劉向前，閆 娟，楊慧斌，賈茜偉

上海工程技術(shù)大學(xué) 機(jī)械與汽車(chē)工程學(xué)院，上海 201620

隨著智能監(jiān)控系統(tǒng)和智能交通技術(shù)不斷發(fā)展，研究者對(duì)目標(biāo)檢測(cè)跟蹤與行為分析的研究日益增長(zhǎng)。將跟蹤應(yīng)用于智能車(chē)輛中，可提高不同情況下駕駛性能與安全性[1-2]。Sivaraman和Trivedi[3]對(duì)道路上車(chē)輛的檢測(cè)、跟蹤和行為分析方面進(jìn)行了研究。而近年來(lái)，針對(duì)交叉路口車(chē)輛如何跟蹤問(wèn)題引起了人們關(guān)注。Datondji等[4-6]研究中，他們基于機(jī)器視覺(jué)著重對(duì)交叉路口的車(chē)輛、駕駛員及行人的行為與安全性分析進(jìn)行了相關(guān)研究；Veeraraghavan 等[7]通過(guò)引入兩級(jí)跟蹤器，用于跟蹤二進(jìn)制Blob，使用卡爾曼濾波器預(yù)測(cè)運(yùn)動(dòng)，并為目標(biāo)建模，但是，擁擠的場(chǎng)景下，也無(wú)法滿(mǎn)足對(duì)靜止的車(chē)輛進(jìn)行準(zhǔn)確跟蹤；Lira 等[8]將卡爾曼濾鏡用于無(wú)人機(jī)浮動(dòng)攝像機(jī)的鏡頭上，但是長(zhǎng)時(shí)間晃動(dòng)下，則會(huì)丟失許多幀，因此其算法也無(wú)法達(dá)到對(duì)車(chē)輛準(zhǔn)確跟蹤；Song和Nevatia[9]提出了一種馬爾科夫隨機(jī)場(chǎng)模型，通過(guò)將多個(gè)重疊的車(chē)輛分割成具有各自方向的單獨(dú)車(chē)輛，他們提出的方法雖然可以跟蹤方向變化的車(chē)輛，但是在出現(xiàn)擁堵的情況下會(huì)導(dǎo)致大量跟蹤數(shù)據(jù)集丟失；Wu 等[10]提出用于城市交叉路口的車(chē)輛跟蹤器，首先進(jìn)行軌跡預(yù)測(cè)，后使用HMM 將軌跡分類(lèi)為不同運(yùn)動(dòng)模式；Bilodeau 等[11]提出一種基于深度學(xué)習(xí)的分類(lèi)標(biāo)簽跟蹤方法，他們主要研究了交通場(chǎng)景中多類(lèi)目標(biāo)檢測(cè)器的性能，并由實(shí)驗(yàn)結(jié)論表明檢測(cè)階段的標(biāo)簽改善了跟蹤的性能；Prommool 等[12]開(kāi)發(fā)出一種借助運(yùn)動(dòng)估計(jì)和泰勒級(jí)數(shù)逼近的車(chē)輛計(jì)數(shù)系統(tǒng)，他們所提出方法中，使用虛擬進(jìn)入或退出來(lái)改進(jìn)對(duì)車(chē)輛方向的預(yù)測(cè)；Del Rosario等[13]所做研究著重于智能相機(jī)視頻監(jiān)控，并提出數(shù)據(jù)可關(guān)聯(lián)各種平臺(tái)上的多視圖視覺(jué)系統(tǒng)；Atev等[14]提出一種車(chē)輛跟蹤器，用于交叉路口和高速公路上數(shù)據(jù)的自動(dòng)收集，所提出模型可從任何角度進(jìn)行測(cè)量，并與提出的算法有效融合在一起；Subedi 和Tang[15]提出一種針對(duì)交叉路口的多攝像機(jī)三維車(chē)輛跟蹤方法，通過(guò)對(duì)每個(gè)攝像機(jī)進(jìn)行校準(zhǔn)，然后系統(tǒng)從攝像機(jī)中捕獲同步圖像并導(dǎo)出圖像輪廓后將其投影到三維現(xiàn)實(shí)圖像中；Wu等[16]和馬泊寧等[17-18]提出一種用于車(chē)輛跟蹤的圖像匹配方法，所提出的方法使用了地理信息與深度特征和運(yùn)動(dòng)的組合。

