基于多層檢測(cè)模型和群體行為模型的車輛跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視覺，圖像、視頻處理技術(shù)領(lǐng)域，具體涉及一種交通監(jiān)控視頻中 基于多層檢測(cè)模型和群體行為模型的車輛跟蹤方法。
【背景技術(shù)】
[0002] 基于視頻的車輛檢測(cè)與跟蹤技術(shù)是實(shí)現(xiàn)智能交通系統(tǒng)最基礎(chǔ)的技術(shù)之一，準(zhǔn)確高 效的車輛檢測(cè)與跟蹤算法可以幫助交通部門得到實(shí)時(shí)的交通流量以及統(tǒng)計(jì)交通狀態(tài)。交 通路口的檢測(cè)與跟蹤與一般的檢測(cè)跟蹤相比，有以下特點(diǎn)：第一，車輛的運(yùn)動(dòng)很復(fù)雜（有直 行、轉(zhuǎn)彎、加速、急停等）；第二，交通路口的監(jiān)控視頻中，車輛之間的相互遮擋顯得格外嚴(yán) 重；第三，路口不僅僅有機(jī)動(dòng)車輛，還有摩托車自行車等其他物體，檢測(cè)環(huán)境極為復(fù)雜。因 此，雖然目前對(duì)于車輛檢測(cè)與跟蹤的研究很多，但卻沒有能完全應(yīng)用于交通路口的方法。這 些研究的流程大體如下：首先，利用事先設(shè)計(jì)好的特征或訓(xùn)練好的模板對(duì)每一幀中的車輛 進(jìn)行檢測(cè)；其次，根據(jù)位置以及運(yùn)動(dòng)關(guān)系，將各個(gè)幀中檢測(cè)到的車輛進(jìn)行匹配；最后，更新 軌跡并展示。
[0003] 基于模型匹配的車輛檢測(cè)算法有L.Leon等人在文獻(xiàn)"L.Sobraland R.Hirata.VehicleDetectionusingMixtureofDeformablePartsModels:Static andDynamicCamera,InProceedingsofConferenceonGraphics,Patternsand Images,pp. 237-244, 2012. "中提出的基于混合部分模型的車輛檢測(cè)。該方法使用混合部 分模型來應(yīng)對(duì)道路上車輛之間的遮擋，并在靜態(tài)攝像頭（監(jiān)控?cái)z像頭）和動(dòng)態(tài)攝像頭（車 載）上進(jìn)行試驗(yàn)。但是該方法在復(fù)雜背景中檢測(cè)能力較差。
[0004] 基于數(shù)據(jù)關(guān)聯(lián)的多目標(biāo)跟蹤算法有C.Huang等人在文獻(xiàn)"C.Huang,B.Wu,and R.Nevatia,Robustobjecttrackingbyhierarchicalassociationofdetection responses,EuropeanConferenceonComputerVision,pp. 788-801，2008.'，提出的三層 跟蹤框架。該框架將每一幀中檢測(cè)到的目標(biāo)進(jìn)行有策略的串聯(lián)，最終得到整個(gè)的跟蹤路徑。 但是該方法在應(yīng)對(duì)目標(biāo)漂移時(shí)不魯棒。

【發(fā)明內(nèi)容】

[0005] 要解決的技術(shù)問題
[0006] 為了避免現(xiàn)有技術(shù)的不足之處，本發(fā)明提出一種基于多層檢測(cè)模型和群體行為模 型的車輛跟蹤方法。針對(duì)交通路口目標(biāo)多、車輛運(yùn)動(dòng)復(fù)雜、易混淆等特點(diǎn)進(jìn)行設(shè)計(jì)，主要解 決了車輛間的遮擋，跟蹤中目標(biāo)易漂移等問題。
[0007] 技術(shù)方案
[0008] 本發(fā)明的技術(shù)方案主要步驟為：在檢測(cè)階段，首先應(yīng)用低閾值的DPM對(duì)被檢圖像 進(jìn)行過濾，得到目標(biāo)候選者；其次，使用基于形狀先驗(yàn)的圖像分割來對(duì)候選者進(jìn)行篩選，得 到最終的檢測(cè)結(jié)果。在跟蹤階段，首先根據(jù)檢測(cè)結(jié)果，基于目標(biāo)之間的距離進(jìn)行群體行為的 建模；之后使用卡爾曼濾波進(jìn)行跟蹤，跟蹤的同時(shí)加入群體行為的約束，以避免目標(biāo)之間發(fā) 生漂移。預(yù)期的技術(shù)效果：能在交通路口復(fù)雜的環(huán)境下準(zhǔn)確檢測(cè)出車輛，不受自行車摩托車 等影響，且在路口車輛很多時(shí)能檢測(cè)到80%以上的車輛。在跟蹤中，不僅僅跟蹤每輛車，而 且在兩車交匯時(shí)不使目標(biāo)發(fā)生漂移。
[0009] 一種基于多層檢測(cè)模型和群體行為模型的車輛跟蹤方法，其特征在于步驟如下：
[0010] 步驟1 :使用DPM檢測(cè)器對(duì)輸入視頻進(jìn)行檢測(cè)，得到車輛圖像塊和誤檢圖像塊；所 述的DPM檢測(cè)器的閾值設(shè)為-0. 78;
[0011] 步驟2 :依次對(duì)車輛圖像塊和誤檢圖像塊的圖割法能量函數(shù)進(jìn)行最小化計(jì)算，保 留能量函數(shù)在〇. 1~〇. 5之間的車輛圖像塊；所述的圖割法能量函數(shù)為：
[0012]
