基于粒子濾波的交通視頻車輛跟蹤和計(jì)數(shù)方法

蔡麗娟

摘要：本文提出了一種基于粒子濾波的交通視頻車輛跟蹤和計(jì)數(shù)方法。該方法采用圖像處理模式，利用粒子濾波和運(yùn)動(dòng)相關(guān)性原理，分析視頻中凸形形狀和背景信息，確定待測(cè)車輛輪廓，計(jì)算分組視頻中的車輛粒子。當(dāng)在一輛車被確定后，使用集中在粒子位置窗口的顏色直方圖相似性進(jìn)行車輛的跟蹤和計(jì)數(shù)。

關(guān)鍵詞：圖像處理 粒子簇 車輛計(jì)算 車輛跟蹤

1 概述

交通智能系統(tǒng)可以有效改善交通狀況，幫助用戶選擇最佳路徑并幫助政府合理實(shí)現(xiàn)交通規(guī)劃。車輛數(shù)據(jù)在交通管理規(guī)劃中非常重要，比如車流量、速度和軌道占用率等。通常，我們采用安裝感應(yīng)線圈、超聲波傳感器等方法來獲得這些信息。但這些方法費(fèi)時(shí)費(fèi)力，且實(shí)現(xiàn)復(fù)雜、成本高?；诖?，成本低、易操作等特點(diǎn)的視頻處理方法在業(yè)內(nèi)推廣起來，但如何準(zhǔn)確、高效提取視頻中的有效信息，是研究人員必須解決的難題。

本文提出一種簡單、易實(shí)現(xiàn)的視頻車輛跟蹤和計(jì)數(shù)方法，其核心是依據(jù)粒子理論[1]，視頻中屬于同一車輛的粒子具有運(yùn)動(dòng)空間和位置相干性的特點(diǎn)進(jìn)行分組，其難點(diǎn)在

于一是光照和背景迅速變化，如何獲得前景；二是被跟蹤車輛的多樣性識(shí)別；三是被其他車輛或障礙物遮擋時(shí)跟蹤。

2 基于粒子濾波的檢測(cè)算法

同一輛車粒子的判別條件是：①空間相干性，即屬于同一輛車的顆粒彼此接近，而屬于不同車輛的粒子簇間有一定的間隔。②時(shí)間連貫性，在給定幀初始位置的車輛在下一幀中不會(huì)消失，且車距保持在一定的范圍內(nèi)。③屬于同一車輛的顆粒應(yīng)該具有相同的移動(dòng)方向和相似的移動(dòng)速度。

粒簇分組的依據(jù)是它們的空間位置和運(yùn)動(dòng)矢量，后續(xù)幀的聚類中心延展可以保證粒子的時(shí)間相干性。通過驗(yàn)證這些粒簇的形狀和背景相似性來檢測(cè)車輛，用直方圖的相似性來跟蹤該車輛。最后，計(jì)算粒簇與虛擬線條的交匯次數(shù)來進(jìn)行車輛統(tǒng)計(jì)。

2.1 背景和粒子的獲取

以大小為240×320像素的視頻為例，它被分為若干3000幀的塊。如果這些塊的背景沒有發(fā)生明顯的變化，我們認(rèn)為是相同背景的視頻。

第一步，去除背景噪音。該步驟不需要任何背景信息，這是因?yàn)楦鶕?jù)閾值，在空間中保持靜止的粒子會(huì)被當(dāng)做與車輛無關(guān)的噪聲被刪掉。第二步，將從9×9的像素視窗中得到的顏色直方圖與已知的背景顏色進(jìn)行比較，與背景有相似直方圖的粒子被丟棄。圖片1顯示了從實(shí)驗(yàn)視頻中所獲得的粒子和粒子濾波處理的結(jié)果。將集中于每個(gè)粒子窗口與下一幀中集中于搜索區(qū)域像素的窗口做比較，通過采用塊與窮盡搜索匹配，使每個(gè)粒子合成估計(jì)運(yùn)動(dòng)矢量。

2.2 粒簇分組

本文使用K-means算法[2]對(duì)視頻幀中的粒子進(jìn)行分組，以確定初始簇?cái)?shù)。假設(shè)Nmin是一輛車必須有的最少粒簇?cái)?shù)，則每幀中最大簇?cái)?shù)為Nparticles/Nmin，其中Nparticles為幀中的粒子總數(shù)。但由于空間粒子間距離和粒子位移，有紋理的大型汽車可能會(huì)被誤認(rèn)有很多粒簇。同時(shí)，在車輛具有相同的速度和彼此靠近情況下，車輛的粒子具有相似的空間位置和運(yùn)動(dòng)矢量，可能會(huì)被誤認(rèn)為同一車輛。因此，對(duì)于難確定的粒子簇，需要信息融合。首先，處理視頻幀得到背景；然后，考慮由兩簇粒子形成的凸集區(qū)域，對(duì)不同的灰度圖片應(yīng)用不同的距離閾值。接下來，使用二進(jìn)制圖像處理消除這些區(qū)域中的噪聲或者極小區(qū)域。當(dāng)兩個(gè)形心之間的歐幾里得距離小于該粒子和它們各自的簇的質(zhì)心之間的最大距離的總和時(shí)，觸發(fā)粒子簇合并。當(dāng)兩車靠得很近并以相同的速度朝著同一方向運(yùn)動(dòng)時(shí)，易將其誤認(rèn)為一輛車。因此，當(dāng)發(fā)現(xiàn)大規(guī)模粒子群形成凸集區(qū)域過大時(shí)，需將粒子群重新聚類分割。如圖1中所示，集群合并和簇集分裂。

