本发明涉及交通监控
技术领域：
，具体涉及一种车辆检测和跟踪方法。
背景技术：
：进入21世纪以来，世界经济的发展使得道路交通的发展速度越来越快。道路交通的发展使这个世界变得越来越小，提高了社会的文明程度。但与此同时，它的发展也带来了很多问题。为了保障人们的生命财产安全以及提高人们的生活质量，有关科研人员如今正尝试着将各种高新技术应用到交通系统中，由此兴起了一个新的研究方向——智能交通系统(ITS)。车辆运动目标的跟踪是在一定的视频图像序列中寻找感兴趣的车辆目标位置，它是车辆目标检测的后续工作，也是基于视频的ITS系统的基础核心部分之一，将车辆跟踪算法应用于其它视频监控领域，也有很积极的意义。运动车辆跟踪建立在准确的车辆检测的基础之上。目前基于视频的运动车辆的检测方法主要有：帧差法、光流法、高斯背景建模等方法。帧差法虽然抗干扰性强，但由其获得的前景目标的边缘信息易出现缺失，而且前景目标经常出现空洞。光流法不需要事先知道运动场景情况便可进行检测，但该算法极其耗时，而且容易受到噪声干扰。而混合高斯建模在检测实时性性上虽然不及帧差法，但检测出的前景目标在效果上明显优于帧差法。传统的混合高斯建模算法可以较为准确的提取出前景运动目标，并且能够适应缓慢的环境变化，有比较好的场景适应能力。然而传统的混合高斯建模仅仅设定一个固定的背景模型学习率，这样当环境比如光照发生突变时，传统算法很难较快的适应并恢复到稳定的状态。运动车辆跟踪等价于在连续的图像帧间创建基于位置、速度、形状、纹理、色彩等有关特征的对应匹配问题，运动目标的跟踪大致可以分为基于特征的方法、基于区域的方法、基于轮廓的方法、基于模型的方法四种。基于特征的跟踪首先要获取物体的特征信息，比如颜色、角点等信息。然后在接下来的视频序列中，利用已经提取好的特征信息与被跟踪图像序列进行匹配，最终完成目标的跟踪。该跟踪算法由于选取的特征信号运动方式简单，而且运动具有平滑的特性，因而该算法具有简洁性；由于特征信号具有独立性，因此可以不用考虑物体的刚性特点等信息，便可以获得较好的跟踪效果。然而该算法也具有一定的局限性，首先是由于运动目标经常会遇到遮挡等不利情况，故而特征提取和特征匹配两项工作有时会遇到问题，对算法的准确性等要求比较高。其次在实际运用中，目标的运动有时会呈现多样性，比如车辆的加速、减速或者急刹车，这会干扰跟踪的成功率，此外，基于特征的跟踪算法容易受到干扰噪声的影响。技术实现要素：本发明的目的是在于克服现有技术的不足，提供一种基于改进的混合高斯建模法进行车辆检测，然后采用颜色跟踪和形心距离两种指标相结合的方法进行目标跟踪的跟踪方法。本发明的目的是通过以下步骤来实现的：一种车辆检测和跟踪方法，包括以下步骤：S1：通过安装在路边的摄像头对车辆进行拍摄；S2：对采集输入的视频中的每一帧图像，利用改进的混合高斯建模，在图像中进行车辆检测和定位，具体是：S2-1：对读入的图像进行灰度化，并运用滤波技术消去噪声点；S2-2：在视频的前20帧对混合高斯的背景模型进行训练，视频第20帧之后，对背景模型进行更新，利用此模型进行前景目标的提取，检测出的前景图像是一个二值化图像，像素值只有0和255两种；S2-3：设计一个环境变化因子λ，其值为二值化前景图像中像素值为255的像素点个数Tf占总像素点个数Tb+f的比例值，其计算公式为λ=Tf/Tb+f，同时设计了两个阈值T1和T2（T1>T2），这两个阈值分别代表目标像素点占总像素点比例较大和较小的情况，在进行实际检测前，应该对没有发生突变的环境进行分析，然后确定这两个阈值；计算并设定具体的混合高斯模型学习率，如下：α=α1，λ>T1；α2，T1≥λ>≥T2；α3，λ<T2其中，α1、α2、α3分别是三个学习率，且α1>α2>α3；S2-4：对提取出的二值化图像进行除掉噪声处理，并对空洞进行填充；用凸壳填充法对前景目标进行完全填补，如果学习率被设置成一个较大值时不进行凸壳填充；S2-5：去除掉面积较大和较小的团块区域，求取检测目标的最小外接矩形，并将检测出的目标加入所设计的检测容器；S3：提取运动车辆的多个特征信息，用于视频车辆跟踪，具体是：对车辆所在矩形搜索框进行目标颜色和形心距离的提取；S4：匹配不同视频帧，判断是否属于同一车辆，具体是：S4-1：在视频的前20帧对改进的混合高斯模型进行训练，第20帧后运用混合高斯模型进行目标检测，当第一次检测到车辆目标时，将其加入所设计的跟踪链表，然后为其分配卡尔曼滤波器和ID号；S4-2：利用改进的混合高斯模型进行目标检测，将检测出的结果加入检测链表，并计算每个被检测出目标的形心坐标。