楊婷婷，陳　鋒（中國科學技術(shù)大學　信息科學技術(shù)學院，安徽　合肥　230026）

遮擋條件下多運動車輛跟蹤研究

楊婷婷，陳鋒
（中國科學技術(shù)大學信息科學技術(shù)學院，安徽合肥230026）

針對SURF算法能夠提取到的圖像特征點較少的問題，基于保持亮度特性的雙直方圖均衡算法，通過重構(gòu)SURF尺度空間提取圖像特征。將這種方法與卡爾曼濾波相結(jié)合進行目標跟蹤，用特征點的中心作為跟蹤點；通過卡爾曼濾波預測出運動目標的位置，判斷遮擋是否發(fā)生；最后，應用該方法進行目標特征向量匹配。實驗結(jié)果表明，該算法對發(fā)生旋轉(zhuǎn)、縮放以及遮擋的多運動目標都可進行穩(wěn)定跟蹤，其跟蹤速度比R-SURF算法提高20％；在跟蹤速度相當?shù)那闆r下，跟蹤精度要高于卡爾曼濾波跟蹤算法。

SURF重構(gòu)；卡爾曼濾波；目標跟蹤；遮擋預測

0　引言

在智能交通領(lǐng)域，由于城市化進程快速發(fā)展，城市車輛保有量不斷增加，導致城市道路交通壓力不斷增大。視頻交通事件檢測中出現(xiàn)車輛擁堵狀況的時間、次數(shù)越來越多，故對車輛遮擋問題的研究引起了越來越多學者的關(guān)注和研究。多運動車輛跟蹤算法眾多，基于特征的匹配算法由于抗干擾能力強、計算量小，在遮擋條件下多運動車輛跟蹤中得到了較好的應用。1999年，LOWE D G［1］提出了SIFT（Scale Invariant Feature Transform）算法，SIFT算法在運動目標發(fā)生旋轉(zhuǎn)、縮放和相互遮擋時仍可以很好地跟蹤車輛，但該算法計算量較大，無法滿足實時跟蹤要求。HERBERT B等人［2-4］提出的SURF（Speeded Up Robust Feature）算法，采用積分圖像、Haar小波變換和近似的Hessian矩陣運算，結(jié)果表明，SURF算法具有更快的速度和更高的魯棒性。針對遮擋問題，很多學者進行了大量研究，RATHI Y等人提出了一種粒子濾波結(jié)合水平集的方法，以目標的仿射變換參數(shù)和輪廓水平集為跟蹤特征，實現(xiàn)部分遮擋處理的目的，但該方法的前提是目標輪廓連續(xù)變化量較小，對很多遮擋后輪廓丟失較多的情況難以適應，且粒子濾波計算復雜導致其難以達到實時性［5-8］。針對以上問題，本文提出利用雙直方圖均衡化處理增強圖像對比度，實現(xiàn)圖像增強的同時保持圖像亮度，對SURF尺度空間重構(gòu)增加提取特征點數(shù)；同時，本文將上述改進的SURF特征匹配算法與卡爾曼濾波預測方法相結(jié)合，預測遮擋發(fā)生，根據(jù)預測結(jié)果采用不同的跟蹤算法，增強多運動車輛跟蹤算法的快速性和準確率，從而實現(xiàn)對多運動車輛的快速、準確跟蹤。

1　保持亮度的雙直方圖均衡與重構(gòu)SURF算法尺度空間

1.1雙直方圖均衡

為解決直方圖均衡不適用于灰度差異較大的圖像問題，雙直方圖均衡方法被提出。雙直方圖均衡的思想是選擇一個灰度閾值，按照閾值將一幅圖像劃分為兩個子圖，分別進行均衡。BBHE（保持亮度的雙直方圖均衡）以平均亮度fm為閾值，將原圖像f分解為兩個子圖像f1與f2，即：

對f1在灰度范圍［fmin，fm］上進行均衡，對f2在灰度范圍［fm+1，fmax］上進行均衡，均衡處理后的子圖像為g1與g2，其中n1和n2分別為子圖f1和f2的像素個數(shù)，即：

其中，k=fmin，…，fm。

其中，k=fm，…，fmax。

將子圖像g1與g2重新組合得到圖像g=g1∪g2。對兩個子圖像處理都是對像素灰度級進行操作，而并未改變像素空間位置。當假設原始圖像直方圖在均值兩側(cè)對稱分布時，輸出圖像的平均灰度為gm=（fm+fc）/2，其中fc=（fmin+fmax）/2，表明雙直方圖均衡后保持了部分原圖像亮度均值。

