一种智能交通运动目标检测跟踪方法
【技术领域】
[0001] 本发明涉及一种智能交通视频监控系统数据的运动目标检测跟踪算法，属于图像 处理技术领域。
【背景技术】
[0002] 智能交通系统以其全天时，全天候、监控范围大等优点使其具有相当广泛的应用 前景。智能视频监控的基础技术包括运动目标检测、运动目标分类、运动目标跟踪等，目前 对这些技术的研宄都备受瞩目。
[0003] 现有的运动目标检测方法主要有：相邻帧差法、光流分割法、背景减法等等。帧间 差分方法是对相邻帧图像作相减运算之后，对结果图像取阙值并分割，提取运动目标。基于 光流方法的运动目标检测算法应用运动目标随时间变化的流矢量特性在图像序列中检测 运动区城。背景减法相对于其他方法而言简单易于实现，利用当前图像与背景图像的差来 检测运动区域。
[0004] 基于视频图像是静态背景下拍摄而成的，同时考虑到算法实现的时间效率，宜于 采用高效率的帧间差分法实现运动目标候选区域的检测跟踪。但是，由于拍摄条件及天气 和人为因素的影响，导致拍摄的视频图像的背景不同帧图像存在漂移，虽然可能这种漂移 的幅度是很小的，甚至人眼基本注意不到。但是这种影响却对于帧间差分检测运动目标的 结果却产生不可弥补的影响，严重影响算法的检测跟踪性能。
【发明内容】
[0005] 有鉴于此，本发明提供了一种智能交通运动目标检测跟踪方法，该方法消除了视 频帧漂移对检测性能造成的影响，保证在图像存在较小尺度变化的时候检测到较少数量的 关键点，减少了计算量，提高了时间效率。
[0006] 为了达到上述目的，本发明的技术方案包括如下步骤：
[0007] 步骤1，由智能交通视频监控系统所获取的视频数据中抽取当前帧原图像及其相 邻的前一帧原图像，针对当前帧原图像和前一帧原图像分别进行如下St印101~StepKM 的处理获得预处理图像。
[0008] SteplOl，将当前原图像与3X3的高斯平滑模板作卷积处理去除图像噪声，获得 滤波后的图像。
[0009] Stepl02,采用有限差分求导矩阵计算出滤波后的图像中每个像素位置处的水平 梯度分量gx和垂直梯度分量g y，利用&和87求解获得滤波后的图像中每个像素位置处的 梯度的幅值，并沿梯度方向查找梯度幅值局部极大值，剔除掉非极大值点所对应的像素点， 获得梯度图像。
[0010] 梯度的幅值为 M(X，y) = max (I gx I，I gy I)。
[0011] St印103,设定灰度阈值，将梯度图像进行二值化处理，获得二值图像。
[0012] Stepl04,将二值图像进行一次膨胀操作将边缘密集区域填充合并，进行两次腐蚀 操作修正合并区域外围轮廓并剔除孤立的边缘区域，得到预处理图像。
[0013] 步骤2,针对步骤1获得的每幅预处理图像，进行如下St印201~St印202的处理 获得仿射变换模型，然后利用仿射变换模型将当前帧原图像和前帧原图像配准并进行帧间 差分，获得两副配准后的图像。
[0014] Step201、以初始尺度L 6对预处理图像进行高斯模糊以及隔点抽样建立6层的高 斯金字塔，对于高斯金字塔中每一层中得到的图像，进行角点检测获取候选关键点。
[0015] Step202、针对全部候选关键点进行关键点方向分配和局部描述子的计算，从而获 得仿射变换模型。
[0016] 步骤3,将配准后的图像中的连通区域进行区域合并以及小面积剔除，获得符合检 测目标条件的疑似目标区域。
[0017] 步骤4,检测两幅配准后的图像中的疑似目标区域，若分属于两幅配准后的图像中 的两个疑似目标区域满足属于同一目标的判别条件，则判定该两个疑似目标区域为同一目 标，否则两个疑似目标区域不为同一目标。
