本發(fā)明涉及汽車(chē)圖像處理技術(shù)領(lǐng)域，具體涉及一種車(chē)輛實(shí)時(shí)檢測(cè)與跟蹤方法。

背景技術(shù)：

車(chē)輛在行駛過(guò)程中，由于駕駛員的疏忽、道路情況的突然變化等，很容易造成追尾等交通事故，產(chǎn)生財(cái)產(chǎn)或生命的損失。近年來(lái)，隨著科技的不斷發(fā)展，安全輔助駕駛技術(shù)也得到了不斷的進(jìn)步，采用安全輔助駕駛系統(tǒng)一方面能夠減小駕駛員的壓力，另一方面能夠?qū)Φ缆肪o急情況做出預(yù)警，從而避免交通事故的發(fā)生。

在安全輔助駕駛系統(tǒng)中，車(chē)輛的檢測(cè)與跟蹤技術(shù)是保障安全行駛的關(guān)鍵技術(shù)之一，車(chē)輛檢測(cè)與跟蹤是指通過(guò)分析視頻圖像序列自動(dòng)獲取畫(huà)面中出現(xiàn)的車(chē)輛信息，并在連續(xù)視頻中對(duì)相同車(chē)輛目標(biāo)進(jìn)行穩(wěn)定跟蹤，在避免或者減少交通事故的發(fā)生中發(fā)揮了巨大作用。

目前，在車(chē)輛檢測(cè)方面有多種方法，比如：背景差分法、光流法、運(yùn)動(dòng)矢量法等。其中背景差分法檢測(cè)運(yùn)動(dòng)目標(biāo)的速度快而且準(zhǔn)確，計(jì)算的復(fù)雜度較低，它是采用圖像序列中的當(dāng)前幀和背景參考模型比較來(lái)檢測(cè)運(yùn)動(dòng)物體的一種方法,其性能依賴(lài)于所使用的背景建模技術(shù)。但是該方法對(duì)光照變化的敏感度大，容易將圖像中的陰影部分誤認(rèn)為是檢測(cè)目標(biāo)。光流法和運(yùn)動(dòng)矢量法雖然準(zhǔn)確度尚可，但是魯棒性較差并且處理速度很慢，無(wú)法滿(mǎn)足實(shí)時(shí)系統(tǒng)的應(yīng)用需求。目前目標(biāo)跟蹤的方法主流的主要有三種：meanshift方法，卡爾曼濾波方法以及camshif方法。這些方法只是針對(duì)單目標(biāo)跟蹤，首先要指定跟蹤的目標(biāo)，然后進(jìn)行跟蹤，優(yōu)點(diǎn)是提高了檢測(cè)速率，但也存在不可忽視的缺點(diǎn)，這些方法一般只是在一開(kāi)始進(jìn)行車(chē)輛檢測(cè)，檢測(cè)完成之后便開(kāi)始跟蹤，這樣誤檢結(jié)果會(huì)直接傳輸給跟蹤器，無(wú)法更正，嚴(yán)重的話(huà)會(huì)直接影響到跟蹤器的可靠性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明解決的技術(shù)問(wèn)題是現(xiàn)有的車(chē)輛檢測(cè)技術(shù)只在一開(kāi)始進(jìn)行車(chē)輛檢測(cè)，檢測(cè)后便開(kāi)始跟蹤，出現(xiàn)誤檢無(wú)法更正，容易漏檢，使得跟蹤準(zhǔn)確率低。

