[发明专利]一种鲁棒性车辆实时检测与跟踪方法

说明书

技术领域

本发明涉及一种监控方法，具体地说，是涉及一种鲁棒性车辆实时检测与跟踪方法。 

背景技术

随着国家在“平安城市”、“平安交通”方面政策的逐渐落实，智能视频监控领域得到快速发展。目前智能视频监控领域所用车辆检测系统大多依赖静态的背景，通过提取运动物体信息进行特征判断并进行轨迹预测，然而实际中的监控场景远比理论上的复杂，如摄像头的抖动和背景的变换都会对检测造成很大的影响，为了提高检测精度，现有技术中常采用复杂的算法来分离背景，这种处理方式虽然达到了准确检测的目的，却不能满足实时性的要求。 

车辆跟踪是监控系统中不可缺少的部分，对跟踪算法的研究一直是近几年的热门领域，目前效果比较好的跟踪算法包括粒子滤波、卡尔曼滤波、MIL(多实例学习)、TLD(跟踪-学习-检测)等。然而，由于粒子滤波算法是通过在目标周围生成许多个样本点，再根据目标匹配找到跟踪目标，因而稳定性受限于样本点的数目，采样点太少，跟踪不稳定，采样点太多，时间复杂度太高。卡尔曼滤波算法主要基于目标运动状态模型实现跟踪，但实际中的目标运动因场景的变化随机性很高，所以事先设置的目标运动模型不具有可变性。MIL及TLD算法对跟踪有很好的鲁棒性，对于长时间跟踪的稳定性要比其它算法都可靠，但是计算量太大，对于单目标的跟踪都低于10帧/S，不适用于实际的监控当中。对此，车辆监控需要同时考虑跟踪的稳定性和实时性才能广泛应用于实际生活当中。 

发明内容

本发明的目的在于提供一种鲁棒性车辆实时检测与跟踪方法，主要解决现有技术中存在的车辆跟踪方法跟踪不稳定，实时性较差，实现较为复杂，不能满足人们需求的问题。 

为了实现上述目的，本发明采用的技术方案如下： 

一种鲁棒性车辆实时检测与跟踪方法，包括以下步骤：

（1）采用离线训练方式从车辆监测视频图片中截取车辆头部或尾部图片作为正样本，使用不包含车辆的任意图片作为负样本，并将正、负样本按1:2的比例搜集；

（2）提取正、负样本的Haar-like特征，并使用adaboost算法进行离线训练得出对车辆的判断逐级增强的级联分类器；

（3）输入目标图片，提取目标图片的所有Haar-like特征，使用级联分类器对目标图片的Haar-like特征进行检测识别，并根据识别出的Haar-like特征判断目标图片中车辆的特征分布信息，并在检测出车辆时记录目标车辆的车辆信息；

（4）建立跟踪列表，将目标车辆添加入跟踪列表，采用光流法对跟踪列表中的车辆进行位置预测，并判定车辆与预测位置间是否存在遮挡物，若存在遮挡物，则结合车辆的运动信息和LBP纹理直方图进行分析，得出修正后的车辆预测位置；

（5）根据车辆的初始位置和预测位置进行路径跟踪。

所述步骤（1）中，正样本图片的大小为20×20~100×100，负样本图片的大小不小于20×20。 

所述步骤（3）中，车辆信息包括车辆初始位置信息和尺寸。 

所述步骤（3）中，进行车辆检测前先初始化待检测区域，在检测到具有车辆的目标图片时将目标图片划分为均等的矩形网络，计算其LBP纹理直方图，并将该计算出的LBP纹理直方图作为步骤（4）中进行后续跟踪的匹配修正模板。 

所述步骤（4）中，当存在遮挡物时车辆预测位置的具体计算方法如下： 

（4a）设定车辆能够接受的被外界最大程度影响下车辆运动速度变化量的阈值和车辆预测位置下与初始目标模板的LBP纹理直方图间的相似度阈值；

（4b）计算前后两帧间车辆的运动速度变化量 和当前帧中预测位置下相同尺寸的目标与初始目标模板的LBP纹理直方图间的相似度 ；

（4c）判定计算出的运动速度变化量 和相似度 与各自已设定的阈值间的大小关系，当计算出的运动速度变化量 和相似度 均大于各自已设定的阈值时，采用LBP重采样的方式对车辆的预测位置进行修正，直至计算出的运动速度变化量 和相似度 中的至少一个小于已设定的阈值。

与现有技术相比，本发明具有以下有益效果：