【摘要】針對由于背景的動態(tài)變化而導(dǎo)致的目標(biāo)車輛無法準(zhǔn)確進行跟蹤的問題，提出了一種基于卡爾曼濾波器的車輛跟蹤算法。算法利用基于圖像內(nèi)容的動態(tài)前景分割的方法提取出目標(biāo)車輛，以此建立基于HSV顏色空間的矩特征，從而得到目標(biāo)的特征模板，在下一幀中利用卡爾曼濾波器對目標(biāo)車輛的狀態(tài)進行預(yù)測。在預(yù)測的區(qū)域內(nèi)進行匹配定位，從而得到目標(biāo)車輛的實際位置。實驗結(jié)果表明，該算法實時性和準(zhǔn)確性高，能夠準(zhǔn)確的完成對目標(biāo)車輛的跟蹤。

【關(guān)鍵詞】目標(biāo)跟蹤；卡爾曼濾波；前景分割

1.引言

智能交通系統(tǒng)是當(dāng)今研究的一個熱點方向，但是由于復(fù)雜背景的動態(tài)變化以及目標(biāo)車輛之間有時候會出現(xiàn)遮擋的情況會直接影響到目標(biāo)車輛的檢測、分離以及跟蹤的準(zhǔn)確性，從而影響到最后的跟蹤結(jié)果。因此，如何實現(xiàn)從動態(tài)的背景中分割出前景目標(biāo)并進行準(zhǔn)確跟蹤在智能交通系統(tǒng)中具有重要的意義，但同時這也是一個難點所在。

本文在參考文獻[2]的基礎(chǔ)上提出了一種利用HSV空間矩特征作為特征進行目標(biāo)跟蹤的方法，首先經(jīng)過學(xué)習(xí)從動態(tài)的復(fù)雜背景中提取出前景目標(biāo)，并將其進行分離。根據(jù)提取出來的前景目標(biāo)建立HSV空間矩特征作為模板，然后引入卡爾曼濾波器預(yù)測出下一幀目標(biāo)的大致區(qū)域，在預(yù)測的區(qū)域內(nèi)進行匹配，從而完成對目標(biāo)車輛的跟蹤過程。

2.運動車輛的檢測與分割

運動車輛的檢測與分割是指在圖像中檢測出變化區(qū)域并將運動目標(biāo)從背景中進行分離，檢測結(jié)果的準(zhǔn)確性對于車輛的跟蹤具有重要的影響。

文獻[2]提出了一種動態(tài)前景分割建模方法。其原理如下，依照貝葉斯決策規(guī)則進行前景和背景的劃分，若：

則具有特征的像素點A被劃分為前景。假設(shè)為像素點A的特征的量化特征，則。觀察一段時間后，像素點A所得的N個模型可用表示，像素特征屬于背景b的后驗概率，可通過式（2）、（3）來估計。

由圖1可知，該分割過程簡單，而且分割效果較好。

3.目標(biāo)車輛跟蹤

當(dāng)車輛檢測并分割出來之后，車輛跟蹤就是利用特征模板在相鄰幀進行匹配的問題。本文提出的一種基于運動預(yù)測的車輛跟蹤方法，一方面可以縮小目標(biāo)搜索匹配的范圍，提高匹配的速度；另一方面跟蹤的魯棒性強、準(zhǔn)確度高。

3.1 運動估計模型

采用卡爾曼濾波器預(yù)測目標(biāo)在下一幀中的區(qū)域。卡爾曼濾波本質(zhì)是一種遞歸型的狀態(tài)估計器。它包含預(yù)測和修正兩個狀態(tài)。

由于系統(tǒng)的采樣頻率為fps，相鄰2幀之間的時間間隔約為s，所以可以近似地認為車輛勻速運動，且跟蹤窗口的變化不大。

定義好運動模型的狀態(tài)方程和觀測方程后，在下一幀中可以在一個小的范圍內(nèi)利用Kalman濾波來估計車輛窗口的大小，從而得到目標(biāo)的運動軌跡和質(zhì)心位置。

