單玉剛,汪家寶,李世興,董 爽

(1.湖北文理學(xué)院 教育學(xué)院，湖北 襄陽 441053; 2.北方自動(dòng)控制技術(shù)研究所，太原 030006;3.北京聯(lián)合大學(xué)，北京 100101)

基于運(yùn)動(dòng)檢測的多車輛跟蹤方法研究

單玉剛1,汪家寶1,李世興2,董 爽3

(1.湖北文理學(xué)院 教育學(xué)院，湖北 襄陽 441053; 2.北方自動(dòng)控制技術(shù)研究所，太原 030006;3.北京聯(lián)合大學(xué)，北京 100101)

針對(duì)交通監(jiān)控場景中多目標(biāo)粘連造成跟蹤上的困難和前后兩幀車輛關(guān)聯(lián)困難，提出了區(qū)域運(yùn)動(dòng)相似性分割方法和相似度關(guān)聯(lián)矩陣的解決方案；在運(yùn)動(dòng)目標(biāo)檢測過程中, 首先使用背景差分法提取運(yùn)動(dòng)區(qū)域，經(jīng)過消除缺口、空洞和分離等處理，在運(yùn)動(dòng)區(qū)域所在范圍內(nèi)進(jìn)行塊匹配搜索和局部光流計(jì)算區(qū)域運(yùn)動(dòng)矢量，然后使用模糊聚類方法對(duì)運(yùn)動(dòng)矢量區(qū)域融合，完整的分割出粘連運(yùn)動(dòng)目標(biāo)；在目標(biāo)跟蹤部分，目標(biāo)跟蹤建立在目標(biāo)關(guān)聯(lián)的基礎(chǔ)上，提出建立連續(xù)兩幀目標(biāo)間距離和局部二元模式相似度關(guān)聯(lián)矩陣的方法進(jìn)行運(yùn)動(dòng)目標(biāo)標(biāo)定，從而實(shí)現(xiàn)多目標(biāo)關(guān)聯(lián)；使用公共視頻庫的圖像序列進(jìn)行測試，所提算法都能實(shí)現(xiàn)連續(xù)的跟蹤和準(zhǔn)確的運(yùn)動(dòng)目標(biāo)分割，且處理速度快，表明了算法具有魯棒性和適用性。

運(yùn)動(dòng)相似性；粘連分割；目標(biāo)關(guān)聯(lián)；運(yùn)動(dòng)檢測

0 引言

智能視頻監(jiān)控廣泛應(yīng)用于軍事、安保、交通、航空、醫(yī)療等領(lǐng)域。視頻圖像的車輛檢測與跟蹤技術(shù)是智能交通系統(tǒng)的核心技術(shù)，它可以同時(shí)獲取車型、車流量、車速等交通信息，實(shí)現(xiàn)對(duì)交通智能管理，并為車輛的行駛提供參考。

多車輛檢測與跟蹤的效果主要受到兩個(gè)因素的制約 ，一是場景中多目標(biāo)粘連車輛間的相互遮擋造成跟蹤上的困難，二是前后兩幀車輛關(guān)聯(lián)困難。在復(fù)雜的交通環(huán)境中車輛間的遮擋是不可避免的,目前還沒有能夠完全解決車輛之間因遮擋而造成粘連的方法 。對(duì)于車輛粘連，常用的方法有特征模型、統(tǒng)計(jì)模型、推理模型等[1]。文獻(xiàn)[2]利用車輛的角點(diǎn)作為特征點(diǎn)建立特征模型解決粘連問題，文獻(xiàn)[3]使用馬爾可夫隨機(jī)場模型可以有效解決遮擋問題，但其計(jì)算復(fù)雜，不適合實(shí)時(shí)性場合。文獻(xiàn)[4]提出基于凹性分析的粘連車輛分割，但在復(fù)雜條件下，效果不佳。文獻(xiàn)[5]提出基于運(yùn)動(dòng)一致性的分割方法，但全局性運(yùn)動(dòng)矢量計(jì)算影響實(shí)時(shí)性。