[0018] 步骤5,依据步骤4中的判定，采用基于置信度检测的运动目标跟踪方法进行运动 目标的跟踪，并根据跟踪到的运动目标的特征，提取具有高表征性的形状结构特征和局部 描述特征，依据从样本数据学习获得的分类超平面对跟踪到的运动目标利用支持向量机分 成行人、汽车和其他运行目标的三类。
[0019] 进一步地，SteplOl中，所采用的3X3的高斯平滑模板的二维高斯函数的表达具
【主权项】
1. 一种智能交通运动目标检测跟踪方法，其特征在于，该方法步骤包括： 步骤1，由智能交通视频监控系统所获取的视频数据中抽取当前帧原图像及其相邻的 前一帧原图像，针对当前帧原图像和前一帧原图像分别进行如下SteplOl~StepKM的处 理获得预处理图像； SteplOl，将当前原图像与3X3的高斯平滑模板作卷积处理去除图像噪声，获得滤波 后的图像； Stepl02,采用有限差分求导矩阵计算出所述滤波后的图像中每个像素位置处的水平 梯度分量gx和垂直梯度分量gy，利用&和87求解获得所述滤波后的图像中每个像素位置 处的梯度的幅值，并沿梯度方向查找梯度幅值局部极大值，剔除掉非极大值点所对应的像 素点，获得梯度图像； 所述梯度的幅值为M (X，y) = max (I gx I，I gy I); Stepl03,设定灰度阈值，将所述梯度图像进行二值化处理，获得二值图像； Stepl04,将所述二值图像进行一次膨胀操作将边缘密集区域填充合并，进行两次腐蚀 操作修正合并区域外围轮廓并剔除孤立的边缘区域，得到预处理图像； 步骤2,针对步骤1获得的每幅预处理图像，进行如下Step201~Step202的处理获得 仿射变换模型，然后利用所述仿射变换模型将当前帧原图像和前帧原图像配准并进行帧间 差分，获得两副配准后的图像； Step201、以初始尺度1. 6对预处理图像进行高斯模糊以及隔点抽样建立6层的高斯金 字塔，对于高斯金字塔中每一层中得到的图像，进行角点检测获取候选关键点； Step202、针对所述全部候选关键点进行关键点方向分配和局部描述子的计算，从而获 得仿射变换模型； 步骤3,将配准后的图像中的连通区域进行区域合并以及小面积剔除，获得符合检测目 标条件的疑似目标区域； 步骤4,检测两幅配准后的图像中的疑似目标区域，若分属于两幅配准后的图像中的两 个疑似目标区域满足属于同一目标的判别条件，则判定该两个疑似目标区域为同一目标， 否则所述两个疑似目标区域不为同一目标； 步骤5,依据所述步骤4中的判定，采用基于置信度检测的运动目标跟踪方法进行运动 目标的跟踪，并根据跟踪到的运动目标的特征，提取具有高表征性的形状结构特征和局部 描述特征，依据从样本数据学习获得的分类超平面对跟踪到的运动目标利用支持向量机分 成行人、汽车和其他运行目标的三类。
2. 如权利要求1所述的一种智能交通运动目标检测跟踪方法，其特征在于， 所述SteplOl中，所采用的3X3的高斯平滑模板的二维高斯函数的表达具体为
;其中x、y分别为原图像中像素的行、列号；σ的值为0.6。
3. 如权利要求1所述的一种智能交通运动目标检测跟踪方法，其特征在于，所述
其中I (*，*)为滤波后的图像，X、y分别为原图像中像素的行、列号；
为水平方向的有限差分求导矩阵
3垂直方向的有限差分求导矩阵； 则梯度的幅值为 M(X，y) = max (I gx I，I gy I)。
4. 如权利要求1所述的一种智能交通运动目标检测跟踪方法，其特征在于，在Stepl03 中进行二值化处理时，设定灰度阈值为75。
