一種基于單目視覺的車輛檢測與跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明設(shè)及一種在輔助駕駛系統(tǒng)中進行實時車輛檢測與跟蹤的方法，屬機器視覺 領(lǐng)域，特別設(shè)及一種基于單目視覺的車輛檢測與跟蹤方法。
【背景技術(shù)】
[0002] 車輛在道路行駛的過程中，與前方車輛追尾或避讓不當(dāng)所造成的損失都是巨大 的，采用安全輔助駕駛系統(tǒng)，不僅能夠減輕駕駛員的壓力，而且可W在事故發(fā)生前給出預(yù)警 與相應(yīng)措施，從而有效地減少交通事故的發(fā)生。安全輔助駕駛系統(tǒng)中的車輛防碰撞預(yù)警系 統(tǒng)就是該系統(tǒng)最重要的一部分，車輛防碰撞預(yù)警系統(tǒng)通過對道路前方區(qū)域捜索來判斷前方 是否有車輛，有車輛存在的情況下進行前方車輛定位，并將車輛的速度、距離等信息反饋給 駕駛員，從而使駕駛員做出正確的決策。在車輛防碰撞預(yù)警系統(tǒng)中，準(zhǔn)確實時的前方車輛檢 測與跟蹤是實現(xiàn)預(yù)警的關(guān)鍵，前方車輛檢測與跟蹤不僅是安全輔助駕駛系統(tǒng)的重要環(huán)節(jié)， 也是智能車輛的關(guān)鍵技術(shù)。目前研究安全輔助駕駛系統(tǒng)的主要設(shè)備有攝像機、激光雷達、毫 米波雷達等，其中攝像機具有信息量大、成本低、無污染等特點，因此，與安全輔助駕駛系統(tǒng) 相關(guān)的大量研究都是基于車載攝像機所獲取的圖像或者視頻序列。
[0003] 然而，基于單目視覺的車輛檢測與跟蹤方法在技術(shù)方面急需解決W下的六個問 題：當(dāng)采集視頻圖像的車輛在道路行駛過程中，背景是動態(tài)的，而該些動態(tài)背景往往是十 分復(fù)雜的，例如霧天的霧、雨天的路面、道路旁隨風(fēng)搖擺的樹枝、道路旁車水馬龍的道路燈 等，該些不確定因素都會對車輛目標(biāo)的檢測和跟蹤帶來嚴重干擾，導(dǎo)致系統(tǒng)的不穩(wěn)定；效果 滿足要求的方法計算量都較大，檢測與跟蹤的實時性較差；在大部分情況下，視頻中的目標(biāo) 都存在陰影，當(dāng)目標(biāo)運動時，陰影也隨之進行移動，在對目標(biāo)進行檢測時陰影區(qū)域的灰度值 會發(fā)生較大的變化，導(dǎo)致把陰影區(qū)域誤認為是目標(biāo)，同時也影響后續(xù)跟蹤的效果；在車輛目 標(biāo)檢測與跟蹤的過程中經(jīng)常會出現(xiàn)不同車輛目標(biāo)之間相互遮擋或車輛目標(biāo)被場景中的物 體遮擋的情況，當(dāng)車輛目標(biāo)遮擋比較嚴重或完全被遮擋時，算法就很難檢測與跟蹤到原有 的車輛目標(biāo)，最終導(dǎo)致跟蹤失敗；當(dāng)車輛目標(biāo)受到高架橋、小隧道與大樹地面陰影等嚴重顏 色干擾時，車輛特征會因為顏色干擾而影響實驗效果；絕大部分實時性較好的方法只能滿 足單目標(biāo)跟蹤，而道路絕大多數(shù)情況存在的都是多目標(biāo)。
[0004] 中國專利申請：一種基于單目視覺的前方車輛檢測方法（【申請?zhí)枴?201210143389.6)根據(jù)車底陰影定位出車輛目標(biāo)作為當(dāng)前帖的目標(biāo)結(jié)果，并與上一帖檢 測與跟蹤結(jié)果的信息進行匹配，根據(jù)匹配結(jié)果對當(dāng)前帖的結(jié)果進行分類判決，該方法只采 用車底陰影特征，使檢測范圍擴大到整個圖像，誤檢率非常高，降低了檢測效果，且實時 性要求難W達到。一種基于高速公路場景的檢測方法及車輛檢測跟蹤的優(yōu)化（【申請?zhí)枴?201410436667. 