多目標(biāo)跟蹤的一個(gè)關(guān)鍵是確定多目標(biāo)數(shù)據(jù)關(guān)聯(lián)方法。常見的多目標(biāo)數(shù)據(jù)關(guān)聯(lián)算法中：kalman預(yù)測和模板匹配易丟失目標(biāo)，概率數(shù)據(jù)關(guān)聯(lián)(PDA)，JPDA的數(shù)據(jù)關(guān)聯(lián)和基于蟻群數(shù)據(jù)關(guān)聯(lián)[6-8]等方法計(jì)算量較大。

針對(duì)復(fù)雜交通環(huán)境中運(yùn)動(dòng)車輛遮擋的問題本文提出一種改進(jìn)的基于區(qū)域運(yùn)動(dòng)相似性的粘連車輛分割方法，提高了精度，滿足了實(shí)時(shí)性。在車輛跟蹤部分，使用基于背景差分的運(yùn)動(dòng)目標(biāo)檢測方法，這種方法可以有效避免模板漂移造成的跟蹤丟失，始終保持對(duì)運(yùn)動(dòng)目標(biāo)的檢測。目標(biāo)之間的匹配建立在目標(biāo)關(guān)聯(lián)層次上，采用將運(yùn)動(dòng)目標(biāo)符號(hào)化[9]的方法改進(jìn)文獻(xiàn)[10]方法，采用建立前后兩幀目標(biāo)間距離和局部二元模式(Local binary pattern,簡稱LBP)[11]相似度關(guān)聯(lián)矩陣的運(yùn)動(dòng)目標(biāo)標(biāo)定方法實(shí)現(xiàn)目標(biāo)匹配。實(shí)驗(yàn)驗(yàn)證表明該方法是有效的。

1 運(yùn)動(dòng)車輛檢測

1.1 背景差分目標(biāo)檢測

我們采用通過 Surendra 的建模背景，使用背景差分法對(duì)視頻中的運(yùn)動(dòng)區(qū)域進(jìn)行分割。若將背景幀記為B(x，y)，當(dāng)前幀記為I(x，y)，背景差掩模圖像記為F(x，y)，則：

(1)

式中，Thr為二值化閾值，由Otsu法自適應(yīng)計(jì)算得到。當(dāng)F(x，y)為 1 時(shí)，對(duì)應(yīng)的是前景圖像及部分噪聲，為0時(shí)對(duì)應(yīng)背景。

對(duì)于背景點(diǎn),將以一定的學(xué)習(xí)速率對(duì)原來的背景進(jìn)行修正，以達(dá)到動(dòng)態(tài)維護(hù)背景的目的，背景更新采用公式：

Bi=Bi-1*BWi+(alpha*fi+

(1-alpha)*Bi-1)*(1-BWi)

(2)

其中，alpha是學(xué)習(xí)速率，B、BW和f分別表示背景圖像、二值圖像和序列圖像，i表示當(dāng)前幀號(hào)。

1.2 運(yùn)動(dòng)目標(biāo)區(qū)域標(biāo)定

從背景差分獲得二值圖像到運(yùn)動(dòng)目標(biāo)區(qū)域的標(biāo)定，還需要經(jīng)過形態(tài)學(xué)處理，用8-鄰域搜索的區(qū)域生長算法完成連通區(qū)域的檢測，以及消除背景差法造成的目標(biāo)區(qū)域的缺口、空洞和分離等步驟完成運(yùn)動(dòng)目標(biāo)區(qū)域標(biāo)定。

對(duì)于目標(biāo)分離，文獻(xiàn)[12]給出了對(duì)當(dāng)前幀使用區(qū)域間距離判斷是否合并的公式，但有時(shí)兩車輛之間相距很近時(shí)，會(huì)把兩車合為一體，導(dǎo)致勿分。本文增加了比較前后兩幀位置的限制條件：

(3)

其中：xcc，ycc表示當(dāng)前幀目標(biāo)的中心點(diǎn)坐標(biāo)，xpc，ypc表示前一幀目標(biāo)的中心點(diǎn)坐標(biāo)，wcx，wcy，wpx，wpy分別為當(dāng)前幀和前一幀目標(biāo)的長寬。

兩目標(biāo)是否粘連根據(jù)前后兩幀區(qū)域重疊數(shù)量和區(qū)域面積變化情況判斷：

(4)