針對(duì)單視圖下交叉路口車(chē)輛跟蹤實(shí)時(shí)性較差，存在誤檢及漏檢問(wèn)題。鑒于此，本文聯(lián)想到多攝像機(jī)多視圖下采集的方法可以具有更好的性能。盡管近年來(lái)越來(lái)越多對(duì)多攝像機(jī)方法進(jìn)行相關(guān)研究，但從總體上而言，對(duì)于交叉路口車(chē)輛重疊狀況下，研究還較為有限。當(dāng)今與行人有關(guān)的使用圖形數(shù)據(jù)關(guān)聯(lián)進(jìn)行跟蹤已得到廣泛的應(yīng)用，雖然跟蹤車(chē)輛并非如此，但由于相交結(jié)構(gòu)，精心設(shè)計(jì)的圖形層，可能會(huì)有幫助，應(yīng)用在單視圖跟蹤中，也可以獲取準(zhǔn)確的軌跡。受此啟發(fā)，本文引入多層圖模型，通過(guò)構(gòu)建多層圖，將交叉路口車(chē)輛出入口側(cè)位置不同或運(yùn)動(dòng)方向不同的運(yùn)動(dòng)流分布到不同層。對(duì)于每一層，引入允許方向的兩個(gè)鄰域，每一層代表車(chē)輛可以進(jìn)入交叉路口的一側(cè)，并且為該側(cè)運(yùn)動(dòng)流定義鄰域，即Near和Far鄰域。在本文方法中，車(chē)輛跟蹤分別在每層圖形上進(jìn)行，而由于圖形層之間互不相交，因此避免了碰撞。車(chē)輛進(jìn)入交叉路口時(shí)，將創(chuàng)建一個(gè)跟蹤記錄，穿越交叉路口期間，會(huì)隨時(shí)更新軌道，當(dāng)從一個(gè)單元格移動(dòng)到另外一個(gè)單元格時(shí)，該視圖的圖形邊緣權(quán)重也會(huì)隨之更新，同時(shí)，系統(tǒng)會(huì)將相機(jī)所有視圖的視頻序列信息映射到選定多層圖主視圖上，創(chuàng)建一個(gè)包含所有視圖的跟蹤信息的映射多層圖，最終通過(guò)求解最短路徑來(lái)執(zhí)行跟蹤。針對(duì)遮擋或誤檢的情況，在提出的方法中是將視圖中跟蹤過(guò)程分為兩個(gè)階段，第一階段通過(guò)層的相鄰性來(lái)搜索跟蹤歷史和車(chē)輛軌跡路線(xiàn)；第二階段，將其他視圖的軌跡映射到選定主視圖中，從映射視圖中來(lái)管理其他視圖中的誤檢。

1 多層圖模型

由于道路交叉口背景錯(cuò)雜性，涉及到各種對(duì)象，包括小轎車(chē)、公共汽車(chē)、自行車(chē)及行人等，使得對(duì)于車(chē)輛跟蹤多層圖建立成為較復(fù)雜的任務(wù)過(guò)程。

1.1 多層圖模型的構(gòu)建

基于將車(chē)輛出入口側(cè)位置不同或運(yùn)動(dòng)方向不同的運(yùn)動(dòng)流分布到不同層，提出用于跟蹤目標(biāo)車(chē)輛的多層圖模型。首先，通過(guò)將交叉路口的公共區(qū)域劃分為跟蹤的區(qū)域；其次，在交叉口路面上構(gòu)建一個(gè)由m×n單元組成的網(wǎng)格，其示意圖如圖1所示。

