[发明专利]基于视频的混合交通环境下移动目标多特征融合跟踪方法

说明书

技术领域

本发明涉及视频监控技术和图像处理理论，涉及一种基于视频的混合交通环境下移动目标多特征融合跟踪方法。

背景技术

在我国，混合交通是一种客观现象，自行车、机动车、行人组成的混合交通，这种混合交通引发的交通拥堵、交通事故增加、城市环境不断恶化、运输效益下降等一系列问题，严重地影响了道路交通秩序降低了道路通行能力，增加了道路交通管理难度。

随着智能化视频监控技术的发展，及其在自动异常检测、身份识别以及视频内容理解和描述等方面所取得的成果，视频监控系统在军事、公共安全、工业和交通等领域得到了广泛应用。尤其是在智能交通系统中，视频监控已成为交通流检测、异常事故分析以及交通控制的基础手段。

车辆是混合交通系统最常见的移动目标，也是监控的主要对象，因此，车辆跟踪技术是智能交通系统中车辆监控的关键技术之一，其水平的高低直接影响到高速公路和城市道路监控系统的整体运行安全和管理水平。运动车辆的跟踪信息不仅能为车辆的正确检测以及准确识别提供帮助，还能通过对运动轨迹的分析，估计车辆状态并给予语义描述，进而为交通安全及决策提供一定的技术支持。

目前，寻求基于视频的高鲁棒性和实时性车辆跟踪算法已成为这个领域的研究热点。基于视频的车辆跟踪方法主要采用的方法是贝叶斯滤波。最常用的有卡尔曼滤波、扩展卡尔曼滤波等。这些方法的不足之处是无法处理非高斯噪声或非线性模型、多模态等情况。而在交通环境复杂多变的智能交通系统中，如光照，气候的变化、运动目标的种类和状态的多样性等，往往会产生较大的跟踪误差，出现跟踪目标丢失，遮挡等问题。为了解决以上问题，粒子滤波成为当前运动目标跟踪方法中的新研究方向。因为其适用于任何能用状态空间模型表示的非线性系统以及非高斯系统，精度可以逼进最优估计。本发明基于粒子滤波跟踪算法，设计和研究了一个开放式的解决框架，使得目标跟踪更为可靠有效。

在跟踪过程中，当单一特征信息不可靠时，跟踪效果就会大大降低，例如当目标和背景的颜色相近或是色彩颜色混杂时，采用颜色信息进行跟踪就会出错。本发明针对这个问题，采用多特征融合机制以提高跟踪的鲁棒性。考虑到粒子滤波算法具有多测量信息融合的优势，基于它融合视频信息的边缘特征与颜色特征，使两种特征信息互为补充，达到纠错的效果。同时为了提高算法的实时性，采用随机融合策略融合多特征信息，对于每个粒子只随机选择计算一种特征观测模型，以减少计算量。该发明的跟踪精度高，能有效消除遮挡的影响，并能满足实行系统的要求。

申请人多年来主要从事信息融合理论与方法、图像及视频信息处理与传输、复杂系统分析等方面的科学研究工作，开展了“基于粗糙集理论的图像增强方法”、“基于小波边缘检测的图像去噪方法”、“视频监控系统中的图像预处理技术”等研究，提出了多种图像智能处理的新方法，有些已在实际中得到应用。2005年参加的“计算智能与图像信息处理研究及其应用系统”获中国电子学会电子信息科学技术三等奖；出版专著1部，2006《信息系统集成与融合技术及其应用》由国防工业出版社出版，通过多年的研究和实践，申请人熟悉和掌握数字图像智能处理和监视监控领域的研究难点和重点。

发明内容

技术问题：本发明的目的是提出了一种基于视频的混合交通环境下移动目标多特征融合跟踪方法。该方法克服了以往车辆跟踪算法难以解决的非线性问题和遮挡问题，提高了跟踪的实时性和鲁棒性。

技术方案：根据视频信息特点以及应用特点，本发明提出了一种基于粒子滤波，采用多特征随机融合的自适应跟踪算法。

基于视频的混合交通环境下移动目标多特征融合跟踪方法将车辆做为跟踪目标，采用基于粒子滤波方法的多特征融合机制，融合视频信息的边缘特征与颜色特征，使两种特征信息互为补充。

本发明所基于的粒子滤波方法是通过状态转移产生多个可能的车辆区域的质心构成粒子群(样本集)，在状态空间下比较粒子群与目标粒子的相似度，根据相似度大小赋予粒子不同的权值，计算粒子群的权值均值用于估算车辆的下一可能位置，即获得状态最小方差下的车辆区域的质心估计。

移动目标多特征融合跟踪方法的具体步骤如下：

步骤一：视频预处理：将摄像头拍摄到的视频由USB接口读入到计算机，然后将视频分解为帧图像序列；

步骤二：采用粒子滤波方法提取帧图像感兴趣区域的颜色特征信息，计算与目标模板的颜色特征相似度；

步骤三：采用粒子滤波方法提取帧图像感兴趣区域的边缘特征信息，计算与目标模板的边缘特征相似度；

步骤四：将步骤二和步骤三中的特征相似度转化为相应的特征测量权值；