2 基于運(yùn)動(dòng)一致性車輛粘連分割

2.1 目標(biāo)運(yùn)動(dòng)矢量場

由于同一目標(biāo)在運(yùn)動(dòng)時(shí)，它的各個(gè)組成部分的運(yùn)動(dòng)的速度和方向是相似的，具有運(yùn)動(dòng)一致性，因此可以使用運(yùn)動(dòng)矢量場來表示目標(biāo)的運(yùn)動(dòng)信息。通過計(jì)算區(qū)域運(yùn)動(dòng)信息，能實(shí)現(xiàn)對(duì)運(yùn)動(dòng)一致性區(qū)域合并，實(shí)現(xiàn)對(duì)粘連目標(biāo)的分割。區(qū)域運(yùn)動(dòng)矢量場計(jì)算如下：

1) 對(duì)算法運(yùn)動(dòng)檢測部分檢測出的運(yùn)動(dòng)區(qū)域依次進(jìn)行目標(biāo)粘連判斷，若發(fā)生粘連，選取當(dāng)前幀與前一幀的這個(gè)區(qū)域范圍進(jìn)行運(yùn)動(dòng)矢量場計(jì)算，得到該區(qū)域的運(yùn)動(dòng)矢量場圖，即速度大小和方向圖，具體計(jì)算在第2步。車輛是否粘連依據(jù)前后兩幀目標(biāo)矩形框重疊數(shù)量和重疊區(qū)域面積變化情況，即：根據(jù)公式(4)判斷。

2) 將前后兩幀該運(yùn)動(dòng)區(qū)域適當(dāng)擴(kuò)大尺寸，以便進(jìn)行局域光流計(jì)算，然后分成多個(gè)大小相等的小塊，使用塊匹配運(yùn)動(dòng)矢量計(jì)算方法，計(jì)算當(dāng)前幀與上一幀相同區(qū)域范圍的小塊運(yùn)動(dòng)矢量場，每一個(gè)塊就轉(zhuǎn)化成一個(gè)點(diǎn)，這里塊大小取8×8個(gè)像素點(diǎn)，這樣可提高匹配計(jì)算速度，每一小塊用Ri表示。塊過大會(huì)降低運(yùn)動(dòng)矢量精度。按照區(qū)域標(biāo)記，計(jì)算每個(gè)區(qū)域中每個(gè)小塊運(yùn)動(dòng)矢量方向θi和幅值A(chǔ)i，i表示是塊號(hào)。塊匹配運(yùn)動(dòng)估計(jì)得到一幀二維圖像上對(duì)應(yīng)的運(yùn)動(dòng)矢量圖陣列。運(yùn)動(dòng)矢量圖陣列映射成二維坐標(biāo)平面上的點(diǎn)集 ，每一個(gè)子圖像塊對(duì)應(yīng)坐標(biāo)平面上的一個(gè)點(diǎn)。塊匹配搜索算法比較多，常用的有全局搜索、對(duì)數(shù)搜索、三步搜索、四步搜索等算法[13]。塊匹配搜索算法計(jì)算速度快，但由于受到相似度量限制，塊匹配搜索算法精度不是非常高。光流估計(jì)算法在小位移量的圖像匹配精度高。本文采取塊匹配搜索結(jié)合光流估計(jì)的運(yùn)動(dòng)矢量場計(jì)算方法，首先用塊匹配搜索大致位置，然后在這個(gè)位置用光流估計(jì)微小變化，充分發(fā)揮兩者優(yōu)勢(shì)。本文塊匹配搜索采用對(duì)數(shù)搜索策略，得運(yùn)動(dòng)矢量[Mvbx,Mvby]。

文獻(xiàn)[14]采用點(diǎn)匹配計(jì)算光流，可將其方法擴(kuò)展到塊匹配光流估計(jì)應(yīng)用中。用A(x,y)，B(x,y)表示前后兩幀圖像的灰度值，塊Ri大小為M×N，塊Ri的運(yùn)動(dòng)矢量為[vx，vy]，vx，vy分別表示水平和垂直方向的位移。為了估計(jì)運(yùn)動(dòng)參數(shù)，建立如下灰度差平方和誤差函數(shù)：

(5)

其中：v=(vx,vy)，在搜索窗口范圍內(nèi)，ε取最小值的位置為最佳匹配位置。這時(shí)的vx，vy即為所求的運(yùn)動(dòng)矢量。采用泰勒優(yōu)化法求解該問題。

