專利名稱：車輛跟蹤方法及裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)圖像處理領(lǐng)域，尤其涉及一種車輛跟蹤方法及裝置。
背景技術(shù)：
隨著社會經(jīng)濟(jì)的發(fā)展，車輛的增多，智能交通的發(fā)展也越來越快，智能交通系統(tǒng)(Intelligent Transportation Sys-tem,簡稱為ITS)成為近年來的研究熱點(diǎn)。車輛跟蹤是基于視頻技術(shù)的智能交通檢測系統(tǒng)中最關(guān)鍵的技術(shù)之一，也是一個(gè)重要應(yīng)用。視頻的車輛跟蹤是對視頻序列中車輛的時(shí)空變化進(jìn)行監(jiān)控，包括位置和運(yùn)動軌跡等，為計(jì)算交通參數(shù)提供依據(jù)。但是，在實(shí)際應(yīng)用中，多車輛之間的“咬合”問題容易導(dǎo)致車輛跟蹤的失敗。然而，針對多車輛之間的“咬合”問題，相關(guān)技術(shù)并沒有提出有效的解決方案。

發(fā)明內(nèi)容
本發(fā)明提出了一種車輛跟蹤方法及裝置。為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實(shí)現(xiàn)的根據(jù)本發(fā)明的一個(gè)方面，提供了一種車輛跟蹤方法，包括根據(jù)背景差法對交通視頻圖像序列進(jìn)行運(yùn)動檢測，提取出包括有車輛位置的運(yùn)動區(qū)域；采用支持向量機(jī)(SupportVector Machine,簡稱為SVM)算法對運(yùn)動區(qū)域進(jìn)行檢測，得到運(yùn)動區(qū)域中的每個(gè)車輛的當(dāng)前位置；獲取每個(gè)車輛的前一時(shí)刻位置，并將前一時(shí)刻位置與當(dāng)前位置之間的連線確定為每個(gè)車輛的運(yùn)動軌跡。優(yōu)選地，根據(jù)背景差法對交通視頻圖像序列進(jìn)行運(yùn)動檢測，提取出包括有車輛位置的運(yùn)動區(qū)域，包括將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B(x, y);判斷交通視頻圖像序列In(x，y)中的當(dāng)前幀P(x，y)減去背景圖像B(x，y)得到的結(jié)果圖像的像素?cái)?shù)是否大于閾值，在判斷結(jié)果為是的情況下，確定結(jié)果圖像中有處于運(yùn)動狀態(tài)的車輛，并將結(jié)果圖像作為運(yùn)動區(qū)域Qs(x，y)。優(yōu)選地，采用支持向量機(jī)(SVM)算法對運(yùn)動區(qū)域進(jìn)行檢測，得到運(yùn)動區(qū)域中的每個(gè)車輛的當(dāng)前位置，包括計(jì)算運(yùn)動區(qū)域Qs(x，y)中所有標(biāo)準(zhǔn)窗口的梯度方向直方圖(HOG);通過采用離線訓(xùn)練好的SVM分類器對每個(gè)HOG的特征類別進(jìn)行判斷的方式，確定每個(gè)車輛的當(dāng)前位置。優(yōu)選地，在確定每個(gè)車輛的當(dāng)前位置之后，還包括確定包括當(dāng)前位置的車輛窗□。優(yōu)選地，獲取每個(gè)車輛的前一時(shí)刻位置，并將前一時(shí)刻位置與當(dāng)前位置之間的連線確定為每個(gè)車輛的運(yùn)動軌跡，包括計(jì)算每個(gè)車輛窗口的顏色直方圖；將每個(gè)顏色直方圖與預(yù)先設(shè)定的模板庫中的預(yù)設(shè)顏色直方圖進(jìn)行對比，得到對比結(jié)果；根據(jù)對比結(jié)果標(biāo)識每個(gè)車輛窗口中的車輛，并提取標(biāo)識的車輛的前一時(shí)刻位置；將前一時(shí)刻位置和當(dāng)前位置的連線作為運(yùn)動軌跡。