3.2 跟蹤特征選擇

目標(biāo)的特征有許多種，包括顏色、形狀、輪廓等等，特征的選擇在運動目標(biāo)跟蹤的過程中的關(guān)鍵步驟。特征選取合適的話能夠?qū)崿F(xiàn)有效跟蹤，而當(dāng)特征選擇不當(dāng)?shù)臅r候往往會引起跟蹤失敗的情況發(fā)生。本文提出了一種在HSV顏色空間中的矩特征作為目標(biāo)的特征描述，其計算公式如式（7），其中n為像素的個數(shù)，h為HSV空間中H分量的值，同理可得的值，以此便構(gòu)了一個這樣一個矩特征。在視頻圖像中，運動目標(biāo)因為由遠到近而導(dǎo)致體積發(fā)生變化時，其HSV空間的矩特征變化不大，相對于七階不變矩特征，計算量小，能夠?qū)崿F(xiàn)對于目標(biāo)車輛準(zhǔn)確而有效的描述，魯棒性較好。

3.3 車輛匹配和跟蹤

由于圖像序列相鄰兩幀之間的時間間隔較短，車輛的運動情況較穩(wěn)定?？梢哉J為同一目標(biāo)車輛在相鄰兩幀圖像中的質(zhì)心位置和大小變化較小。根據(jù)動態(tài)前景分割的方法可以提取出前景目標(biāo)，如果同時存在多個前景目標(biāo)時，其中心位置位于卡爾曼濾波預(yù)測范圍內(nèi)的前景目標(biāo)則是我們要進行跟蹤的目標(biāo)車輛。確定前景目標(biāo)后提取其邊界框，以此邊界框內(nèi)的目標(biāo)信息建立基于HSV空間的矩特征并作為下一幀的匹配模板。然后在卡爾曼濾波預(yù)測的范圍內(nèi)，以此模板進行搜索匹配，計算相同大小的匹配區(qū)域同目標(biāo)模板的歐式距離，其歐式距離最小的匹配區(qū)域即為目標(biāo)車輛的觀測值。即：

其中為待匹配區(qū)域的HSV空間矩特征，為模板HSV空間矩特征，n為矩特征的維數(shù)。此方法在跟蹤過程中能完成模板的不斷更新，往復(fù)進行就完成了目標(biāo)跟蹤。

4.實驗結(jié)果及分析

為了驗證本文算法的有效性，采集了一段城市道路交通的視頻圖像序列。視頻圖像的分辨率為160×120，幀率為每秒15幀。開發(fā)工具為matlab。從圖2可以看出利用利用HSV空間矩特征能夠完成對目標(biāo)穩(wěn)定而有效的跟蹤，受噪聲影響較小，跟蹤的魯棒性較強。

5.結(jié)語

本文提出的基于HSV空間矩特征和卡爾曼濾波的車輛跟蹤算法，可以分為車輛檢測和車輛跟蹤。車輛檢測部分利用動態(tài)前景分割的方法實現(xiàn)目標(biāo)車輛的檢測與分割過程；車輛跟蹤過程中，根據(jù)車輛檢測的結(jié)果建立HSV空間矩特征，引入卡爾曼濾波器預(yù)測出下一幀目標(biāo)的大概位置，在預(yù)測的范圍內(nèi)進行匹配，從而實現(xiàn)跟蹤過程。

參考文獻

[1]A.Elgammal，R.Duraiswami，D.Harwood，L.Davis.Backg-round and foreground modeling using nonparametric kernel density estimation for visual surveillance.Proceedings of the IEEE，vol.90，pp.1151-1163，July 2002.

[2]Shaoqiu Xu.Dynamic Background Modeling for Foreground Segmentation.8th IEEE/ACIS International Conference on Computer and Information Science（ICIS 2009），June：1-3，2009，Shanghai，China.

[3]Shunsuke KAMIJO，Tsunetoshi NISHIDA，Suguru SATOH and Masao SAKAUCHI.Automated Behavior and Statistical Analyses From Traffic Images Based on Precise Vehicle Tracking Algorithm.The IEEE 5th International Conference on Intelligent Transportation System：3-6 September，2002，Singapore.

[4]De Vylder Jonas，Aelterman Jan，Philips Wilfried.Robust active contour segmentation with an efficient global optimizer.13th International Conference on Advanced Concepts for Intelligent Vision Systems.2011，195-206.

[5]李培華.序列圖像中運動目標(biāo)跟蹤方法[M].科學(xué)出版社，2010：111-125.

[6]李晶，范九倫.一種基于卡爾曼濾波的運動物體跟蹤算法[J].計算機應(yīng)用研究，2010（8）：3162-3164.

[7]賁晛燁，王科俊，李陽等.交通視頻中的Kalman濾波的多車輛跟蹤算法[J].應(yīng)用科技，2011，38（3）：1-4，11.

作者簡介：成志航（1988—），男，碩士研究生，研究方向：智能交通系統(tǒng)。