對(duì)式(5)進(jìn)行二元泰勒展開，略去高項(xiàng)：

(6)

(7)

v=G-1b。

(8)

塊Ri總的運(yùn)動(dòng)矢量：

(9)

3) 獲取目標(biāo)區(qū)域的運(yùn)動(dòng)矢量幅值和方向后，把每個(gè)小塊的運(yùn)動(dòng)矢量分配到塊中每個(gè)像素中，最終得到該區(qū)域運(yùn)動(dòng)矢量幅值和方向。

2.2 塊合并

在區(qū)域運(yùn)動(dòng)矢量場的基礎(chǔ)上，合并運(yùn)動(dòng)幅值和運(yùn)動(dòng)方向一致的塊，最終實(shí)現(xiàn)分割運(yùn)動(dòng)區(qū)域。本文對(duì)運(yùn)動(dòng)矢量場的幅值使用模糊C均值聚類[15]分析(初始類別數(shù)為車輛粘連數(shù)量)，將塊聚類到由若干個(gè)相同或相近并且基本連通的多個(gè)子塊構(gòu)成的子區(qū)域，這樣不同的圖像區(qū)域塊代表具有不同運(yùn)動(dòng)速度的目標(biāo)。

經(jīng)過幅值聚類分析得到的分割結(jié)果還不精確，需進(jìn)一步使用區(qū)域運(yùn)動(dòng)矢量方向和幅值的相似性對(duì)區(qū)域合并。如 果 區(qū)域的第i和 第j像素的 運(yùn)動(dòng)矢量 的 夾 角小于15度，即：Angle(j)-Angle(k)<15*pi/180，且幅 值 差 異 的 絕 對(duì) 值滿足小于區(qū)域均值的百分之八十條件時(shí)，即：

(10)

判定這兩個(gè)點(diǎn)具有運(yùn)動(dòng)一致性，進(jìn)行合并。

3 運(yùn)動(dòng)車輛跟蹤

多車輛跟蹤的一個(gè)關(guān)鍵是進(jìn)行車輛數(shù)據(jù)關(guān)聯(lián)，對(duì)于視頻圖像序列，就是要在相鄰幀間進(jìn)行目標(biāo)匹配。根據(jù)本幀檢測出的目標(biāo)區(qū)域的外接矩形框特征和前一幀目標(biāo)區(qū)域外接矩形框特征建立和維持兩張車輛表，一個(gè)當(dāng)前幀車輛表newObject_info，另一個(gè)是前一幀車輛表oldObject_info。每個(gè)表項(xiàng)包括目標(biāo)序號(hào)index、車輛狀態(tài)state、車輛坐標(biāo)位置position(包括外接矩形框的left、right、top、bottom坐標(biāo))、車輛形心centriod、車輛速度velocity、車輛標(biāo)號(hào)label等項(xiàng)。當(dāng)前目標(biāo)表中沒有包括粘連車輛，粘連車輛已經(jīng)被分割開，車輛始終單獨(dú)存在。當(dāng)幀數(shù)更新時(shí)，前一幀目標(biāo)表項(xiàng)繼承于當(dāng)前目標(biāo)表項(xiàng)。

依據(jù)這兩張基本表建立距離相似度關(guān)聯(lián)矩陣和LBP相似度關(guān)聯(lián)矩陣來處理當(dāng)前車輛狀態(tài)。LBP特征描述方法具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點(diǎn)，對(duì)車輛尺度變化、光線變化不明顯，匹配精度要優(yōu)于模板匹配精度。關(guān)聯(lián)矩陣中的一行表示當(dāng)前幀第i個(gè)目標(biāo)，一列表示前一幀第k個(gè)目標(biāo)。距離相似度：

(11)

通常使用巴氏距離衡量LBP相似性：

(12)

本文把車輛目標(biāo)狀態(tài)分為 三種情況：新車輛、車輛消失、車輛正常。把多車輛粘連和正常的車輛運(yùn)動(dòng)情況歸為正常狀態(tài)，因?yàn)楸疚臅?huì)把多車輛粘連分割開，始終以獨(dú)立的目標(biāo)存在。通過按行、列掃描匹配矩陣，確定當(dāng)前幀目標(biāo)匹配狀態(tài)。三種情況處理如下：