根據(jù)本發(fā)明的另一個(gè)方面，提供了一種車輛跟蹤裝置，包括:提取模塊，用于根據(jù)背景差法對交通視頻圖像序列進(jìn)行運(yùn)動檢測，提取出包括有車輛位置的運(yùn)動區(qū)域；檢測模塊，用于采用支持向量機(jī)(SVM)算法對運(yùn)動區(qū)域進(jìn)行檢測，得到運(yùn)動區(qū)域中的每個(gè)車輛的當(dāng)前位置；獲取模塊，用于獲取每個(gè)車輛的前一時(shí)刻位置，并將前一時(shí)刻位置與當(dāng)前位置之間的連線確定為每個(gè)車輛的運(yùn)動軌跡。優(yōu)選地，提取模塊包括:第一設(shè)定單元，用于將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B(x，y);判定單元，用于判斷交通視頻圖像序列In(x，y)中的當(dāng)前幀P(x，y)減去背景圖像B(x，y)得到的結(jié)果圖像的像素?cái)?shù)是否大于閾值，在判斷結(jié)果為是的情況下，確定結(jié)果圖像中有處于運(yùn)動狀態(tài)的車輛，并將結(jié)果圖像作為運(yùn)動區(qū)域Ω s(x, y)。優(yōu)選地，檢測模塊包括:第一計(jì)算單元，用于計(jì)算運(yùn)動區(qū)域Ω3(Χ，y)中所有標(biāo)準(zhǔn)窗口的梯度方向直方圖(HOG);第一確定單元，用于通過采用離線訓(xùn)練好的SVM分類器對每個(gè)HOG的特征類別進(jìn)行判斷的方式，確定每個(gè)車輛的當(dāng)前位置。優(yōu)選地，檢測模塊還包括:第二確定單元，用于確定包括當(dāng)前位置的車輛窗口。優(yōu)選地，獲取模塊包括:第二計(jì)算單元，用于計(jì)算每個(gè)車輛窗口的顏色直方圖；對比單元，用于將每個(gè)顏色直方圖與預(yù)先設(shè)定的模板庫中的預(yù)設(shè)顏色直方圖進(jìn)行對比，得到對比結(jié)果；提取單元，根據(jù)對比結(jié)果標(biāo)識每個(gè)車輛窗口中的車輛，并提取標(biāo)識的車輛的前一時(shí)刻位置；第二設(shè)定單元，用于將前一時(shí)刻位置和當(dāng)前位置的連線作為運(yùn)動軌跡。通過本發(fā)明，采用對交通視頻序列進(jìn)行運(yùn)動檢測判斷出包括有車輛的大概位置的運(yùn)動區(qū)域，在對運(yùn)動區(qū)域進(jìn)行車輛檢測，根據(jù)提取到的車輛的顏色直方圖與預(yù)訂的顏色直方圖的對比結(jié)果確定每個(gè)車輛的運(yùn)動軌跡的方式，解決了相關(guān)技術(shù)無法解決多車輛之間的“咬合”問題而導(dǎo)致車輛跟蹤的失敗的問題，進(jìn)而達(dá)到了簡化交通視頻的識別過程，容易施工以及靈活性高的效果。


為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作一簡單地介紹，顯而易見地，下面描述中的附圖是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。圖1是根據(jù)本發(fā)明實(shí)施例的車輛跟蹤方法流程圖；圖2是根據(jù)本發(fā)明優(yōu)選實(shí)施例的車輛跟蹤方法流程圖；圖3是根據(jù)本發(fā)明實(shí)施例的車輛跟蹤裝置的結(jié)構(gòu)框圖；圖4是根據(jù)本發(fā)明優(yōu)選實(shí)施例的車輛跟蹤裝置的結(jié)構(gòu)框圖。
具體實(shí)施例方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有作出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