圖1 標(biāo)記邊與層的網(wǎng)格單元圖Fig.1 Grid cell diagram with marked edges and layers

由于每個(gè)單元格都是組成交叉點(diǎn)的一部分，所以網(wǎng)格單元的大小代表著一個(gè)重要的影像單元參數(shù)，其大小根據(jù)step參數(shù)像素間的網(wǎng)格線(xiàn)距離確定，如圖2。

圖2 多層圖鄰域單元Fig.2 Neighborhood cell of multi-layer graph

針對(duì)模型，構(gòu)建大小為M×N網(wǎng)格單元矩陣，則對(duì)應(yīng)網(wǎng)格線(xiàn)的截距y為：

其中，a為單元網(wǎng)格斜率，step為像元參數(shù)。

構(gòu)建的多層圖模型如圖3 所示。當(dāng)車(chē)輛進(jìn)出交叉口時(shí)，車(chē)輛按照允許方向行駛，路口相交的每一側(cè)都有相對(duì)應(yīng)的圖形層。針對(duì)車(chē)輛之間交叉重疊問(wèn)題，只需構(gòu)建的多層圖形之間互不相交，就可保證車(chē)輛無(wú)法在不同層之間移動(dòng)。同時(shí)，為了對(duì)每一層中車(chē)輛所允許的方向建模，引入前后鄰域，用來(lái)顯示每一層車(chē)輛運(yùn)動(dòng)的方向，將每一層之間的差異轉(zhuǎn)化為每一層各單元鄰域的差異。

圖3 單視圖下多層圖模型Fig.3 Multi-level graph model in single view

1.2 多層圖鄰域的建立

假設(shè)t時(shí)刻車(chē)輛位于第k層(i,j)處，t+1 時(shí)刻位于(p,q)處，此段時(shí)間車(chē)輛運(yùn)動(dòng)方向未發(fā)生改變，兩個(gè)時(shí)刻車(chē)輛都應(yīng)位于同一層，為表示其運(yùn)動(dòng)關(guān)系，采用引入兩個(gè)鄰域“Near”和“Far”。根據(jù)該層的運(yùn)動(dòng)流，緊鄰單元“Near”是緊靠(i,j)的單元，并且，緊鄰鄰域單元旁邊的單元為“Far”，即遠(yuǎn)鄰鄰域。表1中定義了頂層的兩個(gè)鄰域位置，用于表示初始進(jìn)入叉路口的車(chē)輛。在表1中單元格(i,j)表示所檢測(cè)車(chē)輛所處的當(dāng)前位置，(i,j-1)、(i,j+1)表示所檢測(cè)到車(chē)輛的同層近鄰鄰域，(i,j-2)、(i,j+2)表示所檢測(cè)車(chē)輛的同層遠(yuǎn)鄰鄰域。網(wǎng)格單元大小的變化可由不同的step參數(shù)來(lái)確定，幀速率也可以高也可以低，幀速率不同，導(dǎo)致車(chē)輛可以移動(dòng)鄰域也會(huì)不同。同樣，由于攝像機(jī)的拍攝視圖與安裝位置的不同，單元網(wǎng)格可以表示實(shí)際交點(diǎn)部分也不同，并且一個(gè)單元網(wǎng)格也只能包含唯一車(chē)輛的step參數(shù)。

1.3 多角度下多層圖單應(yīng)性映射

交叉路口多相機(jī)的跟蹤方法中，攝像機(jī)視圖可被分為全部重疊、部分重疊或者不重疊[19]。但是實(shí)際場(chǎng)景中，攝像機(jī)視圖至少會(huì)有80%部分重疊。本文方法中，通過(guò)在交叉點(diǎn)處距離地面2.2～2.5 m，將多個(gè)攝像機(jī)布置到不同的視角位置，達(dá)到對(duì)交叉路口全方位覆蓋，這樣對(duì)于車(chē)輛的跟蹤問(wèn)題轉(zhuǎn)化為多攝像機(jī)之間的數(shù)據(jù)關(guān)聯(lián)問(wèn)題。通過(guò)視圖之間的映射過(guò)程實(shí)現(xiàn)數(shù)據(jù)的關(guān)聯(lián)，而不需要對(duì)攝像機(jī)進(jìn)行校準(zhǔn)，所有對(duì)應(yīng)關(guān)系通過(guò)映射來(lái)計(jì)算。具體映射過(guò)程與數(shù)據(jù)關(guān)聯(lián)由以下方式進(jìn)行：