(1)新增：在距離和LBP相似度關(guān)聯(lián)矩陣中第i行的每個(gè)元素都小于某個(gè)閾值，那么表示當(dāng)前幀的第k個(gè)目標(biāo)為新出現(xiàn)目標(biāo),State更新為New。新增目標(biāo)標(biāo)號(hào)需查找上一幀車輛表中消失的目標(biāo)號(hào)或最大目標(biāo)號(hào)進(jìn)行設(shè)定。

(2)消失：在距離和LBP相似度關(guān)聯(lián)矩陣中第k列的每個(gè)元素都小于某個(gè)閾值，表示上一幀的第k個(gè)目標(biāo)消失，State更新為Disappear。

(3)正常：正常狀態(tài)是找到當(dāng)前幀中一目標(biāo)與前一幀中匹配的某目標(biāo)的過程。按行掃描特征關(guān)聯(lián)矩陣，取出Dik和Lik，計(jì)算兩個(gè)目標(biāo)的相似度：

Sik=α*Dik+(1-α)*Lik

(13)

α是權(quán)值，本文取0.6，距離特征比紋理特征更重要，具有最大相似度的目標(biāo)就是所求目標(biāo)。為了減小計(jì)算，規(guī)定：如果距離或LBP特征相似度小于一定閾值，就忽略該目標(biāo)。計(jì)算結(jié)束后更新第i個(gè)目標(biāo)的目標(biāo)標(biāo)號(hào)項(xiàng)，賦予與前一幀中第 k個(gè)目標(biāo)相同的標(biāo)號(hào)，State狀態(tài)為Normal。多目標(biāo)關(guān)聯(lián)方法如圖1所示。

圖1 目標(biāo)關(guān)聯(lián)方法

運(yùn)動(dòng)目標(biāo)檢測和跟蹤的總體算法流程圖如圖 2所示。

圖2 基于運(yùn)動(dòng)檢測的多運(yùn)動(dòng)目標(biāo)分割與跟蹤流程圖

4 實(shí) 驗(yàn)

實(shí) 驗(yàn) 環(huán) 境 為CPU:AMDAthlonX2，操 作 系統(tǒng):Windows8.0，運(yùn) 行 軟 件:MATLAB2013a。使用PETS視頻庫視頻源來驗(yàn)證本文提出算法的效果，選取了兩種實(shí)驗(yàn)場景：一個(gè)比較復(fù)雜，一個(gè)比較簡單。第一種場景中是車輛運(yùn)行在高速公路上的視頻序列圖像，分辨率320×240，車輛以比較快的速度持續(xù)運(yùn)動(dòng)，且車流量較大。第二種場景中運(yùn)動(dòng)車輛較稀少，但背景對(duì)前景干擾較大。

圖3 基于運(yùn)動(dòng)相似性的車輛粘連分割

在第一場景第24幀中，有車輛遮擋造成了粘連現(xiàn)象，整個(gè)粘連分割處理流程如圖3(a)～3(d)所示。我們可以看到最右側(cè)的白色車和它上方的黑色車經(jīng)過檢測確定為發(fā)生了粘連，如圖3(a)。這種情況下，我們?cè)谶@個(gè)粘連區(qū)域進(jìn)行運(yùn)動(dòng)估計(jì)產(chǎn)生運(yùn)動(dòng)目標(biāo)區(qū)域運(yùn)動(dòng)矢量圖，如圖3(b)所示，根據(jù)區(qū)域運(yùn)動(dòng)矢量的幅值大小和區(qū)域運(yùn)動(dòng)方向進(jìn)行聚類的效果如圖3(c)所示。將分割映射到原圖中，并進(jìn)行后續(xù)的形態(tài)學(xué)處理后，可以看到粘連車輛被準(zhǔn)確地分割，從而實(shí)現(xiàn)單獨(dú)跟蹤，如圖3(d)所示。

第一場景中第20幀到第31幀車輛跟蹤效果如圖4所示?？梢钥吹綇牡?4幀到第31幀，最右邊的兩輛車都一直處于遮擋狀態(tài)，由于粘連分割正確，兩車均被正確單獨(dú)跟蹤。

