[发明专利]基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统

说明书

本发明提供了一种基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法，该方法首先离线训练深度学习CNN模型，建立车辆白天、夜间红外分类器。其次，系统采集一帧图像，检测车辆：白天用动静目标检测方法获得运动、静止目标，用白天分类器分出车辆；夜间用车灯方法检测车灯位置，用夜间分类器检测车辆位置。然后，为检测到每个车辆目标初始化卡尔曼滤波器。接着下一帧，检测当前帧的车辆位置，使用上一帧车辆目标的卡尔曼滤波器预测位置；对比检测位置与预测位置，接着将上一帧图的车辆目标与当前帧图的车辆的位置连接起来，获取车辆的跟踪路径。最后，系统在视频中画出车辆的连续帧路径。

技术领域

本发明属于图像识别、视频分析、车辆识别领域，尤其涉及一种基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统。

背景技术

随着社会的发展、人们生活水平的不断提高，汽车逐渐得到普及。但随之而来的是交通事故，尤其是恶性交通事故趋势不断上升。近年来，车辆的增长速度已经远远高于道路和其他交通设施的增长速度，因此，交通事故不断发生，人员伤亡与日俱增、财产损失严重。造成交通事故的原因主要有超速行驶、占道行驶、酒后驾驶、疲劳驾驶等。因此，对于交通管理部门，通过视频监控对车辆运行状态进行监督，并加大处罚力度；同时对于驾驶员如果能提前观察到前方车辆，那么可以避免绝大多数的事故。基于上面，车辆检测跟踪技术具有重要的应用价值和发展前景。

智能交通视频监控算法主要包含车辆检测、车辆跟踪和车辆行为分析三个步骤。车辆检测实现初始交通场景中车辆目标的提取；车辆跟踪对提取的车辆目标进行实时的运动描述，并生成各自的运动轨迹；行为分析基于产生的运动轨迹的规律来判断车辆是否发生违章行为或处于异常状态。

常见跟踪算法可归为以下四类。

(1)基于区域的跟踪算法

基于区域的跟踪算法基本思想是：将目标初始所在区域的图像块作为目标模板，将目标模板与候选图像中所有可能的位置进行相关匹配，匹配度最高的地方即为目标所在的位置。最常用的相关匹配准则是差的平方和准则，(Sum of Square Difference，SSD)。

(2)基于特征的跟踪方法

基于特征的目标跟踪算法通常是利用目标的一些显著特征表示目标，并通过特征匹配在图像序列中跟踪目标。该类算法不考虑目标的整体特征，因此当目标被部分遮挡时，仍然可以利用另一部分可见特征完成跟踪任务，但是该算法不能有效处理全遮挡、重叠等问题。

(3)基于轮廓的跟踪方法

基于轮廓的目标跟踪方法需要在视频第一帧中指定目标轮廓的位置，之后由微分方程递归求解，直到轮廓收敛到能量函数的局部极小值，其中，能量函数通常与图像特征和轮廓光滑度有关。与基于区域的跟踪方法相比，基于轮廓的跟踪方法的计算复杂度小，对目标的部分遮挡鲁棒。但这种方法在跟踪开始时需要初始化目标轮廓，因此对初始位置比较敏感，跟踪精度也被限制在轮廓级。

(4)基于模型的跟踪方法

在实际应用中，我们需要跟踪的往往是一些特定的我们事先具有认识的目标，因此，基于模型的跟踪方法首先根据自己的先验知识离线的建立该目标的3D或2D几何模型，然后，通过匹配待选区域模型与目标模型实现目标跟踪，进而在跟踪过程中，根据场景中图像的特征，确定运动目标的各个尺寸参数、姿态参数以及运动参数。

专利CN201220337489“基于图像处理的智能交通管控装置”是基于运动检测的方法，当车辆停止后，车辆就会融入背景，运动方法无法检测车辆，则无法跟踪；同时，没有描述夜间检测的情况。

专利CN201210357874“一种车辆跟踪方法及系统”是基于特征检测的方法，该方法从整个图像或者局部图像进行遍历，搜索策略计算量较大，而且目标特征不能及时得到更新，姿态变化易导致跟丢，同时由于遮挡、错误消去等原因造成的短暂丢失的目标无法继续跟踪；同时，没有描述夜间检测的情况。