6)首先利用限制角度的化U曲變換檢測視頻中的車道線，然后根據(jù)邊緣 與車牌定位車輛，在車輛目標(biāo)附近進行跟蹤，該方法在檢測車道線時沒有加入位置限制 條件，影響檢測效果，且邊緣特性容易受到光線與車姿態(tài)變換影響，車牌檢測對圖像清晰 度與目標(biāo)距離的要求非常高。一種結(jié)合目標(biāo)信息和運動估計的車輛跟蹤方法（【申請?zhí)枴?201410177249. )〇利用Meanshift與Kalman濾波相結(jié)合進行跟蹤，Meanshift跟蹤不能滿 足目標(biāo)形變的跟蹤要求，對目標(biāo)尺度的變化判斷計算量較大，且目標(biāo)尺度的變化檢測效果 較差。一種基于CAMSHIFT和卡爾曼濾波的視頻目標(biāo)跟蹤方法（申請?zhí)枺?01210123039. 3) 該方法給定目標(biāo)模型，所WCamshift與Kalman濾波相結(jié)合的方法，根據(jù)目標(biāo)模型來判斷 Camshift跟蹤結(jié)果，如果捜索失敗采用Kalman預(yù)測結(jié)果，問題在于車輛一直在運動，背 景、車姿態(tài)都在變動，而該方法沒有更新目標(biāo)模型，如果出現(xiàn)嚴重遮擋或其他嚴重干擾時沒 有做出判斷，如果目標(biāo)已經(jīng)出了檢測范圍，會導(dǎo)致后續(xù)跟蹤出錯，并且該方法只能對單目標(biāo) 進行跟蹤。

【發(fā)明內(nèi)容】

[0005] 針對現(xiàn)有技術(shù)中的車輛檢測過程中較差的實時性、抗干擾性及較高的誤檢率問 題，本發(fā)明提供了一種提高車輛檢測的實時性、抗干擾性與降低誤檢率的車輛檢測與跟蹤 方法，本發(fā)明的技術(shù)方案如下；一種基于單目視覺的車輛檢測與跟蹤方法，其包括W下步 驟；在運動車輛的檢測階段，101、道路行駛區(qū)域提取步驟：具體為，A1、獲取車倆周圍的圖 像信息，將不含道路信息的圖像部分的區(qū)域去除，提取出感興趣區(qū)域；A2、對步驟A1提取 出的感興趣區(qū)域采用自適應(yīng)的canny邊緣檢測方法檢測出整幅圖像的邊緣;A3、接著利用 Hou曲變換檢測圖像區(qū)域內(nèi)所有的直線，并對每條直線進行投票，統(tǒng)計得出該區(qū)域投票數(shù)最 大的直線；A4、對左右車道線的角度設(shè)定闊值，建立極角約束區(qū)域，將左右車道線的位置劃 定在該極角約束區(qū)域中，選擇該極角約束區(qū)域投票數(shù)最大的直線作為車道線，從而定位出 道路行駛區(qū)域；
[0006] 102、對步驟101得到的道路行駛區(qū)域進行車輛底部陰影檢測，提取陰影區(qū)域來完 成車輛假設(shè)階段，再利用車輛紋理特征驗證初步定位的假設(shè)車輛，根據(jù)新目標(biāo)與否的判斷 標(biāo)準(zhǔn)對檢測到的車輛目標(biāo)進行判斷是否是新目標(biāo)，若是新目標(biāo)將進行跟蹤目標(biāo)更新，完成 車倆的檢測，跳轉(zhuǎn)至步驟103;
[0007] 在運動車輛的跟蹤階段，103、把車輛目標(biāo)定位區(qū)域進行初始化，按照Camshift自 適應(yīng)均值漂移算法初始捜索窗口，根據(jù)車輛目標(biāo)的顏色概率分布信息實現(xiàn)運動目標(biāo)跟蹤， 當(dāng)采用捜索判斷標(biāo)準(zhǔn)判斷出Camshift算法捜索失敗時采用卡爾曼Kalman濾波預(yù)測的結(jié) 果作為跟蹤結(jié)果，同時根據(jù)目標(biāo)出界與否標(biāo)準(zhǔn)判斷跟蹤目標(biāo)是否出界，沒出界則進行跟蹤， 反之則停止對其跟蹤，并不斷更新跟蹤目標(biāo)信息來初