2.3 車輛的檢測(cè)和跟蹤

本文依據(jù)顏色直方圖的相似度原理來實(shí)現(xiàn)車輛追蹤，對(duì)車輛構(gòu)成的粒簇凸集，通過9x9像素視窗計(jì)算區(qū)域顏色直方圖，并在運(yùn)動(dòng)向量指引下由前一幀下移動(dòng)到當(dāng)前幀。在此區(qū)域逐漸地?cái)U(kuò)大規(guī)模以覆蓋更多的粒子。計(jì)算出與前一幀或者已處理的幀中各個(gè)像素視窗相對(duì)應(yīng)的顏色直方圖。并將當(dāng)前幀中區(qū)域顏色直方圖與前一幀中的各個(gè)顏色直方圖相比較，利用巴氏系數(shù)計(jì)算相似度，如公式（1）所示

s（h1，h2）=■■（1）

式中，s是標(biāo)準(zhǔn)化直方圖h1和h2的相似度，L是顏色粒子區(qū)域數(shù)量。

當(dāng)粒簇凸集相似度大于0.8時(shí)，認(rèn)為當(dāng)前幀粒子簇與前一幀相應(yīng)簇代表同一車輛，不滿足此條件，認(rèn)為是不同車輛。在追蹤過程中，根據(jù)前一幀中粒簇，與當(dāng)前幀中擁有最大相似度粒簇進(jìn)行一一對(duì)應(yīng)的標(biāo)記。如果粒簇在對(duì)應(yīng)過程中，出現(xiàn)了非一一對(duì)應(yīng)的情況，相交區(qū)域的每一個(gè)粒簇的相似度都要用公式2中的馬氏距離來測(cè)試，以確定對(duì)應(yīng)關(guān)系。將間距最短的粒簇選為一組。

Md（x）=■（2）

式中x=（x1，x2，…，xn）T是帶有空間位置信息和運(yùn)動(dòng)矢量的粒子，μ=（μ1，μ2，…，μn）T是平均值，S是x的協(xié)方差矩陣。

2.4 車輛計(jì)數(shù)

■

圖1 車輛粒子合并、分裂與計(jì)數(shù)過程

車輛計(jì)數(shù)是在代表車輛的粒簇凸集通過虛擬線條過程中實(shí)現(xiàn)的。當(dāng)一輛車通過全部虛擬線條時(shí)，車輛計(jì)數(shù)便增加一次，如圖1所示。

3 實(shí)驗(yàn)分析

本實(shí)驗(yàn)通過虛擬線條與粒簇凸集的交匯次數(shù)來計(jì)算車流量，并與Kim[3]算法進(jìn)行對(duì)比。

實(shí)驗(yàn)環(huán)境配置為CPU英特爾酷睿i5-2400和金士頓DDR3代8G內(nèi)存，通過Matlab7.13進(jìn)行處理，每個(gè)畫面的平均處理時(shí)間為7.18s。對(duì)視頻中每個(gè)車道的車輛實(shí)際數(shù)目、車輛實(shí)驗(yàn)計(jì)數(shù)以及兩數(shù)目的偏差進(jìn)行分析。本方法平均相對(duì)偏差-4.9%，比實(shí)際數(shù)目少53輛；用Kim所提的方法所測(cè)得車輛數(shù)比實(shí)際多66輛，比實(shí)際高6.1%；兩種方法效果相近。當(dāng)涉及到識(shí)別大型車輛時(shí)，本文提出的方法比Kim中的方法要好。這是因?yàn)樵诓煌尘爸袡z測(cè)車輛時(shí)，確保了屬于同一車輛的粒子能夠合并到一個(gè)粒子簇中。對(duì)于背景相似或粒子簇彼此空間距離很遠(yuǎn)的車輛可能被誤分或看成多輛車。本方法把大型車輛最多分成兩個(gè)或三個(gè)車，而Kim方法會(huì)分成五個(gè)以上的車輛，導(dǎo)致了更大誤差。

4 結(jié)束語

近年來，視頻車輛跟蹤作為城市智能交通系統(tǒng)（ITS）的一個(gè)關(guān)鍵技術(shù)受到關(guān)注。針對(duì)傳統(tǒng)測(cè)量方式可能導(dǎo)致跟蹤過程的不準(zhǔn)確性，本文提出了一種基于粒子濾波的車輛跟蹤計(jì)數(shù)方法，該算法利用基于重要區(qū)域的目標(biāo)顏色直方圖統(tǒng)計(jì)模型對(duì)視頻車輛目標(biāo)進(jìn)行建模，對(duì)車輛的運(yùn)行軌跡進(jìn)行校正，實(shí)現(xiàn)了局部線性濾波，實(shí)現(xiàn)了在保持跟蹤系統(tǒng)整體上的非線性、非高斯性的同時(shí)，兼顧其局部的線性高斯特性。實(shí)驗(yàn)結(jié)果表明，本文方法與傳統(tǒng)方法相比，即使在復(fù)雜的環(huán)境下，也能夠較準(zhǔn)確地對(duì)車輛進(jìn)行跟蹤。

參考文獻(xiàn)：

[1]Tian，B.Video processing techniques for traffic flow monitoring：Survey[J].Intelligent Transportation Systems（ITSC），pp.1103 1108，5-7，2011.

[2]Kanungo，T.Anefficient k-mean sclustering algorithm： analysisand implementation[J].Pattern Analysis and Machine Intelligence， IEEE Transactionson， vol.24， no.7， pp.881-892，

2002.

[3]KimZ.W.Real time object tracking based on dynamic feature grouping with background subtraction[J].Computer

Vision and Pattern Recognition，2008，vol1（5），pp.1-8，23-28，

2008.