[发明专利]基于颜色特征非线性降维的车辆检测跟踪方法

说明书

本发明公开了一种基于颜色特征非线性降维的车辆检测跟踪方法，通过视频拍摄采集路面车辆行驶视频数据；提取LBP特征；通过颜色变换，将RGB空间转化为CN空间，并提取颜色特征；将LBP特征和颜色特征进行特征融合；使输入特征回归为目标高斯分布，在线训练一个相关滤波器；加入尺度池，使得追踪框尺寸与目标车辆匹配；计算相关滤波器响应值从而确定目标车辆新的位置；重复上述步骤，直至视频结束；对每一帧所得到的跟踪车辆的中心位置进行连线，画出视频中跟踪车辆的轨迹。本发明通过LLE降维，并且与LBP特征结合，能够提高追踪算法的准确率。

技术领域

本发明属于视觉跟踪技术领域，具体涉及一种基于颜色特征非线性降维的车辆检测跟踪方法。

背景技术

视觉跟踪是计算机视觉领域的基础研究课题之一，在视频监控、机器人技术、人机交互和无人驾驶等领域有着广泛的应用。尽管在过去的十年中取得了很大的进展，但是由于光照变化、几何变形、部分遮挡、快速运动和背景杂波，无模型跟踪仍然是一个难题。相关滤波器被引入到视觉问题中，已经在许多方面中得到应用。根据卷积定理，时域中的相关对应频域中的逐元相乘。因此，核相关滤波的本质思想是在傅里叶域中计算相关度，以避免耗时的卷积运算。同时，在信号处理中，将相关滤波器作为两个信号之间的相似性度量，给出了可靠的距离度量。这些基于相关滤波的跟踪器虽然在精度和鲁棒性上都取得了令人满意的结果，但是采用固定大小的模板，无法处理目标的尺度变化。

智能交通系统(ITS)涉及图像处理和模式识别两个方面，是实现智能交通管理的关键。基于视觉的车辆监控方法具有维护简单、灵活性高等优点，成为智能交通系统中最常用的交通控制技术之一。相关滤波器包括训练分类器以从周围背景中识别目标。相关滤波器在目标检测和识别等众多应用中得到了广泛的应用。目标是最小化滤波器的能量响应或最小化响应在数据上的方差。

现有的相关滤波器算法有如下缺点：

(1)使用简单的线性插值更新模型，当目标外观发生尺度放大、缩小等变化时，跟踪算法容易产生漂移；

(2)使用方向梯度直方图(Histogram of Oriented Gradient,HOG)的相关滤波方法，没有尺寸和旋转不变性；

(3)使用颜色命名等特征检测算法，对于线条、纹理等特征不能很好地进行检测。

发明内容

本发明的目的在于提供一种基于颜色特征非线性降维的车辆检测跟踪方法。

实现本发明目的的技术解决方案为：一种基于颜色特征非线性降维的车辆检测跟踪方法，包括以下步骤：

步骤1、通过视频拍摄采集路面车辆行驶视频数据；

步骤2、根据采集到的视频数据，进行LBP特征提取；

步骤3、通过颜色变换，将RGB空间转化为CN空间，并提取颜色特征；

步骤4、将上述提取的LBP特征和颜色特征进行特征融合；

步骤5、将融合特征归为目标高斯分布，在线训练一个相关滤波器；

步骤6、加入尺度池，使得追踪框尺寸与目标车辆匹配；

步骤7、计算相关滤波器响应值从而确定目标车辆新的位置；

步骤8、重复步骤2～步骤7，直至视频结束；

步骤9、对每一帧所得到的跟踪车辆的中心位置进行连线，画出视频中跟踪车辆的轨迹。

与现有技术相比，本发明的显著优点为：(1)使用LLE降维，并且与LBP特征结合，增加追踪算法的准确率；(2)由于加入尺度池，相较于HOG算法，可以解决尺寸无法自适应的问题；(3)PCA降维更注重线性降维，会忽略颜色空间中的非线性关系，使用LLE降维可以更好地保存颜色空间的非线性关系。

附图说明