S4-3：查询被跟踪链表，对存在于链表中的每一个车辆目标进行Kalman预测，获得目标在当前帧中的预测坐标，然后在预估位置处运行CamShift算法，进而求得被跟踪目标在当前帧中的实际形心坐标，最后再用此坐标对Kalman滤波器进行校正。S4-4：设计一个多目标跟踪列表，表中第一行实际上是一个跟踪容器，代表被跟踪的目标，第一列为当前帧中被检测出的目标，TD11、TD21.......TDij为已被跟踪目标用CamShift算法预测出的形心和被检测出的目标形心之间的距离，设定阈值为45，当移动距离小于此阈值时，可以认定此距离对应的被检测目标和被跟踪目标为同一目标；在进行完S4-3步骤之后，求取从第S4-2、S4-3两步获得的各个形心坐标之间的距离，并将结果加入跟踪列表；多目标跟踪列表如下：T1T2……TiD1TD11TD21……TDi1D2TD12TD22……TDi2…………………………DjTD1jTD2j……TDijS4-5：求取跟踪列表中的最小值，如果此最小值小于所设定的阈值45，则可认为该最小值所对应的行和列元素为同一个目标，即代表在当前的视频帧中对此目标跟踪成功；为防止该最小值被重新求取，将该值加上45，然后继续求取最小值，直到所有值大于45为止。此时可认为对在前后两帧都出现的目标跟踪完毕；S4-6：对于第一列被检测元素，如果在第一行中找不到与其距离小于45的被跟踪目标，则可认为此元素为新目标，此时需要对这个目标分配新的卡尔曼滤波器和ID号；S4-7：对于第一行被跟踪的元素，如果连续N帧在第一列中都找不到与其距离小于45的元素，则可认为此目标已经消失；S4-8：返回步骤S4-2：，继续对新到来的视频帧进行处理。本发明的有益效果是：1）针对传统混合高斯模型的缺点，设计了一种根据环境变化因子值进行混合高斯模型学习率自动切换的策略，本发明所设计的自适应混合高斯算法可以较为有效的克服光照突变的影响，从而为车辆的跟踪做好准备工作。2）本发明将采用质心移动距离和目标的颜色特征两种指标相结合的方式进行目标的跟踪，有利于提高跟踪的准确率和抗干扰性。3）针对CamShift在目标运动状态改变时易发生跟丢目标的缺陷，引入卡尔曼滤波技术来解决这个问题，同时利用改进的混合高斯模型以及所设计的跟踪矩阵列表实现了基于CamShift算法的全自动多目标跟踪，明解决了车辆跟踪中目标容易丢失的问题，车辆跟踪成功率高且应用范围较广。具体实施方式以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。实施例1本发明车辆检测和跟踪方法的基础上进行车辆的计数选取一个视频资料，为进入监控区域的每一辆车分配一个ID号，正式检测跟踪的第21帧(前20帧用于混合高斯模型的训练)时，ID号为1的车辆代表进入监控区域的第一辆车，如果最后一辆车离开监控区域时ID号79，视频的长度为2分钟，因此这段时间的车流量可估算为40辆/分。实施例2本发明车辆检测和跟踪方法的基础上进行车速的计算选取一个视频资料，其时长为123秒，总帧数2227帧，帧率18帧/秒。针对这段视频，采用本发明的检测跟踪算法，首先在视频图像中设定四个固定的点，然后将这些点连接成一个封闭的区域。当车辆的形心到达图的封闭框时开始计时，离开检测区域时获得通过这个区域所需要的时间，然后用距离除以时间即可获得车速信息，最后根据交通部门所定的标准对车辆是否超速进行判定。假设车辆通过检测区域的时间为0.37秒，检测区域的实际长度设为7.4米，则车通过该区域的速度为V=7.4/0.37=20m/s。实施例3本发明车辆检测和跟踪方法的基础上进行车辆运动方向判定选取一个视频资料，将视频中模拟图像数字化得到的数字图像，这些数字图像由一些离散的像素点排列构成。定义图像的左上顶点为坐标起始处，坐标值为(0，0)，顶点的右方向代表X轴，下方向代表Y轴，像素坐标点由原点开始，从左往右、自上而下进行排列。通过分析目标车辆的形心坐标来判别车辆的运动方向以及车辆是否发生了逆向行驶。设T1时刻车辆的形心坐标为（x1，y1），T2时刻车辆的形心坐标为（x2，y2），则关于车辆的行驶方向以及是否逆行定义如下：在X轴方向上，若x2-x1<0，则从T1时刻到T2时刻，认为车身在水平方向上在总体上是向右移动的，若x2-x1>0，则车身总体上向左发生了移动。在Y轴方向上，若y2-y1<0，则从T1时刻到T2时刻，认为车身在竖直方向上在总体上是向上移动的，如果定义车身形心坐标在Y轴上向上移动为车辆逆行，则在这段时间内，该车辆是逆向行驶的。反之，若y2-y1>0，则可认为车辆在这段时间中是正向行驶的。当前第1页1 2 3