[0013] 其中，P表示輸入的車輛或者誤檢圖像塊的所有像素點(diǎn)，Np表示p點(diǎn)周圍的像素 點(diǎn)，Dp (lp)是對(duì)像素p標(biāo)記的懲罰，lp為像素p的標(biāo)記，0表示背景，1表示車輛，Dp (lp)計(jì)算 式如下：
[0014]Dp(lp= 1)=-logPr(Ip|obj)
[0015]Dp(lp= 0)=-logPr(Ip|back)
[0016] 其中，Pr是像素強(qiáng)度的概率分布，Ip表示像素強(qiáng)度；
[0017] g是對(duì)相鄰像素對(duì)i、j標(biāo)記的懲罰，計(jì)算式如下：
[0018]
[0019] 其中，α是相機(jī)噪聲，dis(i，j)為相鄰像素對(duì)i、j之間的歐氏距離；
[0020] E1;八込，1)是形狀約束，計(jì)算式如下：
[0021]
[0022] 其中，pos表示像素的位置，Φ是無符號(hào)距離函數(shù)，像素位置在車輛二值圖輪廓 內(nèi)，則為〇 ;否則，為像素到輪廓邊緣的最短距離；
[0023] 步驟3:計(jì)算保留的各個(gè)車輛圖像塊中心點(diǎn)之間的歐式距離，建立和歐式距離相 關(guān)的交通力的集合Tft:
[0024]
[0025]
[0026] 表示t時(shí)刻車輛目標(biāo)k受到周圍車輛的交通力總和，μ、;為求和系數(shù)，
耘輛目標(biāo)k、m之間的力；
[0027] 其中，〇d是兩車要避免的最小距離，cU,是t時(shí)刻k、m車輛目標(biāo)之間的距離；
[0028] 步驟4:將Tft輸入到卡爾曼濾波預(yù)測(cè)階段，進(jìn)行跟蹤得到車輛軌跡：
[0029] Θ t= Tf t · Ft · Θ t i+Bt · ut
[0030]Θ t i表示車輛前一位置，Θt表示車輛當(dāng)前位置，F(xiàn) t是過程轉(zhuǎn)移矩陣，B,將控制向 量4轉(zhuǎn)換到狀態(tài)空間。
[0031] 有益效果
[0032] 本發(fā)明提出的一種基于多層檢測(cè)模型和群體行為模型的車輛跟蹤方法，具有以下 有益效果：
[0033] 1、多層檢測(cè)模型。通過多步篩選的方法，在提升檢測(cè)器查全率的同時(shí)，不改變檢測(cè) 的準(zhǔn)確率。查全率和準(zhǔn)確率都達(dá)到了 82%，而其他方法在交通路口環(huán)境下，當(dāng)查全率達(dá)到 82%時(shí)，其準(zhǔn)確率只有30% -60%。
[0034] 2、利用形狀先驗(yàn)。檢測(cè)器更符合交通特點(diǎn)，即使在路口這樣的復(fù)雜環(huán)境中，也能準(zhǔn) 確檢測(cè)出車輛，使誤檢降低了 30%。
[0035] 3、群體行為建模。通過對(duì)交通路口車輛之間的相互影響進(jìn)行建模，使跟蹤中的漂 移現(xiàn)象降低到1 %以下。
【附圖說明】
[0036] 圖1本發(fā)明流程圖
【具體實(shí)施方式】
[0037] 現(xiàn)結(jié)合實(shí)施例、附圖對(duì)本發(fā)明作進(jìn)一步描述：
[0038] 本發(fā)明提出一種多層的檢測(cè)框架來應(yīng)對(duì)復(fù)雜的背景以及交通路口繁雜的目標(biāo)，并 在此基礎(chǔ)上，對(duì)群體行為進(jìn)行建模，以應(yīng)對(duì)跟蹤中的目標(biāo)漂移等問題。其技術(shù)方案包括兩大 模塊：多層檢測(cè)模型和基于群體行為模型的多目標(biāo)跟蹤。
[0039] 多層檢測(cè)模型：
[0040] 第一層，使用一般的檢測(cè)器對(duì)視頻幀進(jìn)行檢測(cè)，在本發(fā)明中使用DPM，檢測(cè)時(shí)降低 閾值，在本發(fā)明中使用閾值為-〇. 78。通過此低閾值檢測(cè)到的結(jié)果中包括車輛以及非車輛目 標(biāo)。
[0041] 第二層，將檢測(cè)時(shí)使用的車輛H0G模型根據(jù)其輪廓轉(zhuǎn)換為二值圖模型，使用相應(yīng) 的二值圖模型對(duì)1中檢測(cè)到的候選者依次進(jìn)行圖像分割，剔除誤檢，留下車輛。
[0042] 基于群體行為模型的多目標(biāo)跟蹤：
[0043] 群體行為建模。根據(jù)車輛之間的位置關(guān)系，進(jìn)行群體行為建模。根據(jù)實(shí)際中車輛 在路口的行為，建模原則為"距離越近，兩車之間的相互作用力越大"，我們把這種作用力稱 之為交通力，此力專門作用于兩個(gè)交通個(gè)體之間。
[0044] 多目標(biāo)跟蹤。利用卡爾曼濾波根據(jù)當(dāng)前檢測(cè)到的目標(biāo)預(yù)測(cè)下一幀目標(biāo)位置，結(jié)合 下一幀檢測(cè)結(jié)果與預(yù)測(cè)結(jié)果，對(duì)各兩幀中的目標(biāo)進(jìn)行匹配，從而得到跟蹤路徑。在預(yù)測(cè)過程 中加入群體行為模型的約束，使預(yù)測(cè)結(jié)果符合實(shí)際情況。
[0045] 總體來說，本發(fā)明將形狀先驗(yàn)與檢測(cè)相結(jié)合，大大提高了檢測(cè)器的查全率，同時(shí)不 會(huì)降低準(zhǔn)確率；