基于视频的车辆检测与跟踪算法研究

第31卷第1期2010年1月

MICROCOMPUTERAPPLICATIONS

微　计　算　机　应　用

Vol131No11

Jay12010

基于视频的车辆检测与跟踪算法研究

蔡　力

(四川大学　电子信息学院　图像信息研究所　成都　610064)

摘要:基于视频的车辆检测以及车辆跟踪是智能交通系统中的重要部分。本文在混合高斯背景模型的基础上,通过差分法分割出检测目标,利用检测目标的位置信息和色彩信息,找到与之最匹配的目标轨迹,从而实现车辆的跟踪。实验表明,该方法具有很高的检测与跟踪效率,同时能够满足智能交通系统的适时性要求。关键词:视频检测　混合高斯背景　HSV颜色匹配　车辆跟踪

VehicleDetectionionVideo

i

ofElectronicsandInformationEngineering,Instituteimageinformation,SichuanUniversity,Chengdu,610064,China)

Abstract:Vehicledetectionandtrackingbasedonvideoisanimportantpartofintellecttrafficsystem1Onthepurposeoffindingthebestmatchingtrajectory,thispaperproposedamethodthatutilizesbothpositioninformationandcolorinformationofdetectedobjectthroughbackgroundsubtraction,basedonGaussianmixturemodel1Experimentalresultshowsthatmethodpossesseshigherefficiencyinvehicledetectionandtracking1

Keywords:videodetection,Gaussianmixturemodel,HSV-colormatching,vehicletracking

1　前言

在智能交通系统中,基于视频的车辆检测是一种简单而有效的交通信息统计的方法,也是计算机图像

处理的一个重要研究领域。车辆的检测与车辆目标匹配是车辆跟踪系统的主要部分。

[1]

一般来说,车辆的视频检测主要有基于光流场的方法,基于帧间差分的方法和基于背景差分的方法。基于光流场的方法不需要任何先前场景信息,能够独立的检测出运动目标,但存在不适应光照变化以及计算量较大的缺点;基于帧间差分的方法运算简单,定位准确,但对于速度过快与过慢的目标不能很好的检测到完整轮廓信息;基于背景的差分检测法运算简单,检测效果较好,但对于背景的建模要求有较高的要求。本文采用基于混合高斯模型的方法建立背景模型,利用背景差分法进行目标的检测。

在目标跟踪算法方面,目前已有多种跟踪算法,主要包括模型跟踪法,区域跟踪法,动态轮廓跟踪法和

[2]

区域跟踪法和特征跟踪法,根据精确度和适时性的要求,本文提出了利用目标位置特征和颜色信息特征相结合的匹配算法,来对车辆目标进行跟踪。实验表明,该方法能对车辆进行有效的跟踪,并且在多目标的场景下匹配效率高,具有良好的鲁棒性。

2　混合高斯背景模型

211　混合高斯分布

自适应的混合高斯分布背景模型

本文于2009-07-02收到。

[3]

对图像中的每个像素点,

　40

微　计　算　机　应　用

2010年

用K个高斯分布的加权混合值来描述该点的背景值。对于图像上任意彩色像素点(x,y),在任意时刻t的观测值为Xt。此点的背景概率模型为

K

p(Xt)=

ω∑

i=1

i,t

η(Xt,ui,t,ξ1i,t)

(1)

其中,η(Xt,ui,t,ξi,t)为t时刻此点的第i个高斯分布概率函数,ωi,t表示t时刻第i个高斯分布的权重,

K

ω∑

i=1

i,t

=1。K一般取值为3-7,取值越大,背景估计越精确,但所需的运算量也相应增大,本文基于适时性

σ2r

rgb

的考虑,K值选取为3。ui,t=(ui,t,ui,t,ui,t)为第i个高斯分布的均值向量,ξi,t=

00

0为协方差

00

σ2g0

2矩阵。

212　混合高斯模型分布参数更新

t时刻获取图像上(x,y)坐标上的值为Xt,,(第

一帧图像用Xt作为均值,)。对于第i个分布,如果Xt∈

σi,t,ui,t+215σi,t],,进行参数更新。当没有与Xt相匹配的[ui,t-215

高斯分布时,K,Xt为均值构建一个高斯分布,同样给一个较大的方差ξ;若等于

K,。

:

)ui,t-1+ρui,t=(1-ρXt

22T

ξ)σi,t-1+ρ(Xt-ui,t)(X-ui,t)i,t=(1-ρ

ρ=αη(Xtui,t-1,ξi,t-1)

(2)

各高斯分布权值也进行相应更新:

ωi,t=(1-α)ωi,t-1+α(Mi,t)(3)

其中α,ρ为更新的学习率,匹配时,Mi,t=1,否则为0。对于学习率α的取值,若取值较大,则背景更新较快,但容易受到噪声因素的影响,若取值较小,则背景稳定,但不能很好的反应光照变化的情况下的背景。本文采用差分法提取目标,因此选取较小的学习率来获取稳定的背景模型。