（1）多攝像機(jī)采集視圖中，選擇一個(gè)作為主視圖niselected，按理來(lái)說(shuō)對(duì)于主視圖的選擇沒(méi)有任何約束，而本文是選擇具有完整交叉點(diǎn)且視野開(kāi)闊的相機(jī)視圖。

（2）選定主視圖后，可將其他視圖的信息映射到其主視圖中。由于每個(gè)視圖來(lái)自每臺(tái)相機(jī)，因此可以從不同的視圖中獲取不同的圖像位置信息。目標(biāo)對(duì)象之間視圖相互映射通過(guò)在每個(gè)攝像機(jī)之間應(yīng)用單應(yīng)性關(guān)系[20]實(shí)現(xiàn)。所有車(chē)輛都在同一地面上，可以通過(guò)單應(yīng)性分析將其視圖與車(chē)輛之間進(jìn)行對(duì)應(yīng)。

假設(shè)xi和xj分別是同一輛車(chē)在視圖i和j下的質(zhì)心，這兩個(gè)點(diǎn)之間對(duì)應(yīng)的映射為Hi,j，兩個(gè)視圖的圖像點(diǎn)有映射關(guān)系：xi=Hj,i xj和xi=Hi,j xi，計(jì)算niselected與其他視圖k之間的n-1 個(gè)單應(yīng)性矩陣：

（3）除niselected視圖外，所有如圖4 所示多層圖形均可通過(guò)Hk、niselected映射到所選視圖中。具體實(shí)施僅需映射具有跟蹤信息的頂點(diǎn)與邊，并分別將Vstart與Vend之間相互映射?；诿總€(gè)攝像機(jī)的安裝位置，來(lái)確定應(yīng)映射到圖層，對(duì)于視圖k的每個(gè)邊緣，確定映射的源頂點(diǎn)與宿頂點(diǎn)。由于每個(gè)頂點(diǎn)都存在相交的一部分，所以頂點(diǎn)的任何部分都可以映射到其他視圖圖形層的另一個(gè)頂點(diǎn)，而每個(gè)頂點(diǎn)在其他特定時(shí)間也會(huì)被映射，因此，映射結(jié)果會(huì)更加準(zhǔn)確可靠，映射過(guò)程如式（3）所示：

圖4 多視圖下多層圖模型Fig.4 Multi-level graph model under multi-view

其中，k為視圖編號(hào)，(midx,midy)為頂點(diǎn)所檢測(cè)車(chē)輛質(zhì)心坐標(biāo)，lmapped為l映射層，（midxmapped,midymapped）為對(duì)應(yīng)質(zhì)心坐標(biāo)映射，為映射積。

圖像頂點(diǎn)之間邊緣處具有要跟蹤的信息，所以在構(gòu)建圖形時(shí)，單元格邊的權(quán)重均為W(W＞0)，當(dāng)車(chē)輛通過(guò)邊緣時(shí)，權(quán)重變?yōu)棣模成渌袌D像后包含軌跡的最終權(quán)值為：

其中，是邊和的權(quán)值，w是初始權(quán)值，δ為還原參數(shù)，r為圖形跟蹤次數(shù)。

所搭建的多層模型中，在執(zhí)行跟蹤之前對(duì)每個(gè)交叉點(diǎn)進(jìn)行計(jì)算，目的為跟蹤做好前期處理準(zhǔn)備。

2 車(chē)輛跟蹤

2.1 車(chē)輛軌跡的檢測(cè)