首先，對以下實(shí)施例提供的車輛跟蹤方法和車輛跟蹤裝置的進(jìn)行簡要介紹:針對特定的場景(例如車輛較多的路況)，先對輸入的交通視頻序列進(jìn)行運(yùn)動檢測，大致判斷出車輛的位置所在的運(yùn)動區(qū)域；然后，在提取出的運(yùn)動區(qū)域內(nèi)對車輛進(jìn)行檢測；最后，提取已檢測到車輛的，并將該顏色直方圖與預(yù)先建立的模板庫中的顏色直方圖進(jìn)行比對，采用分類的方法檢測出每個(gè)車輛，對每個(gè)車輛進(jìn)行跟蹤，進(jìn)而得到每個(gè)車輛的運(yùn)動軌跡。在實(shí)際應(yīng)用中，該實(shí)施例提供的車輛跟蹤方法完全基于視頻進(jìn)行識別，施工容易，并且靈活性高。圖1是根據(jù)本發(fā)明實(shí)施例的車輛跟蹤方法流程圖，如圖1所示，該方法主要包括以下步驟(步驟S102-步驟S106):步驟S102，根據(jù)背景差法對交通視頻圖像序列進(jìn)行運(yùn)動檢測，提取出包括有車輛位置的運(yùn)動區(qū)域；步驟S104，采用支持向量機(jī)(SVM)算法對運(yùn)動區(qū)域進(jìn)行檢測，得到運(yùn)動區(qū)域中的每個(gè)車輛的當(dāng)前位置；步驟S106，獲取每個(gè)車輛的前一時(shí)刻位置，并將前一時(shí)刻位置與當(dāng)前位置之間的連線確定為每個(gè)車輛的運(yùn)動軌跡。在本實(shí)施例中，步驟S102可以通過這樣的方式實(shí)現(xiàn):將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B(x，y);判斷交通視頻圖像序列In(x，y)中的當(dāng)前幀P(x，y)減去背景圖像B(x，y)得到的結(jié)果圖像的像素?cái)?shù)是否大于閾值，在判斷結(jié)果為是的情況下，確定結(jié)果圖像中有處于運(yùn)動狀態(tài)的車輛，并將結(jié)果圖像作為運(yùn)動區(qū)域Qs(x，y)。在本實(shí)施例中，步驟S104可以通過這樣的方式實(shí)現(xiàn):計(jì)算運(yùn)動區(qū)域Ω3(χ，y)中所有標(biāo)準(zhǔn)窗口的梯度方向直方圖(H0G);通過采用離線訓(xùn)練好的SVM分類器對每個(gè)HOG的特征類別進(jìn)行判斷的方式，確定每個(gè)車輛的當(dāng)前位置。其中，在步驟S104中，在確定每個(gè)車輛的當(dāng)前位置之后，還可以包括:確定包括當(dāng)前位置的車輛窗口。在本實(shí)施例中，步驟S106可以通過這樣的方式實(shí)現(xiàn):計(jì)算每個(gè)車輛窗口的顏色直方圖；將每個(gè)顏色直方圖與預(yù)先設(shè)定的模板庫中的預(yù)設(shè)顏色直方圖進(jìn)行對比，得到對比結(jié)果；根據(jù)對比結(jié)果標(biāo)識每個(gè)車輛窗口中的車輛，并提取標(biāo)識的車輛的前一時(shí)刻位置；將前一時(shí)刻位置和當(dāng)前位置的連線作為運(yùn)動軌跡。對于上述實(shí)施例提供的車輛跟蹤方法，在實(shí)際應(yīng)用中，可以采用這樣的方式來實(shí)現(xiàn)，大致可以采用以下幾個(gè)步驟:1、對輸入的交通視頻圖像序列采用背景差法進(jìn)行運(yùn)動檢測，大致提取出包含車輛位置的運(yùn)動區(qū)域。2、對步驟I中取得的運(yùn)動區(qū)域，采用支持向量機(jī)方法檢測出所有車輛，得到每個(gè)車輛的當(dāng)前位置(優(yōu)選地還可以包括車輛在運(yùn)動區(qū)域占有的圖像大小信息)。3、計(jì)算每個(gè)車輛的顏色直方圖并與建立的模板庫中的顏色直方圖比對，標(biāo)識每個(gè)車輛，每個(gè)車輛當(dāng)前位置與前一時(shí)刻位置連起來即為其運(yùn)動軌跡。其中，對于步驟1，對輸入視頻序列In(x，y)的當(dāng)前幀為P(x，y)，采用背景差法檢測運(yùn)動區(qū)域:首先選取背景中的一幅或幾幅圖像的平均圖像作為背景圖像B(x，y)，然后把以后的序列圖像當(dāng)前幀PU，y)和背景圖像相減，進(jìn)行背景消去。若所得到的像素?cái)?shù)大于某一閾值，則判定被監(jiān)視場景中有運(yùn)動物體，從而得到運(yùn)動區(qū)域Ω3(Χ，y)。