1.2重構(gòu)SURF尺度空間

對不同尺度σ下檢測出的特征點數(shù)量統(tǒng)計，針對不同的車型，本文建立其尺度空間并進行特征點檢測統(tǒng)計，可以得到其檢測特征與模板尺度的關(guān)系如圖1所示。

圖1　SURF算法不同尺度下特征點統(tǒng)計圖

由圖1可以得出，當尺度滿足1.2＜σ＜10時，檢測到的特征點較多，其他尺度范圍內(nèi)檢測出的特征點很少。尺度越大，算法計算量越大。為了檢測解決該問題，可以對SURF尺度空間進行重構(gòu)。

根據(jù)尺度計算公式：

當σ=15時，尺度濾波模版為112×112，而在重構(gòu)空間內(nèi)，取最大模版為123×123，新濾波模版計算公式如下：

其中，i為組數(shù)，j為每組的層數(shù)。根據(jù)式（5），可以得到15層重構(gòu)后的尺度空間。其濾波模版如表1所示。

表1　尺度空間重構(gòu)

上述算法在檢測精度和速度上均有較好的效果，但在視頻跟蹤中，當有較多跟蹤目標時，仍不能滿足跟蹤的實時性。

2　卡爾曼預測與SURF算法的結(jié)合

本文為滿足交通視頻檢測系統(tǒng)對多目標跟蹤的實時性和準確性需求，提出了一種交通前景多目標跟蹤和遮擋處理技術(shù)。即利用Kalman濾波器進行預測判斷是否出現(xiàn)遮擋，并根據(jù)是否發(fā)生遮擋選取不同的車輛跟蹤方法。當預測不發(fā)生遮擋時，則利用Kalman濾波器加質(zhì)心跟蹤的方法進行多運動車輛跟蹤；當判斷發(fā)生遮擋時，則利用經(jīng)BBHE和重構(gòu)尺度空間處理后的SURF算法進行快速匹配實現(xiàn)遮擋處理。通過以上方法實現(xiàn)多運動車輛的實時準確跟蹤。

2.1遮擋預測

遮擋預測是實現(xiàn)遮擋處理的前提，如果不對遮擋進行預測，在遮擋發(fā)生后再去建立模板進行檢測與匹配，此時多目標的形態(tài)可能已經(jīng)發(fā)生了變化，致使遮擋的檢測變得更加困難。

遮擋預測的基本思想是利用多目標Kalman濾波算子，計算兩個運動車輛之間的距離并進行預測：

為了提高遮擋預測的準確率，利用當前距離和估計距離進行預測，場景中多目標滿足發(fā)生遮擋的條件為：

其中，lthr為遮擋距離閾值。

2.2卡爾曼濾波

匈牙利數(shù)學家Kalman最早提出Kalman濾波器，它通過引入狀態(tài)變量和狀態(tài)空間等概念在時域上的狀態(tài)空間進行預測，是一種較為高效的遞歸濾波器。在實際使用中，要通過Kalman濾波進行預測與跟蹤必須先建立兩組數(shù)學方程即狀態(tài)方程和觀測方程：

式中：XK為系統(tǒng)的狀態(tài)向量；ZK為系統(tǒng)的觀測序列；WK-1為系統(tǒng)過程中的隨機噪聲序列；VK為觀測噪聲序列；ΦK，K-1為系統(tǒng)的狀態(tài)轉(zhuǎn)移矩陣；ΓK，K-1為噪聲輸入矩陣；HK為觀測矩陣［9］。

卡爾曼濾波加質(zhì)心跟蹤的流程如圖2所示。

圖2　卡爾曼質(zhì)心跟蹤流程圖

2.3處理流程

本文使用卡爾曼預測結(jié)合改進的SURF跟蹤算法，算法流程圖如圖3所示。

圖3　算法流程圖

3　實驗結(jié)果及分析

本文用若干組視頻驗證本文算法對遮擋情況下的視頻跟蹤，主要針對車輛轉(zhuǎn)彎發(fā)生旋轉(zhuǎn)與縮放的情況、遮擋發(fā)生、增加、減少的幾個階段進行跟蹤實驗，跟蹤效果分別如圖4～圖7所示。