圖4 粘連情況下跟蹤

第二場景中車輛較少，場景不復(fù)雜，如圖5所示，但在第72-75幀中，由于有的車輛的車窗反射造成玻璃與地面紋理相似，這時(shí)使用背景差分進(jìn)行運(yùn)動(dòng)檢測會(huì)導(dǎo)致同一車輛分為兩個(gè)或多個(gè)目標(biāo)。運(yùn)用本文車輛合并判斷和合并處理算法能準(zhǔn)確地實(shí)現(xiàn)車輛分離部分的合并。

圖5 目標(biāo)合并

圖6是圖4中目標(biāo)8從出現(xiàn)到消失的運(yùn)動(dòng)信息面積變化曲線圖，平滑的曲線說明了本文算法對(duì)粘連目標(biāo)分割的有效性。在圖4、圖5兩個(gè)不同場景中，本文算法都能實(shí)現(xiàn)連續(xù)的跟蹤和準(zhǔn)確的目標(biāo)分割，表明本文車輛檢測和跟蹤算法具有魯棒性和適用性。

本文算法與文獻(xiàn)[16] 中的車輛跟蹤方法進(jìn)行了比較，結(jié)果如表1所示。從表1中可以看出：本文方法的跟蹤準(zhǔn)確率高于文獻(xiàn)[16]中的方法，而且處理速度與后者相差不多，12幀/s的處理速度可以滿足實(shí)時(shí)系統(tǒng)的要求。

圖6 目標(biāo)面積變化曲線

表1 算法比較

5 結(jié)論

本文針對(duì)交通視頻多目標(biāo)跟蹤的車輛分割和目標(biāo)關(guān)聯(lián)難點(diǎn)，提出了一種固定攝像機(jī)監(jiān)控視頻序列中多運(yùn)動(dòng)目標(biāo)的檢測和跟蹤方法。該方法首先采用背景差法進(jìn)行運(yùn)動(dòng)檢測，經(jīng)過形態(tài)學(xué)濾波和合并處理提取當(dāng)前幀中運(yùn)動(dòng)目標(biāo)區(qū)域，然后對(duì)檢測出含有粘連運(yùn)動(dòng)目標(biāo)區(qū)域分別采用基于區(qū)域運(yùn)動(dòng)一致性分割算法進(jìn)行車輛粘連分割，取得較好分割效果。同時(shí)由于算法先進(jìn)行變化檢測，在運(yùn)動(dòng)窗口范圍內(nèi)進(jìn)行運(yùn)動(dòng)分割，避免了在整個(gè)圖像平面上進(jìn)行計(jì)算，能夠大大減少運(yùn)算量。在車輛跟蹤部分，目標(biāo)跟蹤建立在目標(biāo)關(guān)聯(lián)的基礎(chǔ)上，通過建立幀間特征相似度關(guān)聯(lián)矩陣實(shí)現(xiàn)目標(biāo)匹配的方法對(duì)檢測出的運(yùn)動(dòng)車輛進(jìn)行實(shí)時(shí)跟蹤。實(shí)驗(yàn)結(jié)果表明了本文算法具有有效性。

[1]CavallaroA,SteigerO,EbrahimiT.Trackingvideoobjectsinclutteredbackground[J] .IEEETransactionsonCircuitsandSystemsforVideoTechnology, 2005, 15(4):575-584.

[2]CoifmanB，BeymerD，MclauchlanP，etal.Areal-timecomputervisionsystemforvehicletrackingandtrafficsurveillance[J].TransportationResearchPartC:EmergingTechnologies, 1998, 6(8):271-288.

[3]ZhouY,TaoH.Abackgroundlayermodelforobjecttrackingthroughocclusion[A].9thIEEEInternationalConferenceonComputerVision[C].NewYork:IEEE, 2003:1079-1085.

[4] 吳忻生,劉 洋,戚其豐. 基于凹性分析的粘連車輛分割[J].計(jì)算機(jī)應(yīng)用研究，2012，29(1): 344-347.

[5] 洪澤宏，王占輝，周榕軍. 基于運(yùn)動(dòng)一致性的視頻對(duì)象分割方法研究[J]. 海軍工程大學(xué)學(xué)報(bào)，2007，19(4):90-94.