跟蹤過(guò)程是通過(guò)在構(gòu)建的圖層中搜索車(chē)輛軌跡的路徑來(lái)實(shí)現(xiàn)。跟蹤開(kāi)始之前，通過(guò)多層圖對(duì)每個(gè)視圖構(gòu)建相對(duì)應(yīng)的圖層，并通過(guò)求解單應(yīng)性矩陣，來(lái)獲取運(yùn)行軌跡。同時(shí)，為了短時(shí)間內(nèi)獲取軌跡并保證軌跡的連續(xù)性，本文中將當(dāng)前圖像最后一幀與下一圖像的第一幀進(jìn)行重合處理。隨著時(shí)間推移，圖形層會(huì)進(jìn)行更新，從而可保證軌跡不會(huì)在中間丟失。當(dāng)車(chē)輛進(jìn)入攝像機(jī)視野時(shí)，交叉路口車(chē)輛跟蹤開(kāi)始，因此，當(dāng)車(chē)輛從特定層的入口單元進(jìn)入交叉口時(shí)，它的初始層就被確定了。對(duì)于每一個(gè)被檢測(cè)的車(chē)輛，可以從檢測(cè)器輸出的數(shù)據(jù)邊界框中，提取地平面上的質(zhì)心作為檢測(cè)的標(biāo)識(shí)，確定該檢測(cè)所處的頂點(diǎn)，跟蹤過(guò)程中保存每個(gè)視圖每輛車(chē)軌跡記錄，其中是該車(chē)輛在時(shí)間t圖形層的頂點(diǎn)，tag是標(biāo)識(shí)號(hào)，midx、midy是檢測(cè)的質(zhì)心。

由于圖形層互不相交，所以可在每個(gè)層中分別執(zhí)行跟蹤，處于相同層的車(chē)輛應(yīng)保持在同一層，不允許在其他層之間移動(dòng)，對(duì)于下一幀，重復(fù)以上過(guò)程，即時(shí)間t+1時(shí)刻檢測(cè)到的車(chē)輛在時(shí)間t時(shí)可以保持靜止，或者移動(dòng)到它的相鄰單元處。對(duì)于每一個(gè)被檢測(cè)到的車(chē)輛，通過(guò)在先前幀的鄰域中識(shí)別出車(chē)輛軌跡。當(dāng)車(chē)輛通過(guò)交叉口時(shí)，保持跟蹤記錄，確定檢測(cè)屬于先前的車(chē)輛軌跡后，使該檢測(cè)的跟蹤記錄將更新為[new,midynew]，隨著視圖的更新，多層圖隨之進(jìn)行更新。根據(jù)更新的多層圖，分別按層和標(biāo)識(shí)號(hào)為每個(gè)視圖計(jì)算通過(guò)交叉口車(chē)流量，并估計(jì)此跟蹤階段主視圖中的軌跡數(shù)。

在多層圖中，不是所有單元網(wǎng)格都包含有車(chē)輛跟蹤的信息，會(huì)存在部分網(wǎng)格中不包含信息，所以在每次處理結(jié)束時(shí)，通過(guò)單應(yīng)性映射將所有多層圖映射到所選主視圖中，通過(guò)映射的多層圖處理所有視圖中的跟蹤信息。

2.2 車(chē)輛軌跡的提取

為了從多層圖中分別提取出車(chē)位于每個(gè)層中的軌跡，基于多層圖形中搜索路徑的方法來(lái)執(zhí)行，而搜索路徑過(guò)程中所構(gòu)的圖像即為車(chē)輛在不同層形成的軌跡?；诟欕A段的多層圖和軌跡特點(diǎn)，將其約束式（5）定義如下：

