[发明专利]抵抗强阴影干扰的运动车辆跟踪方法

说明书

本发明公开一种准确性高、鲁棒性好、具备自适应能力、基于非下采样剪切波域零树结构的抵抗强阴影干扰的运动车辆跟踪方法，将视频帧从RGB颜色空间转换到HSV颜色空间后，进行非下采样剪切波变换；假设变换系数服从高斯分布，采用变换系数的均值和标准差计算每个尺度的加权掩码；根据多尺度变换系数的零树分布特性，利用粗尺度的加权掩码校正细尺度的加权掩码，并将各个尺度、各个颜色通道的加权掩码进行线性组合，得到公共掩码；利用基于最小二乘拟合的最大熵方法计算自适应分割阈值，将公共掩码进行二值化；以投票方式确定运动车辆区域，进而采用均值漂移算法跟踪目标车辆。

技术领域

本发明涉及智能交通视频处理领域，尤其是一种准确性高、鲁棒性好、具备自适应能力、基于非下采样剪切波域零树结构的抵抗强阴影干扰的运动车辆跟踪方法。

背景技术

在智能交通系统对车辆目标进行自动跟踪过程中，由周围静态景物产生的静止阴影会引起运动车辆的特征发生短时变化；而运动车辆所产生的运动阴影会增大车辆在视频图像中的比例，使得目标车辆与阴影连为一体，容易被误检测为运动目标的一部分。故此，人们普遍认为，阴影是对车辆目标跟踪、分割和信息统计的一种干扰因素。无论是静止阴影，抑或是运动阴影，均会破坏目标车辆的特征一致性，影响目标跟踪算法的有效性，导致跟踪目标的丢失。在这种情况下，如何有效地提高跟踪算法对阴影干扰的鲁棒性乃至消除阴影，对于提高运动车辆目标的跟踪精度具有重要意义。

尽管阴影的表现有多种情形，可是大部分阴影均具有四方面共同特性：阴影的亮度低于前景的亮度；阴影不会过多改变背景的颜色；阴影不会改变运动前景和静止背景的纹理特点；阴影往往只出现在真正的运动目标区域之外。根据上述特点，近年来研究人员从算法的决策过程、采用的模型和依据的特征等多方面提出了多种有效的运动目标阴影检测和消除，主要包括基于彩色空间像素点的方法、基于边缘检测的方法、基于灰度空间轮廓线的方法等。

首先，基于彩色空间像素点的方法主要利用阴影的亮度和颜色特性，通过分析前景与背景像素的强度比，再在HSV 颜色空间结合多个阈值进行判断，对不同强度的阴影处理能力较强。Cucchiara等人利用多阈值对HSV颜色空间中前景和背景像素的强度比进行判断，所提出的DNM1方法在一定程度上抑制了阴影，但由于涉及到多个阈值，其自适应选取存在一定困难，难以做到对不同环境的自适应性。并且，当目标区域与阴影区域具有相似的颜色和灰度值时，该方法无法区分与阴影具有相似灰度值的运动目标，容易造成误判。Choi等人提出将归一化的RGB与1阶梯度信息相结合来判断阴影，在一定程度上减少了误判率。Xiang等人利用基于光照建模的局部强度比模型来改善跟踪算法对光照条件改变的鲁棒性。Ouivirach等人利用高斯混合模型在HSV颜色空间提取运动前景，然后利用最大似然方法判断提取的运动前景像素属于目标或阴影。该方法有效提升了检测效果，但是依然存在大量的误判且计算量较大。与Ouivirach等人的方法类似，Liu等人也利用高斯混合模型对HSV空间的每个像素进行投影建模，为降低误判率，他们引进了基于马尔可夫随机场(MRF)的预分类器来提取视频帧中阴影的颜色特征，并且对连续多帧阴影的特征进行统计，从而保证预分类器能够有效地适应阴影变化，取得了不错的效果。不过，当训练样本无法匹配阴影的变化速度，即车辆与阴影的相对运动较快时，全局阴影统计特征将不再可信，误判率也随之上升。