[6]Bar-ShalomY,DaumF,HuangJ.Theprobabilisticdataassociationfilter[J].IEEEControlSystems, 2010,29(6):82-100.

[7]SvenssonL,SvenssonD,GuerrieroM,etal.SetJPDAFilterforMultitargetTracking[J].IEEETransactionsonSignalProcessing, 2011,59(10):4677-4691.

[8] 康 莉，謝維信，黃敬雄.一種基于蟻群算法的多目標(biāo)跟蹤數(shù)據(jù)關(guān)聯(lián)方法[J].電子學(xué)報(bào)，2008，36(3):586-589.

[9] 王 栓, 艾海舟, 何克忠. 基于差分圖像的多運(yùn)動(dòng)目標(biāo)的檢測與跟蹤[J] . 中國圖像圖形學(xué)報(bào), 1999, 4(6):470-474.

[10]LMarcenaro,MFerrari,LMarchesotti,etal.MultipleObjectTrackingunderHeavyOcclusionsbyUsingKalmanFiltersBasedonShapeMatching[A].InternationalConferenceonImageProcessing[C]. 2002.341-344.

[11]OjalaT,ValkealahtiK,OjaE,PietikainenM.Texturediscriminationwithmultidimensionaldistributionsofsignedgray-leveldifferences[J].PatternRecognition, 2001,34(3):727-739.

[12] 危自福,畢篤彥等.基于背景重構(gòu)和水平集的多運(yùn)動(dòng)目標(biāo)分割[J].光電工程,2009,36(7):28-35.

[13] 劉海峰,郭寶龍,馮宗哲.用于塊匹配運(yùn)動(dòng)估值的正方形-菱形搜索算法[J].計(jì)算機(jī)學(xué)報(bào),2002,25(7):747-752.

[14] 戴 斌,方宇強(qiáng).基于光流技術(shù)的運(yùn)動(dòng)目標(biāo)檢測和跟蹤方法研究[J].科技導(dǎo)報(bào),2009,27(12):55-60.

[15]KannanSR,RamathilagamS，ChungPC.Effectivefuzzyc-meansclusteringalgorithmsfordataclusteringproblems[J].ExpertSystemswithApplications,2012,39(7):6292-6300.

[16] 李躍發(fā).基于視頻的車輛檢測與跟蹤技術(shù)研究[D].西安：西安電子科技大學(xué),2007.

Research on Multiple Moving Vehicles Tracking Method Based on Motion Detection

Shan Yugang1, Wang Jiabao1, Li Shixing2, Dong Shuang3

(1.Hubei University of Arts and Science, Xiangyang 441053,China; 2.North Automation Control Technology Institute,Taiyuan 030006,China; 3.Beijing Union University, Beijing 100101,China)

In view of the difficulties in tracking the overlapping targets in traffic surveillance scene and the difficulty of the vehicle correlation in two consecutive frames, the solutions of the region motion similarity segmentation and the similarity correlation matrix are proposed，background substraction is used for detecting targets，after eliminating gaps, holes and separation, etc. ,motion vector is calculated in the motion region by block matching search and local optical flow method, and then the fuzzy clustering method is used to implement the regional integration of motion vectors, which completes adhesion segmentation of the moving target, and reduces the amount of computation.In the part of tracking, target tracking is established on the basis of the target correlation, and the target matching is completed by using similarity correlation matrix of distance and local binary pattern features between frames , so as to realize the multiple target correlation. By using image sequences in PETS to test, The proposed algorithm can achieve continuous tracking and accurate target segmentation,and the processing speed is fast,which shows that the algorithm is robust and applicable.

motion similarity; adhesion segmentation; target correlation; motion detection

2016-09-27；

2016-11-24。

湖北省教育廳科學(xué)技術(shù)研究項(xiàng)目(B2016175);湖北文理學(xué)院博士基金(2015B002)。

單玉剛(1971-)，男，遼寧沈陽人，講師，博士，主要從事目標(biāo)跟蹤、模式識(shí)別方向的研究。

汪家寶(1964-)，男，湖北隨州人，教授，碩士，主要從事教育信息化方向的研究。

1671-4598(2017)03-0024-05

10.16526/j.cnki.11-4762/tp.2017.03.008

TP391.41

A