其中，l是總層數(shù)，vl為l層頂點(diǎn)數(shù)，是l層使用頂點(diǎn)總數(shù)。

車(chē)輛通過(guò)時(shí)，該圖層邊緣的權(quán)值會(huì)減小，由開(kāi)始的正逐漸變?yōu)樨?fù)，而最終改變的范圍應(yīng)位于和之間。執(zhí)行跟蹤時(shí)，可從到之間的所有可能單元網(wǎng)格中，選擇其一并用f(t)l(i,j),(i′,j′)表示：

此值恒大于零，對(duì)于跟蹤約束在時(shí)間t與t+1 之間，只有一輛車(chē)可以通過(guò)同一單元網(wǎng)格，因此，所有可能的邊緣之間在時(shí)間t的所有層，只能選擇一個(gè)。由于任何時(shí)候地面上的一個(gè)單元都可以被一輛可能位于任何層的車(chē)輛所占據(jù)，為解決此問(wèn)題，引入式（7）約束為：

同時(shí)，每層中選定單元網(wǎng)格數(shù)量應(yīng)小于式（8）所選定頂點(diǎn)數(shù)量。

根據(jù)能量守恒定律，在跟蹤或搜索路徑時(shí)，除vstart與vend外，用于進(jìn)入和退出頂點(diǎn)的單元網(wǎng)格數(shù)量應(yīng)相等。針對(duì)單元格邊緣的值，它們可能會(huì)有所不同，因?yàn)楦櫟倪^(guò)程中可能會(huì)發(fā)生遮擋和誤檢測(cè)，本文通過(guò)式（9）來(lái)處理：

其中，r、s分別表示車(chē)輛進(jìn)出時(shí)邊緣初始值。

最后，每一層中開(kāi)始的軌道路徑的數(shù)量應(yīng)等于該層中結(jié)束的軌道路徑的數(shù)量。由于所構(gòu)建的圖形層是不相交的，通過(guò)定義入口邊緣與出口邊緣約束式（10），使得它們之間不會(huì)發(fā)生軌跡的相互切換。

2.3 車(chē)輛跟蹤的實(shí)現(xiàn)

基于到所有上述條件約束，目標(biāo)軌跡從vstart開(kāi)始建立到vstart結(jié)束，這些軌跡主要是由跟蹤信息單元網(wǎng)格所組成。為求解最小各邊權(quán)值和，必須在規(guī)定的約束條件下對(duì)目標(biāo)函數(shù)進(jìn)行最小化處理：

本文將解決最小化問(wèn)題轉(zhuǎn)化為多層圖中找k條最短路徑，由于每個(gè)頂點(diǎn)最多有一輛車(chē)輛，所以這些路徑的邊與定點(diǎn)是不相交的。為找k條不相交路徑，應(yīng)事先求解出k的值。本文使用跟蹤階段的kestimate-#of-track作為k預(yù)測(cè)，通過(guò)將所有視圖中最大軌跡數(shù)作為路徑查找k的參數(shù)，并定義式（15）如下：

為計(jì)算最終車(chē)輛運(yùn)行軌跡，應(yīng)比較當(dāng)前車(chē)輛與下一運(yùn)動(dòng)流的軌跡，以查看軌跡是否在接下來(lái)的運(yùn)動(dòng)流中繼續(xù)。為保證軌道可以在上一個(gè)運(yùn)動(dòng)流的結(jié)束相同位置繼續(xù)，將當(dāng)前運(yùn)動(dòng)流的最后一幀與下一運(yùn)動(dòng)流的第一幀重疊。

當(dāng)駛?cè)虢徊媛房诘膬奢v或更多車(chē)輛軌跡發(fā)生彼此交叉如圖5所示。針對(duì)傳統(tǒng)的跟蹤，會(huì)導(dǎo)致跟蹤軌道信息丟失，而本文所提出的多層圖模型中是完全避免此現(xiàn)象。對(duì)跟蹤過(guò)程中，來(lái)自不同側(cè)面的可能會(huì)發(fā)生碰撞運(yùn)動(dòng)車(chē)輛，通過(guò)將其運(yùn)行軌道分配到不同層進(jìn)行通過(guò)，有效避免了碰撞的發(fā)生。針對(duì)圖5 而言，時(shí)間t處有一個(gè)屬于兩個(gè)不同軌跡的監(jiān)測(cè)點(diǎn)，即碰撞點(diǎn)，不同顏色表示軌道位于不同層中。通過(guò)車(chē)輛跟蹤的歷史記錄，黑色軌跡跟蹤的下一步將進(jìn)入軌道2，而不是其他軌道，同理對(duì)于多輛車(chē)輛發(fā)生交叉時(shí)，其跟蹤分析一樣，其執(zhí)行流程如圖6所示。

