復雜背景下車輛跟蹤的改進算法及逆行檢測

郭 鋒， 王秉政， 楊晨暉

（1. 鄭州輕工業(yè)學院計算機與通信工程學院，河南 鄭州 450002；2. 廈門大學信息科學與技術(shù)學院，福建 廈門 361005）

復雜背景下車輛跟蹤的改進算法及逆行檢測

郭 鋒1， 王秉政1， 楊晨暉2

（1. 鄭州輕工業(yè)學院計算機與通信工程學院，河南 鄭州 450002；2. 廈門大學信息科學與技術(shù)學院，福建 廈門 361005）

針對復雜背景下車輛跟蹤準確率低的情況，提出了一種改進的算法，采用多邊形車輛跟蹤窗口和更準確的預測搜索區(qū)域，進行多特征匹配車輛的跟蹤算法，并應用于道路的車輛逆行檢測。實驗結(jié)果表明，該算法在滿足實時性和穩(wěn)定性的前提下，提高了車輛跟蹤的準確率。

車輛跟蹤；多特征匹配；復雜背景

車輛跟蹤是計算機視覺應用的重要內(nèi)容，特別是在智能交通視頻監(jiān)控方面，車輛跟蹤是交通事件判斷、解決城市擁堵等的前提，目前有很多車輛跟蹤的算法，大致分4類：基于區(qū)域的車輛跟蹤[1]，基于特征的車輛跟蹤[2]，基于模型的車輛跟蹤[3]，基于活動輪廓的車輛跟蹤[4]。這幾種算法，在簡單背景下，效果不錯，但是，在道路交通視頻中，交通場景的動態(tài)變化，有雨天路面反光，車燈，樹影等干擾因素，為了提高在復雜背景下車輛跟蹤的準確率，本文提出了采用多邊形車輛跟蹤窗口和更準確的預測搜索區(qū)域，進行多特征匹配車輛的跟蹤算法，并應用于道路的車輛逆行檢測。

1 改進的基于多特征匹配車輛跟蹤算法

在道路監(jiān)控視頻中，上下幀圖像時間差很小，根據(jù)運動規(guī)律，車輛信息在上下幀圖像中具有較大的相關(guān)性，車輛位置，速度，形狀等特征都很有相關(guān)性。因為在復雜場景下，很多干擾因素的存在，要求我們更加精確高效的跟蹤，本文提出了一種改進的算法，該算法分5個模塊：（1）檢測道路中車輛，使用更小的多邊形跟蹤窗口來檢測和跟蹤車輛；（2）提取各車輛典型特征，例如車輛形體的形心位置，形狀，面積等特征；（3）在車輛速度和形體形心的基礎(chǔ)上，利用卡爾曼濾波[5-7]得到車輛的位置，設(shè)計出更準確的搜索窗口；（4）根據(jù)相似度函數(shù)進行車輛的多特征匹配；（5）更新車輛列表模型。

1.1 車輛跟蹤窗口和搜索窗口的設(shè)計

檢測到車輛并且跟蹤，首先要設(shè)定車輛的跟蹤窗口，跟蹤窗口的尺寸略大于目標圖像，在復雜道路環(huán)境下，希望跟蹤窗口緊緊套住目標圖像，使目標不受跟蹤窗外背景和噪聲干擾的影響。本文根據(jù)車輛形體的規(guī)則，使用多邊形來圈車輛，使跟蹤窗口更小，來跟蹤車輛的運動。

圖1 車輛形體在外接矩形框的位置

下面，我們檢測到一輛車，根據(jù)上下幀圖像的相關(guān)性可以得知很多相關(guān)的信息，可以根據(jù)車輛位置和速度判斷車輛在下一幀的更加準確的區(qū)域，設(shè)置搜索窗口進行搜索。檢測區(qū)的實際長寬可實際測量得到，可對應計算到圖像的像素點上，例如車輛形心在上下兩幀運行多少個像素點，可對應計算出車輛的運行速度v，可得，