為解決上述問(wèn)題，本發(fā)明提供一種車(chē)輛實(shí)時(shí)檢測(cè)與跟蹤方法，包括以下步驟：

s1、分類(lèi)器訓(xùn)練：

獲得正樣本和負(fù)樣本；對(duì)所有樣本進(jìn)行預(yù)處理；提取所有樣本的特征值，利用所有樣本的特征值進(jìn)行訓(xùn)練，得到車(chē)輛檢測(cè)分類(lèi)器；

s2、跟蹤目標(biāo)檢測(cè)：

s201、獲取實(shí)時(shí)視頻中的圖像xi進(jìn)行車(chē)輛檢測(cè)，其中圖像幀號(hào)i為大于0的正整數(shù)，若圖像xi未檢測(cè)到車(chē)輛，則圖像幀號(hào)i增加1，繼續(xù)執(zhí)行s201，否則執(zhí)行s202；

s202、獲取實(shí)時(shí)視頻中的圖像xi+1進(jìn)行車(chē)輛檢測(cè)，若圖像xi+1未檢測(cè)到車(chē)輛，則圖像幀號(hào)i增加2，繼續(xù)執(zhí)行s201，否則將圖像xi+1中檢測(cè)出的每個(gè)車(chē)輛與圖像xi中檢測(cè)出的所有車(chē)輛分別進(jìn)行比較，若圖像xi+1的車(chē)輛中有與圖像xi的車(chē)輛滿(mǎn)足相似性指標(biāo)，則將圖像xi+1中滿(mǎn)足相似性指標(biāo)的車(chē)輛視為初級(jí)目標(biāo)，執(zhí)行s203，否則圖像幀號(hào)i增加1，執(zhí)行s202；

s203、獲取實(shí)時(shí)視頻中的圖像xi+2進(jìn)行車(chē)輛檢測(cè)，若圖像xi+2未檢測(cè)到車(chē)輛，則圖像幀號(hào)i增加3，繼續(xù)執(zhí)行s201，否則將圖像xi+2檢測(cè)出的每個(gè)車(chē)輛與圖像xi+1檢測(cè)出的視為初級(jí)目標(biāo)的車(chē)輛相比較，若圖像xi+2的車(chē)輛中有與圖像xi+1中視為初級(jí)目標(biāo)的車(chē)輛滿(mǎn)足相似性指標(biāo)，則圖像xi+2中滿(mǎn)足相似性指標(biāo)的車(chē)輛視為跟蹤目標(biāo)，用標(biāo)記框進(jìn)行標(biāo)記，將圖像xi+2視為跟蹤圖像輸出，執(zhí)行s3，否則圖像幀號(hào)i增加2，執(zhí)行s202；

s3、車(chē)輛跟蹤：

s301、提取跟蹤圖像中每一標(biāo)記框區(qū)域的hog特征向量；

s302、獲取實(shí)時(shí)視頻中的圖像xi+3，提取圖像xi+3所有檢測(cè)區(qū)域的hog特征向量，其中每個(gè)檢測(cè)區(qū)域與跟蹤圖像的每個(gè)標(biāo)記框區(qū)域一一對(duì)應(yīng)；

s303、將跟蹤圖像的每一標(biāo)記框區(qū)域的hog特征向量與圖像xi+3對(duì)應(yīng)的檢測(cè)區(qū)域的hog特征向量相比較，滿(mǎn)足相似性指標(biāo)的標(biāo)記框區(qū)域和檢測(cè)區(qū)域視為目標(biāo)相同，使用與跟蹤圖像標(biāo)記框大小相同的標(biāo)記框在檢測(cè)區(qū)域中進(jìn)行標(biāo)記，若跟蹤圖像的所有標(biāo)記框區(qū)域與對(duì)應(yīng)的檢測(cè)區(qū)域均目標(biāo)相同，則跟蹤成功，將圖像xi+3視為跟蹤圖像輸出，圖像幀號(hào)i增加1，執(zhí)行s302，否則跟蹤失敗，圖像幀號(hào)i增加3，執(zhí)行s2。

作為本發(fā)明的進(jìn)一步改進(jìn)，s1中提取所有樣本的haar特征值，使用adaboost算法進(jìn)行訓(xùn)練，得到車(chē)輛檢測(cè)分類(lèi)器。