圖5 兩個(gè)可能相互碰撞的運(yùn)動(dòng)流Fig.5 Two possible collision flows

圖6 跟蹤處理執(zhí)行流程圖Fig.6 Execution flow chart of tracking processing

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 數(shù)據(jù)集選取

實(shí)驗(yàn)數(shù)據(jù)集選取來(lái)自某城市位于交叉路口公開(kāi)數(shù)據(jù)的運(yùn)動(dòng)流如圖7所示，其中此交叉路口布置有八臺(tái)攝像機(jī)，但是只有兩個(gè)是公開(kāi)的，包含汽車(chē)、卡車(chē)及公交車(chē)，視頻時(shí)長(zhǎng)為5 min 12 s，道路主要是來(lái)自四個(gè)方向的八條車(chē)道，每天的交通運(yùn)動(dòng)流量高達(dá)17 000輛。

圖7 道路交叉口運(yùn)動(dòng)流視圖Fig.7 View of movement flow at road intersection

3.2 跟蹤?quán)徲驅(qū)?/h3>

由標(biāo)記的網(wǎng)格單元得層數(shù)L=14。為確定最佳鄰域?qū)?，分別對(duì)近鄰域、遠(yuǎn)鄰域及兩者綜合三種情況進(jìn)行實(shí)驗(yàn)，研究step參數(shù)與多層圖中鄰域?qū)訉?duì)其跟蹤的影響。為驗(yàn)證其跟蹤的效果，對(duì)step值起始10 到40 分別進(jìn)行跟蹤實(shí)驗(yàn)。

由圖8得出分析如下：（1）就近鄰跟蹤結(jié)果顯示，跟蹤丟失幀的數(shù)量較多，可能由于起初較小值搜索近鄰時(shí)，使車(chē)輛越過(guò)相鄰層的區(qū)域，導(dǎo)致它在緊鄰預(yù)測(cè)單元格中不存在；（2）遠(yuǎn)鄰跟蹤這種情況下，隨著step參數(shù)值增加，軌跡之間會(huì)發(fā)生互換；（3）近、遠(yuǎn)鄰域兩種綜合狀況下，通過(guò)近鄰進(jìn)行搜索，如果沒(méi)有找到相應(yīng)的軌跡，則搜索遠(yuǎn)鄰域。即使step參數(shù)值較小時(shí)，丟失幀數(shù)會(huì)少很多，并且隨著參數(shù)值的增加，軌跡之間相互換的可能性也會(huì)減小。從相機(jī)角度分析來(lái)看，此種情況由于像元大小相同，使得運(yùn)動(dòng)似乎更大。綜上，針對(duì)此三種情況，最好的跟蹤策略是近、遠(yuǎn)鄰域的綜合，使得目標(biāo)跟蹤過(guò)程中丟失幀數(shù)據(jù)量最小。

圖8 視頻序列在不同鄰域跟蹤效果圖Fig.8 Effect of video sequence tracking in different neighborhood

3.3 實(shí)驗(yàn)跟蹤結(jié)果及分析

根據(jù)建立的多層圖及選定的跟蹤?quán)徲?，采用VS 2017+OpenCV 3.4.10 開(kāi)發(fā)環(huán)境仿真跟蹤實(shí)驗(yàn)。通過(guò)在選定的實(shí)驗(yàn)數(shù)據(jù)集中對(duì)多個(gè)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤實(shí)驗(yàn)，并選取視頻中第160幀作為實(shí)驗(yàn)處理幀。分別采用：ViBe法、L-K 光流法、粒子濾波法及本文方法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤處理，其跟蹤效果如圖9 所示、不同方法下目標(biāo)跟蹤的性能對(duì)比如表1所示。

