[发明专利]一种基于无人机的道路交叉口车辆跟踪方法

说明书

本发明涉及一种基于无人机的道路交叉口车辆跟踪方法，包括有以下步骤：S1.将无人机悬停在道路交叉口中心的上方，对交叉口区域进行垂直拍摄，获取无人机视频；S2.对无人机视频中的每一帧视频帧中的车辆进行检测，获得车辆在视频帧中的影像区域；S3.对于相邻的两帧视频帧，分别计算前一帧中的车辆影像区域与后一帧中所有的车辆影像区域的直方图相似度、速度相似度和方向相似度，然后基于直方图相似度、速度相似度和方向相似度分别计算前一帧中的车辆影像区域与后一帧中所有的车辆影像区域的车辆影像置信度；S4.比较前一帧中的车辆影像区域与后一帧中的车辆影像区域的置信度的大小，选择后一帧中置信度最大的车辆影像区域作为同一车辆的影像。

技术领域

本发明涉及车辆跟踪领域，更具体地，涉及一种基于无人机的道路交叉口车辆跟踪方法。

背景技术

近年来，我国汽车保有量不断增长，道路压力不断增加，交通问题日益突出。平面交叉口是道路交通的枢纽，城市的交通问题往往突出地表现在交叉口上，因此对平面交叉口的车辆进行跟踪从而对道路交叉口的车流量进行统计是十分重要的。

随着多旋翼无人机技术的成熟，无人已经能够用于道路交通调查。道路交叉口车流量调查是交通调查的重要部分，是对路口车辆直行、左转或右转等运动方向进行跟踪并统计出各方向的车流量，为路口红绿灯配时和渠化提供依据。视频车辆跟踪是近年来计算机视觉等领域研究的热点，先后出现了各种算法和方法，包括基于特征的方法，基于滤波理论的方法，基于Mean Shift的方法，以及近年来出现的机器学习的方法等。

基于特征的方法是通过提取当前目标帧的轮廓、区域或三维模型等特征，然后在后续帧中进行特征匹配，常用的数学工具有卡尔曼滤波、动态贝叶斯网络等。基于滤波理论的跟踪方法将目标跟踪问题转化为概率密度估计函数估计问题，使用卡尔曼滤波器或者粒子滤波器来跟踪目标。基于Mean Shift的目标跟踪算法，其度量目标和候选目标之间相似性主要釆用概率密度之间的相似性函数，并且通过梯度下降算法推导出迭代方程从而实现对目标的跟踪。基于机器学习理论的方法是通过对某一类目标大量样本的学习获得针对该目标的分类器，从而使用分类器在视频中检测和跟踪该目标，具体有分为离线学习方法和在线学习方法，离线学习方法需要大量正样本和负样本，样本的质量决定跟踪的结果；在线学习可以边获取样本，边对该样本进行学习，从而使分类器逐渐提高自身的分类精度，但是在线学习没有严格的数学基础，一旦发生样本漂移现象将极大影响跟踪精度。

以上算法和方法一般是基于道路监控视频设计的，不能直接应用于无人机视频。另外，这些算法一般应用于道路中段或交叉口有限的几个方向，没有见到覆盖交叉口全部方向的算法。而且这些算法一般只能对单目标或少数目标进行跟踪，更多目标跟踪将极大地增加算法的复杂性。道路交叉口车流量调查需要对交叉口的所有车辆所有方向进行跟踪，同时还有路口周围树木、建筑物和路口渠化设施的影响，使车辆跟踪问题更加复杂。

发明内容

为了克服目前道路交叉口车辆跟踪算法跟踪统计不全面，计算复杂，适用性不强等问题，本发明提出一种基于无人机的道路交叉口车辆跟踪方法。本发明不需要高额的成本和复杂的操作，只需要将多旋翼无人机悬停在道路交叉口上空垂直拍摄，获取交叉口车辆等运动目标的视频，然后通过视频图像处理获得视频帧图像中车辆影像区域，分析车辆影像的区域特征以及车辆转向关系来跟踪车辆，实现对车辆的跟踪，是一种便捷、直接、适用性强的交叉口车辆跟踪方法。

为实现以上发明目的，采用的技术方案是：

一种基于无人机的道路交叉口车辆跟踪方法，包括有以下步骤：

S1.将无人机悬停在道路交叉口中心的上方，对交叉口区域进行垂直拍摄，获取无人机视频；

S2.对无人机视频中的每一帧视频帧中的车辆进行检测，获得车辆在视频帧中的影像区域；