[发明专利]一种基于运动预测与多特征融合的车辆跟踪方法

说明书

本发明公开了一种基于运动预测与多特征融合的车辆跟踪方法，所述方法包括：步骤1)遍历跟踪列表从视频帧获得预测区域内的跟踪目标车辆的包围框；步骤2)判断各个跟踪目标车辆是否存在交叠，如果存在交叠则进入步骤3)，否则，进入步骤5)；步骤3)计算交叠目标车辆与原跟踪目标车辆间的多特征融合相似度并进行目标匹配；如果匹配成功，则转入步骤5)；否则，统计目标丢失帧数，转入步骤4)；步骤4)如果目标丢失帧数大于阈值，不将该目标车辆加入跟踪列表；否则，将目标加入跟踪列表，更新滤波模板；步骤5)基于运动预测估计下一帧预测区域；步骤6)所有跟踪目标车辆处理完成后，读入下一个视频帧，转入步骤1)，直到视频帧采集结束。

技术领域

本发明涉及智能交通系统、计算机视觉和目标跟踪技术领域，特别涉及一种基于运动预测与多特征融合的车辆跟踪方法。

背景技术

为了更加及时而全面地观察了解各条道路的交通状况，当前我国绝大多数城市的交巡警部门均部署了道路实时视频监控系统，以达到震慑违法驾驶、道路状况观察、交通流量引导等目的。然而，在目前已得到大量部署的道路视频监控系统中，绝大多数仍然只能显示并记录各个监控点位摄像头所传输的视频，并不具备智能分析能力。因此，还需要额外安排大量人员对获得的大量视频流进行人工监视，依靠人眼进行道路流量观察以及道路交通异常事件检查。随着计算机视觉领域技术在近几年的迅猛发展，研究人员有了越来越丰富的手段对视频图像中的信息进行高效的分析与处理。对道路交通监控视频而言，通过应用计算机视觉技术，可以对视频中的道路交通信息，特别是车辆信息进行提取采集，获取到的信息可以根据需求设计相应的算法以进行进一步的分析与处理，这在一定程度上可以大大减少对人为监控的依赖。对车辆的识别与跟踪是智能化处理的首要任务。

当前应用较广的车辆跟踪方法有卡尔曼滤波方法与粒子滤波方法等。这些方法处理速度较快，但由于并不对跟踪目标本身与其背景进行区分，受环境影响很大，跟踪精度不佳，应用范围受到了一定限制。近年来基于相关滤波的快速跟踪方法得到了相关工作人员的关注，这类方法的跟踪速度与精度较传统方法均有一定提升，不过仍然存在着对车辆快速运动与相互遮挡等场景跟踪效果不佳的问题。

发明内容

本发明的目的在于解决目前传统车辆跟踪方法中存在的跟踪精度与速度难以满足应用需求的问题，在基于相关滤波的快速跟踪方法基础上，提出一种基于运动预测与多特征融合的车辆跟踪方法，该方法在实现快速跟踪的同时具有很高的跟踪精度，对车辆快速运动与相互遮挡场景跟踪效果良好。

为了实现上述目的，本发明提出了一种基于运动预测与多特征融合的车辆跟踪方法，所述方法包括：

步骤1)遍历跟踪列表从视频帧获得预测区域内的跟踪目标车辆的包围框；

步骤2)判断各个跟踪目标车辆是否存在交叠，如果存在交叠则进入步骤3)，否则，进入步骤5)；

步骤3)计算交叠目标车辆与原跟踪目标车辆间的多特征融合相似度并进行目标匹配；如果匹配成功，则转入步骤5)；否则，统计目标丢失帧数，转入步骤4)；

步骤4)如果目标丢失帧数大于阈值，不将该目标车辆加入跟踪列表；否则，将目标车辆加入跟踪列表，更新滤波模板；

步骤5)基于运动预测估计下一帧的预测区域；

步骤6)跟踪列表中的所有跟踪目标车辆处理完成后，读入下一个视频帧，转入步骤1)，直到视频帧采集结束。

作为上述方法的一种改进，所述步骤1)具体包括：

步骤1-1)对跟踪目标列表中各个目标车辆的预测区域进行多尺度缩放，提取各个尺度的HOG特征，得到特征循环矩阵；

HOG特征向量为h＝[h₀,h₁,…,h_N-1]，其特征循环矩阵H表示为：