圖4　車輛發(fā)生旋轉(zhuǎn)和縮放時的跟蹤效果

圖5　車輛剛發(fā)生遮擋時的跟蹤效果

圖6　遮擋情況嚴重時的跟蹤效果

圖7　為遮擋逐漸消失時的跟蹤效果

采用本文的算法，在道路上車輛較少時，遮擋情況并不嚴重或者無遮擋，而此時采用卡爾曼預測與質(zhì)心跟蹤相結(jié)合的算法，算法復雜度低，可以滿足車輛跟蹤的實時性和準確性要求。當?shù)缆飞宪囕v較多，遮擋情況嚴重時，僅有質(zhì)心跟蹤不能滿足車輛跟蹤的準確性要求，此時采用改進的SURF算法，跟蹤的準確率提高。對幾種不同的算法進行實現(xiàn)，統(tǒng)計其處理一幀圖像的時間以及跟蹤的準確性，得到結(jié)果如表2所示。

表2　幾種常用車輛跟蹤算法比較

由表2可以看出，本文算法準確率與R-SURF算法相當，具有較高的跟蹤準確率，算法時間與Kalman質(zhì)心跟蹤相當，但跟蹤精度較Kalman質(zhì)心跟蹤高20％。

4　結(jié)論

本文利用雙直方圖均衡化處理增強圖像對比度，實現(xiàn)圖像增強的同時保持圖像亮度，重構(gòu)SURF尺度空間的圖像特征提取算法，在此基礎(chǔ)上，綜合改進SURF算法和卡爾曼預測實現(xiàn)目標跟蹤。該方法計算量較小，對多運動車輛的跟蹤速度較R-SURF算法更快。對運動車輛發(fā)生旋轉(zhuǎn)、縮放以及車輛之間相互遮擋等情況都能實現(xiàn)很好的跟蹤。通過實驗發(fā)現(xiàn)，此算法應用于多運動車輛跟蹤跟蹤時，在跟蹤速度和精度方面都有較好的效果。

［1］LOWE D G.Object Recognitionfrom Local Scale—Invariant Features［C］.Proceedings of Seventh International Conferenceon Computer Vision，1999：1150-1157.

［2］HERBERT B，TINNE T.Luc Van Gool.SURF：speeded up robust features［J］.Computer Vision，2006，3951：404-407.

［3］路寧.基于SURF和CamShift的物體跟蹤方法［J］.微型機與應用，2012，31（21）：40-43.

［4］孫登第，羅斌，卜令斌.結(jié)合 SURF描述符和廣義近鄰圖的圖像配準算法［J］.微型機與應用，2012，31（15）：32-35.

［5］RATHI Y，VASWANI N，TANNENBAUM A，et al.Tracking deforming objects using particle filtering for geometric active contours［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29（8）：1470-1475.

［6］李璟，劉懷愚，洪留榮.適用于遮擋問題的多車輛跟蹤算法［C］.計算機系統(tǒng)應用，2011，20（5）：96-100.

［7］岳恒軍.遮擋情況下的車輛檢測與跟蹤［D］.蘇州：蘇州大學，2011.

［8］岳恒軍，吳健，崔志明.一種新的車輛遮擋檢測與分割方法［J］.計算機工程與應用，2012，48（19）：179-182.

［9］梁娟，項俊，侯建華.基于Camshift和Kalman濾波的自動跟蹤算法［J］.微型機與應用，2011，30（24）：28-31.

Tracking multiple moving vehicles under the occlusion conditions

Yang Tingting，Chen Feng
（School of Information Science and Technology，University of Science and Technology of China，Hefei 230026，China）

In order to deal with the problem that the SURF algorithm can extract only a few feature points，the histogram equalization algorithm is intruduced to hold brightness characteristics and then the image features points are extracted through the reconstruction of the SURF′s scale space.In this work，the improved method is combined with Kalman filtring algorithm to track moving vehicles，and the position is approximated using the center of the feature points.The next position of the target vehicle is predicted through Kalman filtering method and the adaptive matching window is built.Our method is used to extract the feature vectors to match the targets vehicles.The results shows that our method can track moving vehicles effectively when the target vehicle has a large rotation，scaling and partial occlusion.The track speed is higher than the R-SURF algorithm by 20％.The tracking accuracy of our method is higher than that of Kalman filtering algorithm for the same vehicle speed.

SURF reconstruction；Kalman filtering；target tracking；occlusion prediction

TH122

A

1674-7720（2015）16-0043-03

楊婷婷，陳鋒.遮擋條件下多運動車輛跟蹤研究［J］.微型機與應用，2015，34（16）：43-45，48.

2015-04-25）

楊婷婷（1990-），女，碩士研究生，主要研究方向：智能交通。

陳鋒（1966-），男，博士，副教授，主要研究方向：智能交通、水質(zhì)監(jiān)測。