fVehicleInSpeed為車輛的速度，iVehicleCenteri車輛在第i幀圖像的形心坐標值，t為上下兩幀圖像的時間間隔。

采用卡爾曼濾波器可以得到車輛在下一幀圖像的形心，以該點為中心，去 2v為該搜索窗口的邊長，這樣可以得到更加具體準確的搜索窗口。

1.2 車輛多特征匹配和車輛列表模型

對于第k幀圖像檢測到m個車輛記為

在第k+1幀圖像檢測到n個車輛記為

第k幀圖像的ri車輛根據(jù)搜索窗口搜索得到z個車輛，記為

1） 假定第k幀圖像的第i個車輛形心點坐標為，依據(jù)速度預測而得到的該車輛在第k+1幀圖像的形心點坐標為，在搜索區(qū)域搜索可1得到的第k+1幀的第j個車輛的真實形心點坐標為。根據(jù)車輛和待匹配車輛的坐標位移像素度函數(shù)可用下公式：

2） 定義車輛形體面積差別函數(shù)：用第k幀圖像的第i個車輛的形體面積Ai和第k+1幀圖像的第j個車輛的形體面積Aj比較，形體相交面積為A，根據(jù)第車輛和待匹配車輛的面積相似度函數(shù)可得公式表示為：

3） 定義車體形狀差別函數(shù)：已知車輛形體Ri和待匹配車輛形體Rj，車輛形體上部寬度是HWi和HWj，車輛形體下部寬度是TWi和TWj。則車輛和待匹配車輛的形狀相似度函數(shù)可用下公式：

4） 相似度函數(shù)

式中，w1、w2、w3是權(quán)值，要求w1+w2+w3=1,0≤VR(i,j)≤1。

若D(i,j)大，表明預測位置與帶匹配車輛越接近，T(i,j),M(i,j)越大，表明車輛與待匹配形狀越相近，VR(i,j)越大，說明車輛和待匹配車輛相似度較高，是同一輛車可能性大。在第k幀圖像檢測得到m個車輛，假定對于第i個車輛在下一幀預測區(qū)域搜索得到z個車輛，對這z個車輛分別計算VR(i,j)，那么VR(i,j)最大者表明該車輛為第K幀圖像的第i個車輛的后續(xù)，按照此方式，可以分別將第K幀圖像的其他車輛進行類似匹配，若第K幀圖像找不到后續(xù)，表明該車輛駛出檢測區(qū)，若第K+1幀圖像有多余車輛，表明為剛駛?cè)霗z測區(qū)的車輛。

2 車輛逆行檢測

在道路交通中，有些道路為單行道，此時我們可以將上述算法進行實際應用，進行道路的車輛跟蹤并作出逆行違章事件的報警。根據(jù)每幀圖像的車輛行駛過程，可以得到車輛形體形心的坐標Cg[]，根據(jù)坐標值我們可以得到車輛的行駛方向，進而做出判斷，從T1到T2時刻，車輛形心軌跡為{Cg[i],i=0,1,…n}，該時間段，共有n+1幀圖像，假定y軸垂直向下為正向（規(guī)定車輛行駛方向），則若Cg[k]·y-Cg[0]·y＜0，說明車輛逆行，因為復雜背景下，一些干擾因素的存在，直接做出判斷容易造成錯誤，我們要求車輛的運動軌跡形心坐標滿足兩個條件，可以認為該車輛逆行：

式（6）中DRT是一個規(guī)定值，表明檢測的幀數(shù)的最小值，即大方向上車輛是逆行的。條件式（7）說明在這時間段中，由于干擾因素的影響，車輛軌跡形心坐標可能出現(xiàn)震蕩，造成誤判，所以要求每次前后兩幀的比較中，逆行的情況所占比率較大。同時滿足兩個要求，我們可認為車輛逆行。

3 實驗結(jié)果

本文將改進算法進行編程實現(xiàn)，如圖2和圖3所示，以某市道路的交通視頻進行試驗，白色矩形線框為檢測區(qū)域，取α1=0.6, α2=0.4;w1=0.2,w2=0.4,w3=0.4;下圖為復雜背景下例如雨天夜晚等干擾較大交通場景下的車輛跟蹤效果圖和單行道出現(xiàn)車輛逆行違章報警演示效果圖。