作為本發(fā)明的進(jìn)一步改進(jìn)，s2中車(chē)輛檢測(cè)的具體步驟為：將當(dāng)前幀圖像進(jìn)行預(yù)處理；提取當(dāng)前幀圖像的感興趣區(qū)域的haar特征值，其中感興趣區(qū)域?yàn)橐詧D像中心為中心，長(zhǎng)寬分別為圖像長(zhǎng)寬的四分之三的方框所勾勒出的區(qū)域；將特征值輸入車(chē)輛檢測(cè)分類(lèi)器，檢測(cè)出當(dāng)前幀圖像中的所有車(chē)輛。

本發(fā)明將haar特征與adaboost算法相結(jié)合用于檢測(cè)車(chē)輛，實(shí)現(xiàn)簡(jiǎn)單，檢測(cè)速度快且準(zhǔn)確率高。

本發(fā)明的有益效果：(1)本發(fā)明可用于多目標(biāo)車(chē)輛的檢測(cè)與跟蹤；(2)本發(fā)明對(duì)連續(xù)三幀圖像進(jìn)行車(chē)輛檢測(cè)，將連續(xù)三幀檢測(cè)到的相同車(chē)輛作為跟蹤目標(biāo)進(jìn)行跟蹤，即連續(xù)三幀檢測(cè)到相同車(chē)輛才進(jìn)行跟蹤，減小車(chē)輛檢測(cè)出現(xiàn)誤檢時(shí)對(duì)車(chē)輛跟蹤的影響，提高跟蹤的準(zhǔn)確率；(3)本發(fā)明車(chē)輛跟蹤時(shí)采用方向梯度直方圖作為圖像特征提取，方向梯度直方圖特征對(duì)圖像幾何和光學(xué)的形變能保持很好的不變性，提高了車(chē)輛跟蹤的準(zhǔn)確率；(4)本發(fā)明只有當(dāng)所有跟蹤目標(biāo)均跟蹤成功才繼續(xù)跟蹤，否則重新進(jìn)行跟蹤目標(biāo)的檢測(cè)，而且跟蹤只在相鄰幀圖像之間進(jìn)行，減少漏檢現(xiàn)象的發(fā)生，提高檢測(cè)和跟蹤的準(zhǔn)確率。

附圖說(shuō)明

圖1是本發(fā)明方法的流程圖。

具體實(shí)施方式

本發(fā)明提出了一種車(chē)輛實(shí)時(shí)檢測(cè)與跟蹤方法，如圖1所示，包括如下步驟：

s1、分類(lèi)器訓(xùn)練，本發(fā)明具體實(shí)施例中使用adaboost(adaptiveboosting自適應(yīng)增強(qiáng))算法訓(xùn)練得到車(chē)輛檢測(cè)分類(lèi)器：

s101、獲得正樣本和負(fù)樣本：設(shè)定僅僅含有車(chē)輛的圖片為正樣本，包含馬路但不含車(chē)輛的圖片為負(fù)樣本，正樣本與負(fù)樣本的數(shù)量比為1：5；

s102、對(duì)所有樣本進(jìn)行預(yù)處理：對(duì)上述獲得的正樣本和負(fù)樣本先進(jìn)行灰度化處理，再對(duì)所有正樣本進(jìn)行尺寸歸一化處理，均縮放為20*20大?。?/p>

s103、提取所有樣本的haar特征值，根據(jù)所有樣本的特征值使用adaboost算法進(jìn)行訓(xùn)練，得到車(chē)輛檢測(cè)分類(lèi)器。該步驟方法為現(xiàn)有技術(shù)，本發(fā)明具體實(shí)施例中采用計(jì)算機(jī)視覺(jué)庫(kù)(opencv)提供的haartraing程序訓(xùn)練得到車(chē)輛檢測(cè)分類(lèi)器。

