[发明专利]一种基于快速特征金字塔的车辆多尺度跟踪方法

说明书

技术领域

本发明属于数字图像处理技术，特别涉及计算机视觉识别技术。

技术背景

随着经济技术的不断发展，科技水平的不断提高，人们的生活质量也相应发生翻天覆地的变化。近年来随着机器视觉技术的发展,机器视觉在智能交通系统中得到了广泛的应用,如交通事件及流量的监测、路面病害检测以及智能车辆的自动导航等。作为智能交通系统的一个重要组成部分,智能安全车辆是目前的研究热点，智能车辆利用智能算法理解车辆的即时环境,为安全行驶提供保障。

车辆跟踪技术是继车辆检测技术之后，又一大新的技术领域，两者紧密相连，缺一不可。根据摄像头与目标之间的位置关系，可将跟踪方法分为静态背景下的目标跟踪和动态背景跟踪。

㈠静态背景下的目标跟踪方法：

静态背景下的目标跟踪指的是摄像头是固定在某一方位，其所观察的视野也是静止的。通常采用背景差分法和高斯背景建模。背景差法先将前景图像与背景图像做差，就可以得到进入视野的目标物体。对于目标的描述，通常用目标连通区域的像素数目的多少来表达目标的大小，或者用目标区域的高宽比等。目标的位置信息可采用投影的方式来定位。高斯背景建模，即先对背景进行建模，通常使用K(基本为3到5个)个高斯模型来表征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,然后从视频流中读取图像(我们称之为前景图像)，用当前图像中的每个像素点与混合高斯模型匹配,如果成功则判定该点为背景点,否则为前景点。

㈡动态背景下的目标跟踪方法：

动态背景下的目标跟踪指的是摄像头并不固定在某一位置上，摄像头所观察的视野并不是静止的，也即背景相对于摄像头也是运动的。对于这种情况，通常采用基于检测的跟踪方法对单帧图像进行检测，以达到连续检测的效果。

常见的跟踪算法有：卡尔曼滤波，粒子滤波，TLD，CT。

㈠卡尔曼滤波：卡尔曼滤波(Kalman filtering)一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。基于卡尔曼滤波器的车辆跟踪方法在进行跟踪时，是利用过去的状态信息和当前的测量结果预测当前的最优状态信息，以达到跟踪的目的。

㈡粒子滤波：粒子滤波(PF:Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods)，它是利用粒子集来表示概率，可以用在任何形式的状态空间模型上。其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法(Sequential Importance Sampling)。简单来说，粒子滤波法是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。这里的样本即指粒子,当样本数量N→∝时可以逼近任何形式的概率密度分布。

㈢TLD：TLD(Tracking-Learning-Detection)的立足点是解决长时间跟踪中被跟踪目标发生形状变化、光照条件变化、尺度变化、遮挡等情况。检测器是将已经检测到的特征(表征目标物体)进行局部化处理，并且根据需要不断修正跟踪器。学习器估计出检测器的错误，并及时更新检测器，以避免后续再出现这些错误。传统的跟踪算法，前端需要跟检测模块相互配合，当检测到被跟踪目标之后，就开始进入跟踪模块，而此后，检测模块就不会介入到跟踪过程中。而该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。

㈣CT：CT(Compressive Tracking)是根据稀疏感知理论，用一个满足RIP条件的非常稀疏的测量矩阵对原图像特征空间进行投影，就可以得到一个低维压缩子空间。低维压缩子空间可以很好的保留高维图像特征空间的信息。所以我们通过稀疏测量矩阵去提取前景目标和背景的特征，作为在线学习更新分类器的正样本和负样本，然后使用该朴素贝叶斯分类器去分类下一帧图像的目标待测图像片。

㈤MOSSE：MOSSE(Minimum Output Sum of Squared Error filter)滤波器是一种实时性好，利用相关卷积矩阵求取最小输出均方误差的跟踪方法。并且对于光照、大小、姿势、非刚性形变具有一定的鲁棒性。该算法首先假设跟踪目标区域的输出响应呈高斯分布，利用卷积性质，可以求得卷积滤波器，然后在后一帧图像的当前位置，用此滤波器进行滤波来求得新的输出响应，根据新的输出相信确定目标在当前帧的位置。