圖2 雨天夜晚的跟蹤圖

圖3 單行道的車輛逆行檢測

根據(jù)具體城市道路監(jiān)控視頻，進行車輛跟蹤及車輛逆行判斷，在兩個時間段中，分別用參考文獻[8]跟蹤算法和本文改進的多特征算法進行演示，得出數(shù)據(jù)如表1和表2所示：

表1 交通視頻監(jiān)控中兩種車輛跟蹤算法在車輛跟蹤中的比較

表2 交通視頻監(jiān)控中兩種車輛跟蹤算法在逆行檢測中的比較

通過實驗數(shù)據(jù)可以得到，本文算法提高了車輛跟蹤和逆行判斷的準確率，在樹陰影、夜間車輛燈光及雨天路面反光等干擾因素下取得了更好的跟蹤效果，跟蹤失敗主要集中在兩車體過近和晚間車輛遠光燈等情況。

5 結(jié) 論

針對在復雜交通場景下，干擾因素的影響，車輛跟蹤準確率不高的問題，本文提出了一種改進的多特征車輛跟蹤算法，檢測到車體后，用更精確多邊形跟蹤窗口對車體進行跟蹤，根據(jù)預測后采用更準確的搜索窗口，然后根據(jù)車輛形心位移，車體面積和車體形狀等特征進行匹配實現(xiàn)跟蹤的算法，并應用于單行道的車輛逆行檢測，試驗結(jié)果表明，該算法滿足實時性要求下，提高了車輛跟蹤和車輛逆行檢測的準確率。

[1]Paragios N, Deriche R. Geodesic active contours and level sets for the detection and tracking of moving objects [J]. IEEE Trans Pattern Analysis and Machine intelligence, 2000, 22(3)：266-280.

[2]Fathy M, Siyal M Y. Real-time image processing approach to measure traffic queue parameters [J].EEEProc.-Vis. Image Signal Process, 1995, 142：297-303.

[3]翁木云, 何明一. 圖像綜合特征及其在圖像檢測與匹配中的應用[J]. 中國圖象圖形學報, 2007, 12(1)：121-126.

[4]Wang Y, Wang T E, Shen D G. Lane detection and tracking using B-Snake [J]. Image and Vision Computing, 2004, 22(4)：269-280.

[5]肖敬若, 張艷寧, 胡伏原, 等. 一種魯棒的多目標自動跟蹤算法[J]. 信號處理, 2007, 23(3)：437-440.

[6]孫 狀, 宋正河, 毛恩榮, 等. 高清視頻車輛檢測及跟蹤系統(tǒng)的設(shè)計與實現(xiàn)[J]. 中國農(nóng)業(yè)大學學報,2009, 6：97-102.

[7]楊春玲, 余英林, 劉國歲. 多目標跟蹤中的數(shù)據(jù)關(guān)聯(lián)算法[J]. 系統(tǒng)工程與電子技術(shù), 2000, 22(3)：11-15.

[8]常發(fā)亮, 劉 雪, 王華杰. 基于均值漂移與卡爾曼濾波的目標跟蹤算法[J]. 計算機工程與應用, 2007,43(12)：50-52.

The Improved Algorithm for Vehicle Tracking and Retrograde Motion Detection under the Complicated Background

Guo Feng1, Wang Bingzheng1, Yang Chenhui2
( 1. Zhengzhou University of Light Industry, Zhengzhou Henan 450002, China; 2. Xiamen University, Xiamen Fujian 361005, China )

To solve the problem of low vehicle tracking accuracy of traditional algorithms in complex background, an improved method is proposed in this paper. It exploits vehicle tracking polygon window and more exact prediction of search area to realize multiple feature matching vehicle tracking, which is applied to detect vehicles retrograde motion. The experimental results show that the algorithm has higher vehicle tracking accuracy while satisfying the need of real-time and stability requirement than traditional ones.

vehicle tracking; multiple feature matching; complex background

TP 391

A

2095-302X (2013)04-0150-04

2012-09-21；定稿日期：2012-10-30

郭 鋒（1981-），男，河南省信陽人，講師，碩士，主要研究方向為數(shù)字圖像處理與數(shù)據(jù)庫等。E-mail：wwwguofengok@163.com