s2、跟蹤目標(biāo)檢測(cè)，具體包括以下步驟：

s201、獲取實(shí)時(shí)視頻中的圖像xi進(jìn)行車(chē)輛檢測(cè)，其中實(shí)時(shí)視頻由連續(xù)的圖像序列x1,x2,…組成，若圖像xi未檢測(cè)到車(chē)輛，則圖像幀號(hào)i增加1，繼續(xù)執(zhí)行s201，否則執(zhí)行s202；

s202、獲取實(shí)時(shí)視頻中的圖像xi+1進(jìn)行車(chē)輛檢測(cè)，若圖像xi+1未檢測(cè)到車(chē)輛，則圖像幀號(hào)i增加2，繼續(xù)執(zhí)行s201，否則將圖像xi+1檢測(cè)出的每個(gè)車(chē)輛所在區(qū)域的haar特征值與圖像xi檢測(cè)出的所有車(chē)輛所在區(qū)域的haar特征值分別進(jìn)行比較，計(jì)算他們之間的方差，若圖像xi+1的車(chē)輛中有與圖像xi的車(chē)輛的特征值的方差滿(mǎn)足在預(yù)設(shè)方差范圍內(nèi)，則將圖像xi+1的滿(mǎn)足相似性指標(biāo)的車(chē)輛視為初級(jí)目標(biāo)，執(zhí)行s203，否則圖像幀號(hào)i增加1，執(zhí)行s202；

s203、獲取實(shí)時(shí)視頻中的圖像xi+2進(jìn)行車(chē)輛檢測(cè)，若圖像xi+2未檢測(cè)到車(chē)輛，則圖像幀號(hào)i增加3，繼續(xù)執(zhí)行s201，否則將圖像xi+2檢測(cè)出的每個(gè)車(chē)輛所在區(qū)域的haar特征值與圖像xi+1檢測(cè)出的視為初級(jí)目標(biāo)的車(chē)輛所在區(qū)域的haar特征值相比較，計(jì)算他們之間的方差，若圖像xi+2的車(chē)輛中有與圖像xi+1的視為初級(jí)目標(biāo)的車(chē)輛的特征值的方差滿(mǎn)足在預(yù)設(shè)方差范圍內(nèi)，則將圖像xi+2的滿(mǎn)足相似性指標(biāo)的車(chē)輛視為跟蹤目標(biāo)，用標(biāo)記框進(jìn)行標(biāo)記，將圖像xi+2視為跟蹤圖像輸出，執(zhí)行s3，否則圖像幀號(hào)i增加2，執(zhí)行s202；所述標(biāo)記框?yàn)榫匦慰?，矩形框的大小通過(guò)檢測(cè)出的每輛車(chē)的對(duì)角坐標(biāo)來(lái)確定。

其中車(chē)輛檢測(cè)的具體步驟為：將當(dāng)前幀圖像進(jìn)行預(yù)處理，即進(jìn)行灰度化處理；提取當(dāng)前幀圖像的感興趣區(qū)域的haar特征值，其中感興趣區(qū)域?yàn)橐詧D像中心為中心，長(zhǎng)寬分別為圖像長(zhǎng)寬的四分之三的方框所勾勒出的區(qū)域；將特征值輸入車(chē)輛檢測(cè)分類(lèi)器，檢測(cè)出當(dāng)前幀圖像中的所有車(chē)輛。

本發(fā)明跟蹤目標(biāo)檢測(cè)步驟對(duì)連續(xù)三幀圖像進(jìn)行車(chē)輛檢測(cè)，將連續(xù)三幀檢測(cè)到的相同車(chē)輛作為跟蹤目標(biāo)進(jìn)行跟蹤，即連續(xù)三幀檢測(cè)到相同車(chē)輛才進(jìn)行跟蹤，減小車(chē)輛檢測(cè)出現(xiàn)誤檢時(shí)的影響，提高跟蹤的準(zhǔn)確率。

