鄧塏鏞　唐佳林

摘 要：智能交通系統(tǒng)中車輛跟蹤模塊的準(zhǔn)確性非常重要，其跟蹤結(jié)果直接影響車流量、違章事件、交通事故的統(tǒng)計與分析結(jié)果?；诮煌ㄜ囕v，該文對目標(biāo)特征跟蹤法、動態(tài)輪廓跟蹤法、區(qū)域中心點匹配跟蹤法分別進(jìn)行分析選取，并對效果最好的方法進(jìn)行了實現(xiàn)和效果對比，從而為日后的車輛跟蹤提供一種切實可行的算法以提高跟蹤的效率。

關(guān)鍵詞：車輛目標(biāo) 跟蹤算法 智能交通 效率

中圖分類號：TP39 文獻(xiàn)標(biāo)識碼：A 文章編號：1672-3791（2015）04（b）-0218-01

隨著城市現(xiàn)代化進(jìn)程的加快，汽車數(shù)量日益增多，為了能時刻監(jiān)察路面擁擠、違章行為、交通事故等狀況，智能交通系統(tǒng)被普及使用。其中車輛跟蹤是智能交通中的至關(guān)重要的模塊，車輛跟蹤算法的選取與實現(xiàn)過程都會直接影響車輛跟蹤的效率。

1 車輛目標(biāo)跟蹤算法的比較與選取

運動目標(biāo)跟蹤就是在視頻的每一幅圖像中確定出運動目標(biāo)的位置，并把不同幀中同一目標(biāo)對應(yīng)起來。常用的跟蹤算法有目標(biāo)特征法、動態(tài)輪廓法、區(qū)域中心點匹配法。

目標(biāo)特征法是在相鄰的兩幀圖像中利用線、點、面積等個體特征來跟蹤運動目標(biāo)。一般以運動目標(biāo)的質(zhì)心距離和幾何面積作為目標(biāo)匹配模板，然后把后續(xù)圖像中的目標(biāo)特征與模板特征進(jìn)行比較，把差別小的確定為目標(biāo)，從而達(dá)到跟蹤的目的[1]。此方法算法簡單，不用區(qū)分目標(biāo)的幾何形狀，但當(dāng)目標(biāo)被遮擋時則無法識別，導(dǎo)致跟蹤失敗。

動態(tài)輪廓法是先在人工選定的位置上勾勒出目標(biāo)的輪廓曲線，當(dāng)目標(biāo)運動時，輪廓線會有能量變化，當(dāng)能量向極小值變化時，目標(biāo)輪廓則逐漸收斂，根據(jù)反復(fù)迭代能量函數(shù)，確定跟蹤目標(biāo)輪廓[2]。此方法計算復(fù)雜度低，但目標(biāo)輪廓的精度受初始位置的影響，初始化難度大。而該研究的對象是車輛，攝像頭所拍攝到的車輛二維輪廓也會隨時間推移而改變，嚴(yán)重影響本方法對目標(biāo)的鎖定。

區(qū)域中心點匹配法是把對當(dāng)前幀圖像通過運動物體分割檢測出運動區(qū)域，并以其中心點建立跟蹤區(qū)域模板，然后將當(dāng)前幀的運動物體與跟蹤區(qū)域模板進(jìn)行匹配，尋找出與模板區(qū)相似性最大點的位置，并以此點為中心定義新的搜索區(qū)窗口，最后利用當(dāng)前幀已跟蹤上的區(qū)域的參數(shù)預(yù)測下一幀中運動區(qū)域的位置。此方法能動態(tài)地維護(hù)一幅背景圖像，通過前景圖像和背景圖像之間的差值來確定運動區(qū)域，適合對大范圍、復(fù)雜場景下進(jìn)行目標(biāo)跟蹤，具有較強(qiáng)的實時性。

根據(jù)以上算法的對比，該研究確定使用區(qū)域中心點匹配跟蹤法進(jìn)行車輛目標(biāo)的跟蹤。

2 區(qū)域中心點匹配跟蹤算法的實現(xiàn)

該系統(tǒng)的算法程序采用 Visual C ++ 與OpenCV圖像開發(fā)包進(jìn)行實現(xiàn)，以下是區(qū)域中心點匹配跟蹤算法的實現(xiàn)過程。

