輛逆行違章報(bào)警演示效果圖。

圖2 雨天夜晚的跟蹤圖

圖3 單行道的車(chē)輛逆行檢測(cè)

根據(jù)具體城市道路監(jiān)控視頻，進(jìn)行車(chē)輛跟蹤及車(chē)輛逆行判斷，在兩個(gè)時(shí)間段中，分別用參考文獻(xiàn)[8]跟蹤算法和本文改進(jìn)的多特征算法進(jìn)行演示，得出數(shù)據(jù)如表1和表2所示：

表1 交通視頻監(jiān)控中兩種車(chē)輛跟蹤算法在車(chē)輛跟蹤中的比較

表2 交通視頻監(jiān)控中兩種車(chē)輛跟蹤算法在逆行檢測(cè)中的比較

通過(guò)實(shí)驗(yàn)數(shù)據(jù)可以得到，本文算法提高了車(chē)輛跟蹤和逆行判斷的準(zhǔn)確率，在樹(shù)陰影、夜間車(chē)輛燈光及雨天路面反光等干擾因素下取得了更好的跟蹤效果，跟蹤失敗主要集中在兩車(chē)體過(guò)近和晚間車(chē)輛遠(yuǎn)光燈等情況。

5 結(jié) 論

針對(duì)在復(fù)雜交通場(chǎng)景下，干擾因素的影響，車(chē)輛跟蹤準(zhǔn)確率不高的問(wèn)題，本文提出了一種改進(jìn)的多特征車(chē)輛跟蹤算法，檢測(cè)到車(chē)體后，用更精確多邊形跟蹤窗口對(duì)車(chē)體進(jìn)行跟蹤，根據(jù)預(yù)測(cè)后采用更準(zhǔn)確的搜索窗口，然后根據(jù)車(chē)輛形心位移，車(chē)體面積和車(chē)體形狀等特征進(jìn)行匹配實(shí)現(xiàn)跟蹤的算法，并應(yīng)用于單行道的車(chē)輛逆行檢測(cè)，試驗(yàn)結(jié)果表明，該算法滿(mǎn)足實(shí)時(shí)性要求下，提高了車(chē)輛跟蹤和車(chē)輛逆行檢測(cè)的準(zhǔn)確率。

[1]Paragios N, Deriche R. Geodesic active contours and level sets for the detection and tracking of moving objects [J]. IEEE Trans Pattern Analysis and Machine intelligence, 2000, 22(3)：266-280.

[2]Fathy M, Siyal M Y. Real-time image processing approach to measure traffic queue parameters [J].EEEProc.-Vis. Image Signal Process, 1995, 142：297-303.

[3]翁木云, 何明一. 圖像綜合特征及其在圖像檢測(cè)與匹配中的應(yīng)用[J]. 中國(guó)圖象圖形學(xué)報(bào), 2007, 12(1)：121-126.

[4]Wang Y, Wang T E, Shen D G. Lane detection and tracking using B-Snake [J]. Image and Vision Computing, 2004, 22(4)：269-280.

[5]肖敬若, 張艷寧, 胡伏原, 等. 一種魯棒的多目標(biāo)自動(dòng)跟蹤算法[J]. 信號(hào)處理, 2007, 23(3)：437-440.

[6]孫 狀, 宋正河, 毛恩榮, 等. 高清視頻車(chē)輛檢測(cè)及跟蹤系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2009, 6：97-102.

[7]楊春玲, 余英林, 劉國(guó)歲. 多目標(biāo)跟蹤中的數(shù)據(jù)關(guān)聯(lián)算法[J]. 系統(tǒng)工程與電子技術(shù), 2000, 22(3)：11-15.

[8]常發(fā)亮, 劉 雪, 王華杰. 基于均值漂移與卡爾曼濾波的目標(biāo)跟蹤算法[J]. 計(jì)算機(jī)工程與應(yīng)用, 2007,43(12)：50-52.

The Improved Algorithm for Vehicle Tracking and Retrograde Motion Detection under the Complicated Background

Guo Feng1, Wang Bingzheng1, Yang Chenhui2
( 1. Zhengzhou University of Light Industry, Zhengzhou Henan 450002, China; 2. Xiamen University, Xiamen Fujian 361005, China )

To solve the problem of low vehicle tracking accuracy of traditional algorithms in complex background, an improved method is proposed in this paper. It exploits vehicle tracking polygon window and more exact prediction of search area to realize multiple feature matching vehicle tracking, which is applied to detect vehicles retrograde motion. The experimental results show that the algorithm has higher vehicle tracking accuracy while satisfying the need of real-time and stability requirement than traditional ones.

vehicle tracking; multiple feature matching; complex background

TP 391

A

2095-302X (2013)04-0150-04

2012-09-21；定稿日期：2012-10-30

郭 鋒（1981-），男，河南省信陽(yáng)人，講師，碩士，主要研究方向?yàn)閿?shù)字圖像處理與數(shù)據(jù)庫(kù)等。E-mail：wwwguofengok@163.com