對于步驟2，對步驟I中得到的運(yùn)動區(qū)域Ω s (X，y)采用SVM (支持向量機(jī))方法檢測出所有車輛，得到每個(gè)車輛的當(dāng)前位置(優(yōu)選地還可以包括車輛在運(yùn)動區(qū)域占有的圖像大小信息)(I)計(jì)算運(yùn)動區(qū)域所有的標(biāo)準(zhǔn)大小的窗口的梯度方向直方圖(HOG)；(2)采用離線訓(xùn)練好的SVM分類器判斷每個(gè)窗口的HOG特征的類別；(3)得到含有車輛的窗口。對于步驟3，先計(jì)算步驟2中得到的每個(gè)車輛窗口的顏色直方圖；再將得到的顏色直方圖與預(yù)先建立的模板庫中的顏色直方圖比對，根據(jù)比對結(jié)果來標(biāo)識每個(gè)車輛；進(jìn)一步地，獲取已經(jīng)標(biāo)識的車輛的前一刻位置，將每個(gè)車輛的當(dāng)前位置與前一時(shí)刻位置連起來即得到該車輛的運(yùn)動軌跡。下面結(jié)合圖2以及優(yōu)選實(shí)施例對上述實(shí)施例提供的車輛跟蹤方法進(jìn)行更加詳細(xì)的描述。圖2是根據(jù)本發(fā)明優(yōu)選實(shí)施例的車輛跟蹤方法流程圖，如圖2所示，該流程包括以下步驟(步驟S202-步驟S220)步驟S202，讀取輸入的交通視頻圖像序列In(X，y)；步驟S204，對交通視頻圖像序列In(X，y)的當(dāng)前幀P(x，y)采用背景差法檢測得到運(yùn)動區(qū)域，包括首先，將選取背景 中的一幅或幾幅圖像的平均作為背景圖像B(x，y)，然后把以后的序列圖像當(dāng)前幀P(X，y) 和背景圖像相減，進(jìn)行背景消去，得到結(jié)果為一幅與輸入幀等大的二值圖像T(x，y)
權(quán)利要求
1.一種車輛跟蹤方法，其特征在于，包括: 根據(jù)背景差法對交通視頻圖像序列進(jìn)行運(yùn)動檢測，提取出包括有車輛位置的運(yùn)動區(qū)域； 采用支持向量機(jī)SVM算法對所述運(yùn)動區(qū)域進(jìn)行檢測，得到所述運(yùn)動區(qū)域中的每個(gè)車輛的當(dāng)前位置； 獲取所述每個(gè)車輛的前一時(shí)刻位置，并將所述前一時(shí)刻位置與所述當(dāng)前位置之間的連線確定為所述每個(gè)車輛的運(yùn)動軌跡。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，根據(jù)背景差法對交通視頻圖像序列進(jìn)行運(yùn)動檢測，提取出包括有車輛位置的運(yùn)動區(qū)域，包括: 將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B(x，y)； 判斷所述交通視頻圖像序列In(x，y)中的當(dāng)前幀Ρ(χ，y)減去所述背景圖像B(x，y)得到的結(jié)果圖像的像素?cái)?shù)是否大于閾值，在判斷結(jié)果為是的情況下，確定所述結(jié)果圖像中有處于運(yùn)動狀態(tài)的車輛，并將所述結(jié)果圖像作為所述運(yùn)動區(qū)域Ω s(x，y)。
3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，采用支持向量機(jī)SVM算法對所述運(yùn)動區(qū)域進(jìn)行檢測，得到所述運(yùn)動區(qū)域中的每個(gè)車輛的當(dāng)前位置，包括: 計(jì)算所述運(yùn)動區(qū)域Qs(x，y)中所有標(biāo)準(zhǔn)窗口的梯度方向直方圖HOG ; 通過采用離線訓(xùn)練好的SVM分類器對每個(gè)所述HOG的特征類別進(jìn)行判斷的方式，確定所述每個(gè)車輛的所述當(dāng)前位置。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，在確定所述每個(gè)車輛的所述當(dāng)前位置之后,還包括: 確定包括所述當(dāng)前位置的車輛窗口。