5. 如权利要求1、2、3或4所述的一种智能交通运动目标检测跟踪方法，其特征在于，所 述步骤3具体包括如下步骤： Step301、在配准后的图像中，获取全部连通区域的四维方形边界信息，并将所述四维 方形边界信息中的边界值向外围扩张5个像素点，获得全部连通区域的新边界信息； Step302、在全部连通区域中，任取其中的两个，进行如下判断： 若该两个连通区域的新边界信息相互交叉或包含，则将该两个连通区域合并为一个新 连通区域，所述新连通区域的边界取将上述两个连通区域包含在内的最小矩形的边界； 若该两个连通区域的新边界信息没有交叉或包含，则该两个连通区域被确定为两个目 标； Step303、重复Step302直至图像中所有的连通区域中的任意两个都不满足合并的条 件。
6. 如权利要求1、2、3或4所述的一种智能交通运动目标检测跟踪方法，其特征在于，所 述步骤4中属于同一目标的判别条件包括欧式距离、颜色直方图和局部模式直方图三个判 别条件，若分属于两幅配准后的图像中的两个疑似目标区域同时满足上述三个判别条件， 则判定该两个疑似目标区域为同一目标。
7. 如权利要求1、2、3或4所述的一种智能交通运动目标检测跟踪方法，其特征在于，所 述步骤5中，采用基于置信度检测的运动目标跟踪方法进行运动目标的跟踪，具体方法为： Step501、依据步骤4中的判定，若两疑似目标区域为同一目标，则对于当前帧原图像 来说，其中的疑似目标区域判定为已有目标，更新存储的已有目标信息，并针对该已有目标 的置信度加1，若两个疑似目标区域不为同一目标，则对于当前帧原图像来说，其中的疑似 目标区域为新目标，对该新目标进行存储，并设定置信度为初始值1，并标记该新目标被检 测到的顺序； Step502、对存储的已有目标进行排查，对于当前帧没有检测到的已有目标，置信度减 1，并剔除置信度小于〇的已有目标，当已有目标的置信度超过置信阈值，则将其置信度强 制置为置信阈值； Step503、将置信度达到置信阈值的已有目标，按其位置标记输出作为运动目标的跟踪 结果。
8. 如权利要求1、2、3或4所述的一种智能交通运动目标检测跟踪方法，其特征在于，所 述步骤5中的分类超平面的获得方法如下： Step5001、在智能交通视频监控系统所获取的视频数据中选取不同状态、不同类型的 数据样本对分类器进行学习训练，其中所述不同状态、不同类型的数据样本包括行人目标、 汽车目标以及其他运动目标。 St印5002、针对行人目标、汽车目标以及其他运动目标三类目标形状结构的差异性，提 取形状特征； 所述形状特征包括将三类目标进行目标二值分割后获得的连通区域的面积、长宽比以 及饱和度； St印5003、对三类目标提取其局部描述特征，并与其形状特征一起作为支持向量机进 行分类的依据；所述局部描述特征包括梯度方向直方图和局部二值模式。
【专利摘要】本发明公开了一种智能交通运动目标检测跟踪方法，用于对智能交通视频进行运动目标检测和跟踪。本发明考虑到视频帧图像中一般存在道路中间及两侧护栏等边缘特征明显的物体，采用有限差分一阶偏导矩阵计算输入前后视频帧图像的梯度，提取输入图像特征区域精细轮廓；将轮廓连接、区域填充合并等形态学处理从而得到预处理图像。对预处理图像采用改进的SIFT算法提取关键点，对预处理图像只构建一组六层的高斯金字塔。保证在图像存在较小尺度变化的时候的检测到较少数量的关键点，同时减少冗余的构建金字塔的计算需要，提高算法的时间效率。帧差前利用预处理图像得到的仿射变换模型对视频序列前后帧图像进行了配准，消除了视频帧漂移对检测性能造成的影响。
【IPC分类】G06T7-20
【公开号】CN104658011
【申请号】CN201510052365
【发明人】陈禾, 刘文超, 毕福昆, 章菲菲, 马龙, 申金晶
【申请人】北京理工大学
【公开日】2015年5月27日
【申请日】2015年1月31日