表1 不同方法下目標(biāo)跟蹤性能對(duì)比Table 1 Target tracking performance comparison under different methods

有上述實(shí)驗(yàn)結(jié)果可看出，不同方法表現(xiàn)出不同的跟蹤結(jié)果。其中，對(duì)于粒子濾波法，跟蹤準(zhǔn)確率比較低且容易受外界環(huán)境因素的影響；L-K光流法在較大允許誤差范圍內(nèi)，雖然可實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤，但由于算法較復(fù)雜，處理速率較低，使其跟蹤的實(shí)時(shí)性太差；ViBe 法處理運(yùn)算率最高，但目標(biāo)跟蹤中存在跟蹤不準(zhǔn)確、跟蹤偏差，導(dǎo)致跟蹤準(zhǔn)確率較低；本文方法中，不僅保持了目標(biāo)跟蹤的準(zhǔn)確率最高，同時(shí)也大大縮減了算法的復(fù)雜度，極大地提高了運(yùn)算處理效率，表現(xiàn)出較好的實(shí)時(shí)跟蹤性能。

同時(shí)，為驗(yàn)證本文方法在交叉路口各個(gè)狀況下的跟蹤效果與實(shí)時(shí)準(zhǔn)確性，選取了視頻中不同幀分別進(jìn)行跟蹤實(shí)驗(yàn)，其跟蹤效果如圖10所示。

由跟蹤結(jié)果圖表明，該多層圖模型在多角度視圖下可有效對(duì)交叉路口的車(chē)輛進(jìn)行跟蹤，從圖10（E1）中可以看出，當(dāng)存在遮擋條件下，該方法的追蹤效果良好；圖10（E2）中，跟蹤的目標(biāo)是黑色車(chē)，存在人行為干擾的情況下，跟蹤效果依然良好；而圖9（E3）中，當(dāng)存在車(chē)輛軌跡之間相互碰撞交叉的情況下，車(chē)輛跟蹤的效果良好，沒(méi)有受到交叉軌跡線(xiàn)的相互干擾。

圖9 目標(biāo)跟蹤結(jié)果圖Fig.9 Target tracking results figure

圖10 跟蹤結(jié)果圖Fig.10 Tracking results

4 結(jié)語(yǔ)

針對(duì)道路交叉口不確定運(yùn)動(dòng)流跟蹤問(wèn)題，提出基于多層圖多角度的對(duì)進(jìn)出交叉口車(chē)輛實(shí)施跟蹤的方法。通過(guò)構(gòu)建多層圖形將各運(yùn)動(dòng)流分配到具有不同鄰域的不同層，多角度視圖下將多層圖形映射到所選定主視圖中，通過(guò)求解映射主視圖下運(yùn)動(dòng)流最短路徑，實(shí)現(xiàn)對(duì)車(chē)輛軌跡的跟蹤。通過(guò)實(shí)驗(yàn)驗(yàn)證，本文方法可對(duì)交叉路口運(yùn)動(dòng)流94%以上的車(chē)輛進(jìn)行有效預(yù)測(cè)并進(jìn)行準(zhǔn)確跟蹤，總體上滿(mǎn)足實(shí)際跟蹤需求。

同時(shí)，由于本文中多層圖的構(gòu)建僅考慮了多視圖下單應(yīng)性映射與目標(biāo)車(chē)輛質(zhì)心，后期為進(jìn)一步優(yōu)化模型，提高跟蹤精確率，擬在跟蹤模型中引入視覺(jué)顏色特征，來(lái)縮短跟蹤器的延遲時(shí)間，作為后續(xù)研究重點(diǎn)。