5.根據(jù)權(quán)利要求4所述的方法，其特征在于，獲取所述每個(gè)車輛的前一時(shí)刻位置，并將所述前一時(shí)刻位置與所述當(dāng)前位置之間的連線確定為所述每個(gè)車輛的運(yùn)動軌跡，包括: 計(jì)算每個(gè)所述車輛窗口的顏色直方圖； 將每個(gè)所述顏色直方圖與預(yù)先設(shè)定的模板庫中的預(yù)設(shè)顏色直方圖進(jìn)行對比，得到對比結(jié)果; 根據(jù)所述對比結(jié)果標(biāo)識每個(gè)所述車輛窗口中的車輛，并提取標(biāo)識的車輛的所述前一時(shí)刻位置； 將所述前一時(shí)刻位置和所述當(dāng)前位置的連線作為所述運(yùn)動軌跡。
6.一種車輛跟蹤裝置，其特征在于，包括: 提取模塊，用于根據(jù)背景差法對交通視頻圖像序列進(jìn)行運(yùn)動檢測，提取出包括有車輛位置的運(yùn)動區(qū)域； 檢測模塊，用于采用支持向量機(jī)SVM算法對所述運(yùn)動區(qū)域進(jìn)行檢測，得到所述運(yùn)動區(qū)域中的每個(gè)車輛的當(dāng)前位置； 獲取模塊，用于獲取所述每個(gè)車輛的前一時(shí)刻位置，并將所述前一時(shí)刻位置與所述當(dāng)前位置之間的連線確定為所述每個(gè)車輛的運(yùn)動軌跡。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述提取模塊包括: 第一設(shè)定單元，用于將選取背景中的一幅圖像或幾幅圖像的平均圖像作為背景圖像B (X，y)；判定單元，用于判斷所述交通視頻圖像序列In(x，y)中的當(dāng)前幀Ρ(χ，y)減去所述背景圖像B(x，y)得到的結(jié)果圖像的像素?cái)?shù)是否大于閾值，在判斷結(jié)果為是的情況下，確定所述結(jié)果圖像中有處于運(yùn)動狀態(tài)的車輛，并將所述結(jié)果圖像作為所述運(yùn)動區(qū)域Kx，y)。
8.根據(jù)權(quán)利要求6或7所述的裝置，其特征在于，所述檢測模塊包括 第一計(jì)算單元，用于計(jì)算所述運(yùn)動區(qū)域Qs(x，y)中所有標(biāo)準(zhǔn)窗口的梯度方向直方圖HOG ； 第一確定單元，用于通過采用離線訓(xùn)練好的SVM分類器對每個(gè)所述HOG的特征類別進(jìn)行判斷的方式，確定所述每個(gè)車輛的所述當(dāng)前位置。
9.根據(jù)權(quán)利要求8所述的裝置，其特征在于，所述檢測模塊還包括 第二確定單元，用于確定包括所述當(dāng)前位置的車輛窗口。
10.根據(jù)權(quán)利要求9所述的裝置，其特征在于，所述獲取模塊包括 第二計(jì)算單元，用于計(jì)算每個(gè)所述車輛窗口的顏色直方圖； 對比單元，用于將每個(gè)所述顏色直方圖與預(yù)先設(shè)定的模板庫中的預(yù)設(shè)顏色直方圖進(jìn)行對比，得到對比結(jié)果； 提取單元，根據(jù)所述對比結(jié)果標(biāo)識每個(gè)所述車輛窗口中的車輛，并提取標(biāo)識的車輛的所述前一時(shí)刻位置； 第二設(shè)定單元，用于將所述前一 時(shí) 刻位置和所述當(dāng)前位置的連線作為所述運(yùn)動軌跡。
全文摘要
本發(fā)明公開了一種車輛跟蹤方法及裝置。其中，該方法包括根據(jù)背景差法對交通視頻圖像序列進(jìn)行運(yùn)動檢測，提取出包括有車輛位置的運(yùn)動區(qū)域；采用支持向量機(jī)(Support Vector Machine，簡稱為SVM)算法對運(yùn)動區(qū)域進(jìn)行檢測，得到運(yùn)動區(qū)域中的每個(gè)車輛的當(dāng)前位置；獲取每個(gè)車輛的前一時(shí)刻位置，并將前一時(shí)刻位置與當(dāng)前位置之間的連線確定為每個(gè)車輛的運(yùn)動軌跡。通過本發(fā)明，達(dá)到了簡化交通視頻的識別過程，容易施工以及靈活性高的效果。
文檔編號G06K9/00GK103150547SQ20131002150
公開日2013年6月12日 申請日期2013年1月21日 優(yōu)先權(quán)日2013年1月21日
發(fā)明者王海峰, 王曉萌, 何小波, 董博, 楊宇, 張凱歌 申請人:信幀電子技術(shù)(北京)有限公司