在K个高斯分布中,权重越大,则表明该高斯分布越稳定,也就越能代表真实背景,因此按其权重的大小取前B个高斯分布来生成背景模型。

b

B=argbmin(

ω∑

i=1

i

>T)(4)

背景点的像素值用B个高斯分布的均值按权重进行加权平均来代表ω′i,t表示前B个高斯分布按各自的权值归一化后得到的新权值。

B

Xbackground=

ω′u∑

i,t

i=1

i,t

(5)

3　目标提取

本文中车辆目标的提取是由当前帧图像与当前混合高斯背景差分得到的。对用于区分目标与背景的特征参数,本文选取RGB和HSV模型相结合的方法。

对于当前帧图像的上任意一点(x,y)的RGB信息,若其三个分量的值与背景的RGB分量值相差超过

一定的阈值,则认为此点属于前景目标信息B(x,y)为差分后的二值图像。

ifRb-Rf+Gb-Gf+Bb-Bf≥Trgb

1期

蔡　力:基于视频的车辆检测与跟踪算法研究

B(x,y)=1elseB(x,y)=0

41

(6)

此外,一幅图像中的阴影与背景的RGB差值不明显,所以在RGB差分的时候,阴影常被当作前景目标

被包含进目标信息中,影响目标的提取。本文利用HSV模型对阴影部分进行去除。

[4]

对于阴影点的HSV信息与背景相比较,有三点特征:①与背景点有相近的色调H;②比背景点的亮度值V略为低;③与背景点有相近的饱和度S。

因此,对于二值图像上差分为前景的任意点(x,y),如果满足:

Hb-Hf≤Th,

Sb-Sf≤TsTv≤Vf≤Vb

则B(x,y)=0。(7

)

图1　目标检测效果图

4　目标跟踪

目标跟踪的核心是目标的特征匹配,对在不同时刻相互匹配的目标建立一个目标链,每个目标链包含不同时刻目标的特征信息。对于当前帧图像所检测到的所有新目标,依次与已建立的目标链进行特征匹配,从而进行目标链的建立,更新与删除,从而实现目标的跟踪。

本文采取的匹配方法为质心匹配和HSV颜色匹配相结合的方法。411　质心特征匹配

对于当前帧检测到的N个新目标object[i],i∈(0,N),其信息包含有其质心坐标点(x0,y0),与待匹配的目标链中目标的质心坐标(x′0,y′0)的归一化距离定义为

ddistanse=

[(x0-x′0)

22

+(y0-y′0)]

2

1/2

21/2

(size_x+size_y)

(8)

0<ddistance<1,其中size_x,size_y分别为图像的x轴距和y轴距。

质心匹配度定义为

md1-ddistance/Td

ifif

ddistance≤Tdddistance>Td

(9)

0≤md≤1,md越大,表明目标越匹配,其中Td为距离判定阈值,当质心距离超过这个阈值的时候,判

定为目标必定不匹配。412　HSV量化特征匹配

HSV颜色特征匹配是本文所采用目标匹配算法中的另一部分。根据HSV色彩空间的颜色特征,在V

足够小的时候,颜色区域可以被认为是可以忽略H和S信息的黑色区域;而当S足够小的时候,颜色区域可以被认为是忽略H的灰度区域;只有当S和V超过一定值的时候,颜色区域才包含足够的HSV特征,当作彩色区域。

根据上述特征,我们把HSV色彩空间进行36级的非均匀量化,用量化结果来作为目标的HSV匹配

　42特征

[5]

微　计　算　机　应　用

。

V∈[0,012)时,为黑色区域,l=0

S∈[0,012]且V∈[012,018)时,为灰度区域,l=[(V-012)×10]+1S∈[0,012]且V∈(018,110]时,为白色区域,l=7S∈(012,110]且V∈(012,110]时,为彩色区域:

2010年

当

当当当

012

ififififififif

H∈(330,22]H∈(22,45]H∈(45,70]H∈(70,155]H∈(155,186]H∈(186,278]H∈(278,330]

l=S=V=

0101

ifififif

S∈(012,0165]S∈(0165,1]V∈(012,017]V∈(017,1]

　　　　　H=3

4

56

HSVl,这里我们采用直方图的欧式距离

来进行判决。,统计l的直方图,得到直方图数组N(c)c∈[0,36,进行归一化后,得到归一化的HSV非均匀量化直方图h(c):

36c=0

∑h(c)

=1　0≤h(c)≤1

(c)的欧式距离为两待匹配目标直方图h(c)和h′

36

dhsv=

c=0

∑[h(c)

(c)]-h′

2

2

(10)

0≤dhsv≤1

定义HSV直方图匹配度为

mhsv1-dhsv/Thsv

ifif

dhsv≤Thsvdhsv>Thsv

(11)