2.1 設(shè)置檢測帶，對車輛連通域初始化

車輛目標(biāo)在系統(tǒng)前期檢測中所得到的目標(biāo)區(qū)域可設(shè)置為一個連通域，連通域在二維圖中呈矩形，系統(tǒng)可確定連通域的近似長、寬和中心點坐標(biāo)位置。設(shè)置檢測帶是對剛進(jìn)入視頻區(qū)域的車輛進(jìn)行初始記錄。該監(jiān)控視頻背景為左下行、右上行的多車道馬路，因此檢測帶應(yīng)分別設(shè)置在圖像的左上部和右下部，檢測帶長度應(yīng)覆蓋同向車道的總寬，檢測帶寬度則根據(jù)連通域中心點大小和車輛速度而定[3]。連續(xù)運動的車輛目標(biāo)每經(jīng)過檢測帶，檢測帶會記錄車輛連通域中心點的坐標(biāo)位置、時間，給予編號和累加數(shù)目。如果速度較慢的車輛在相鄰兩幀圖像中，中心點都停留在檢測帶里，系統(tǒng)就會判別相鄰兩次的中心點坐標(biāo)位置差是否如果小于一定像素數(shù)，如果是則認(rèn)為是同一輛車，否則為兩輛車。

2.2 預(yù)測目標(biāo)車輛下一幀的位置區(qū)域

車輛被初始定位后，系統(tǒng)就開始預(yù)測它在下一幀圖像中的運動區(qū)域?？紤]交通事件中車輛隨時會向各個方向運動，預(yù)測區(qū)域應(yīng)該是從當(dāng)前車輛連通域向前后左右延伸適當(dāng)?shù)木嚯x，以一個外接矩形作為車輛下一幀的運動預(yù)測范圍。

2.3 在預(yù)測區(qū)域內(nèi)尋找和匹配車輛連通域

當(dāng)進(jìn)入下一幀圖像時，系統(tǒng)要在預(yù)測區(qū)域內(nèi)尋找新的車輛連通域并與上一幀目標(biāo)車輛的連通域模版進(jìn)行匹配。匹配時要求相鄰兩幀圖像車輛連通域的中心點橫、縱坐標(biāo)之差、連通域的高、寬之差（四個量）分別小于各自的預(yù)設(shè)閾值[4]。只有全部滿足條件才能成功匹配，系統(tǒng)則完成相鄰兩幀圖像的目標(biāo)跟蹤，并更新連通域；如果不滿足任一條件，即跟蹤失敗，系統(tǒng)要清空其跟蹤的信息。

2.4 實現(xiàn)效果

系統(tǒng)對一段為時7分鐘的公路監(jiān)控視頻（320×240）進(jìn)行車輛跟蹤，處理速度達(dá)到實時25幀/秒。圖1為區(qū)域中心點匹配法的跟蹤效果圖，黃色框為檢測帶，綠色框為車輛連通域標(biāo)記框，并有編號。該研究把另外兩種方法也逐個切換使用，比較效果，如表1所示。針對車輛目標(biāo)的跟蹤，動態(tài)輪廓法的跟蹤準(zhǔn)確率最低，目標(biāo)特征法有所改善，區(qū)域中心點匹配法的跟蹤效率最高。

3 結(jié)語

該研究利用區(qū)域中心點匹配跟蹤法，能在局部預(yù)測區(qū)域內(nèi)完成車輛目標(biāo)的跟蹤，避免出現(xiàn)整個圖像中所有車輛的匹配混淆問題，極大提高了車輛跟蹤的準(zhǔn)確率，縮小跟蹤時間，進(jìn)一步提高智能交通系統(tǒng)對車輛目標(biāo)的跟蹤精度。

參考文獻(xiàn)

[1] 楊彪.一種用于多攝像頭無重疊視域環(huán)境下的車輛跟蹤系統(tǒng)[J].現(xiàn)代交通技術(shù)，2014（3）：54-58.

[2] 劉永濤，喬潔.基于openCV的車輛自動跟蹤系統(tǒng)的設(shè)計與實現(xiàn)[J].汽車實用技術(shù)，2013（2）：23-26.

[3] ?？ǎ溃?圖像處理.分析與機(jī)器視覺[M].北京：清華大學(xué)出版社，2011：99-100.

[4] 王鑫，徐立中.圖像目標(biāo)跟蹤技術(shù)[M].北京：人民郵電出版社，2012：82-85.