s3、車(chē)輛跟蹤，具體步驟為：

s301、提取跟蹤圖像中每一標(biāo)記框區(qū)域的hog特征，具體為：

提取跟蹤圖像中標(biāo)記框內(nèi)的圖像，將圖像縮放成32*32，再將縮放后的圖像截成64個(gè)4*4大小的小圖像，計(jì)算每個(gè)小圖像的橫向和縱向的梯度，得到每個(gè)小圖像的每個(gè)像素的梯度信息，將每個(gè)像素的梯度信息按四邊形分解法則投影到八個(gè)方向上，得到每個(gè)像素在每個(gè)方向的梯度信息，計(jì)算每個(gè)小圖像的八個(gè)方向梯度上的統(tǒng)計(jì)直方圖，得到該標(biāo)記框內(nèi)圖像的特征向量，上述特征向量為512維，使用同樣的方法得到跟蹤圖像中每個(gè)標(biāo)記框內(nèi)區(qū)域的特征向量；

s302、獲取實(shí)時(shí)視頻中的圖像xi+3，提取圖像xi+3所有檢測(cè)區(qū)域的hog特征向量，其中每個(gè)檢測(cè)區(qū)域與跟蹤圖像的每個(gè)標(biāo)記框區(qū)域一一對(duì)應(yīng)，檢測(cè)區(qū)域也為矩形，每個(gè)檢測(cè)區(qū)域的中心分別對(duì)應(yīng)每個(gè)標(biāo)記框的中心，長(zhǎng)寬為標(biāo)記框的1.5倍，具體為：

提取圖像xi+3檢測(cè)區(qū)域內(nèi)的圖像，采用32*32大小的掃描框依次掃描提取出的圖像，將掃描框中的圖像截成64個(gè)4*4大小的小圖像，計(jì)算每個(gè)小圖像的橫向和縱向的梯度，得到每個(gè)小圖像中每個(gè)像素的梯度信息，將每個(gè)像素的梯度信息按四邊形分解法則投影到八個(gè)方向上，得到每個(gè)像素在每個(gè)方向的梯度信息，計(jì)算每個(gè)小圖像的八個(gè)方向梯度上的統(tǒng)計(jì)直方圖，得到該掃描框內(nèi)的特征向量，從而得到該檢測(cè)區(qū)域的特征向量，使用相同方法得到圖像xi+3每個(gè)檢測(cè)區(qū)域的特征向量；

s303、將跟蹤圖像的每一標(biāo)記框區(qū)域的特征向量與圖像xi+3對(duì)應(yīng)的檢測(cè)區(qū)域的特征向量作比較，計(jì)算他們之間的方差，若滿(mǎn)足在預(yù)設(shè)方差范圍內(nèi)，則檢測(cè)區(qū)域與對(duì)應(yīng)的標(biāo)記框區(qū)域目標(biāo)相同，并使用與跟蹤圖像對(duì)應(yīng)的標(biāo)記框大小相同的標(biāo)記框在檢測(cè)區(qū)域中進(jìn)行標(biāo)記，并保存檢測(cè)區(qū)域中標(biāo)記框內(nèi)的特征向量，使用相同方法遍歷圖像xi+3所有檢測(cè)區(qū)域，若所有檢測(cè)區(qū)域與對(duì)應(yīng)的跟蹤圖像的標(biāo)記框區(qū)域目標(biāo)均相同，則跟蹤成功，將圖像xi+3視為跟蹤圖像輸出，圖像幀號(hào)i增加1，執(zhí)行s302，否則跟蹤失敗，圖像幀號(hào)i增加3，執(zhí)行s2。

本發(fā)明車(chē)輛跟蹤步驟只有當(dāng)所有跟蹤目標(biāo)均跟蹤成功后才繼續(xù)跟蹤，否則重新進(jìn)行跟蹤目標(biāo)的檢測(cè)，而且跟蹤只在相鄰幀圖像之間進(jìn)行，減少漏檢現(xiàn)象的發(fā)生，提高檢測(cè)和跟蹤的準(zhǔn)確率。