0≤mhsv≤1,mhsv越大,表明目标越匹配,其中Thsv为HSV直方图匹配判定阈值,当颜色距离大于这个

阈值的时候,判定为目标必定不匹配。413　目标匹配抉择

目标的匹配抉择是结合质心匹配度与HSV颜色匹配度来共同进行判断的。因为md与mhsv,越接近1表明目标之间匹配程度越高,所以定义两目标之间的匹配度为

(12)M=(1-α)md+a×mhsv0<α<1

α为HSV颜色距离匹配度的权重。根据实验设定一个阈值TD,当M≥TD时,则认为所选取目标为同一匹配目标,反之为不同目标。414　测试结果

本文利用P4310G,512M内存的电脑对一段2分钟的视频进行跟踪测试。为了能得到准确的匹配跟踪阈值,现取数次质心距离以及HSV颜色直方图的归一化距离结果进行统计。

对不同帧之间相同与不相同的目标分别进行的多次匹配,得到归一化距离概率分布如图2和图3所示。从统计分布可以看到,对于相同的目标,其质心距离均小于011,HSV颜色距离均小于012,不同目标则质心距离少数小于011,HSV距离少数小于012,其余都有一定分布。因此,取Td为011,Thsv为012,大于此

1期

蔡　力:基于视频的车辆检测与跟踪算法研究

43

质心距离或颜色距离阈值的匹配结果视为不匹配,小于此阈值的距离则视为有可能匹配区域,即目标只能

出现在有可能匹配区域

。

图2　

相同目标之间距离分布

图3　布如图6所示

。

图4　

相同目标质心距离分布

图5　

相同目标颜色距离分布

图6　

不同目标颜色距离分布

图7　目标跟踪效果

由统计结果可以看到,对于相同的目标之间的归一化距离,包括质心距离和HSV颜色距离,在各自的有

可能匹配的区域,都是距离越大,匹配结果的分布越少,基本呈递减趋势。对于不同目标之间落在匹配区域的颜色距离,也基本集中在大距离的区域。因此结合目标的质心距离与颜色距离,选定一定的权值与阈值,就可以将落入有可能匹配区域的不匹配目标排除。415　目标跟踪过程目标的跟踪主要有目标链的建立,更新以及删除三个步骤。41511　建立新目标链

对于新检测到的目标,与已建立的目标链进行特征匹配(若没有目标链直接建立新目标链),若都不相

　44

微　计　算　机　应　用

2010年

匹配,则对新目标建立新目标链。

41512　更新目标链

对于新检测到的目标,如果与已有目标链的匹配度大于匹配阈值,则表明相匹配;如果出现与大于一个目标链都匹配,则选择与新目标特征匹配度更大的目标链进行匹配,这样就避免了两个目标距离和颜色都接近时出现的错误匹配。41513　删除目标链

每次对新目标进行匹配时,检测现有的目标链,如果某一目标链连续N次检测都没有找到匹配目标,则认定此目标链的目标已离开检测区域,删除目标链。416　测试结果

利用本文的算法,选择城市道路与高速公路等不同环境下的车辆进行跟踪测试,并与当前比较成熟的meanshift跟踪算法的检测率与平均每帧处理时间进行比较,结果如下表

表1　车流量

高速一高速二3683

100%100%9217%

ms/帧464648

4957

检测率

9511%

可以看出,,采用本文算法与meanshift算法均能有效跟踪所有经过的车辆,

而在有大量车流的城市交通环境中,采用本文算法的检测率在正常检测范围内略低,但是无论在哪种环境下,采用本文算法所用的平均每帧处理时间,都要低于meanshift算法,因此在实际应用方面具有较好的适时性。

5　结束语

本文采用高斯混合模型作为背景图像,利用差分法得到检测目标,在此基础上提出了结合质心信息和HSV颜色信息的匹配抉择判断条件,实验证明此算法对车辆的跟踪有很高的精确性,并且满足车辆检测跟踪的适时性要求。

参考

文献

[1]PankajKumar,SurendraRanganath,HuangWeimin,etal1Frameworkforreal-timebehaviorinterpretationfromtrafficvideo[J]

1IEEETransactionsonIntelligentTransportationSystems,2005,6(1):43-53

[2]D1Koller,K1Daniilidis1Model-basedObjectTrackinginMonocularImageSequencesofRoadTrafficScenes[J]1Internation2

alJournalofComputerVision,1019931181-257

[3]StaufferC,GrimsomW1Adaptivebackgroundmixturemodelsforreal-timetracking[C]1InProc1IEEEConferenceonCom2

puterVisionandPatternRecognition1FortCollins,Colorado,1999,vol12,246-252

[4]CucchiaraR,GranaC,PiccardiM1ImprovingshadowsuppressioninmovingobjectdetectionwithHSVcolorinformation[A]1

In:ProceedingsofIEEEIntelligentTransportationSystemsConference[C],Oakland,CA,USA,2001,334-339

[5]ZhangLei,LinFuzong,ZhangBo1ACBIRmethodbasedoncolor-spatialfeature1ProceedingoftheIEEERegion10confer2

ence(TENCON90),1999,166-169

作者简介

蔡力,男,(1985-)(汉族),硕士研究生,主要研究领域为数字图像处理。

本文来源：https://www.bwwdw.com/article/kshi.html