基于視頻圖像處理技術(shù)的車輛跟蹤算法

柏淼

【摘 要】從車輛視頻流中準(zhǔn)確提取出車輛的輪廓.為提高計(jì)算速度，改進(jìn)的GVF—Snake模型采用貪心算法逐點(diǎn)迭代，并根據(jù)控制點(diǎn)的距離，自適應(yīng)地增刪控制點(diǎn)，以適應(yīng)車輛目標(biāo)大小變化.本文提出一種基于改進(jìn)的GVF—Snake模型（視頻圖像處理技術(shù)）的車輛跟蹤算法.該算法利用幀差法自動(dòng)獲取車輛的初始輪廓，通過進(jìn)一步的優(yōu)化GVF—Snake模型，在此基礎(chǔ)上，應(yīng)用預(yù)測算法對(duì)車輛進(jìn)行快速準(zhǔn)確的預(yù)測和跟蹤監(jiān)測.實(shí)驗(yàn)結(jié)果驗(yàn)證該算法是十分有針對(duì)性且穩(wěn)定的。

【關(guān)鍵詞】視頻圖像 車輛跟蹤 GVF-Snake模型

1 目標(biāo)輪廓的獲取

1.1 初始輪廓的獲取

初始輪廓的選取，將直接影響到試驗(yàn)數(shù)據(jù)最終的效果。考慮到初始輪廓選取的重要性，算法需要結(jié)合繁多交通視頻圖像的特點(diǎn)，利用幀差法獲取目標(biāo)初始輪廓.利用前后兩幀的圖像差得到差圖像，將每個(gè)像素點(diǎn)的值與閾值比較得到二值圖像。

1.2 GVF—Snake模型的改進(jìn)型

獲取初始輪廓，我們應(yīng)用GVF—Snake模型使其收斂得到車輛目標(biāo)的收斂輪廓。為準(zhǔn)確快速地進(jìn)行收斂，在傳統(tǒng)的GVF—Snake模型的基礎(chǔ)上結(jié)合交通監(jiān)控圖像的特點(diǎn)。

d是各控制點(diǎn)間的平均距離。外部能量（圖像能量）函數(shù)的形式有多種，為克服基本Snake模型捕獲范圍小的問題，我們采用GVF能量。

1.3 GVF-Snake模型

活動(dòng)輪廓模型就是一條可變形的參數(shù)曲線及其相應(yīng)的能量函數(shù)，以最小化能量函數(shù)為目標(biāo)，控制參數(shù)曲線變形，具有最小能量的曲線就是目標(biāo)輪廓.在基本的Snake離散模型[121中，設(shè)活動(dòng)輪廓曲線控制點(diǎn)為vi一（zi，Y。），1≤i≤N，N為控制點(diǎn)數(shù)2.2.3 貪心算法與自適應(yīng)的增刪點(diǎn)算法為提高收斂速度，本文算法采用willams等人提出的貪心算法。

1.4 目標(biāo)跟蹤模型

目標(biāo)跟蹤等價(jià)于在連續(xù)的視頻流中對(duì)目標(biāo)的區(qū)域、特征、模型、輪廓進(jìn)行對(duì)應(yīng)匹配的問題。常用的數(shù)學(xué)工具有卡爾曼（KalmanFiltering）、粒子濾波口1（Particle Filtering）、短程線法（GeodesicMethod）、預(yù)測算法[17]（Forecast Algorithm）等.本文采用預(yù)測算法對(duì)目標(biāo)進(jìn)行跟蹤（預(yù)測目標(biāo)在下一幀的初始輪廓），并結(jié)合交通視頻的特點(diǎn)，對(duì)其做必要改進(jìn)。由于初始輪廓與真實(shí)輪廓相差不遠(yuǎn)，GVF—Snake模型只需要保證在較近的范圍內(nèi)有良好的搜索能力，就能達(dá)到既快速又可靠跟蹤的目的。

2 關(guān)鍵技術(shù)及解決方案

基于變換的視頻處理過程如圖2，日前，變換的視頻處理技術(shù)主要是：一維子帶編碼和分級(jí)運(yùn)動(dòng)補(bǔ)償，二維子帶編碼利用分析的多分辨率特性，準(zhǔn)確估計(jì)運(yùn)動(dòng)、清除運(yùn)動(dòng)模糊信息；分級(jí)運(yùn)動(dòng)補(bǔ)償針對(duì)兩幀圖像之間的差值信號(hào)進(jìn)行變換，并在域內(nèi)進(jìn)行消噪、編碼等，由圖像之間的變化很小，使差值信號(hào)系數(shù)很少，這樣提高了變換的速度。但是，視頻處理速度在很大程度上取決于逆變換所需時(shí)間，視頻處理的關(guān)鍵問題在于處理速度。

2.1采用多變換

多變換足單的推廣，普通的單能同時(shí)具有對(duì)稱、正交、有限支持等性質(zhì)；而多放松了對(duì)單函數(shù)的限制，擁有這些特性，它對(duì)圖像壓縮有廣闊的應(yīng)用前景。

3 視頻車輛檢測系統(tǒng)的分析與設(shè)計(jì)

前面章節(jié)介紹了視頻圖像車輛檢測的算法及基本原理，對(duì)圖像處理過程中的圖像預(yù)處理，邊緣提取，車輛檢測及分割的基本原理、算法做了介紹，對(duì)各種算法做了分析比較，提出了新的算法。

4 結(jié)語

下一步將考慮引入模糊理論，使每個(gè)閾值根據(jù)已知的參量自適應(yīng)變化，進(jìn)一步提高算法的可靠性。本文提出一種基于改進(jìn)的視頻模型的車輛跟蹤算法。經(jīng)實(shí)驗(yàn)驗(yàn)證該算法是有效的，能夠較好地提取車輛目標(biāo)的邊緣，完成對(duì)車輛的跟蹤。算法中引入一些閾值，盡管分別在黑夜、白晝2種模式下取值，一定程度上提高算法的可靠性，但仍然不具有自適應(yīng)能力。

參考文獻(xiàn)：

[1]張玲，陳麗敏，何偉 等.基于視頻的改進(jìn)幀差法在車流量檢測中的應(yīng)用.重慶大學(xué)學(xué)報(bào)（自然科學(xué)版），2004，27（5）：31—33.

[2]柳林霞，陳杰，竇麗華.不變矩理論及其在目標(biāo)識(shí)別中的應(yīng)用.火力與指揮控制，2003，28（2）：13—15.

[3]嚴(yán)柏軍，鄭鏈，王克勇.基于不變矩特征匹配的快速目標(biāo)檢測算法.紅外技術(shù)，2001，23（6）：8-12.