[发明专利]一种基于检测的渡口车辆跟踪方法

说明书

本发明的基于检测的渡口车辆跟踪方法，包括如下步骤：步骤1）获取安装在渡口路边的摄像头的视频数据；步骤2）通过车辆检测模型得到所述视频数据的每帧图像中每一车辆的车辆区域；步骤3）计算每一车辆外接矩形框的直方图特征；步骤4）计算当前帧图像中每一车辆的直方图特征与记录在车辆跟踪列表中的每一车辆的直方图特征的特征距离，判断当前帧图像中的相应车辆是否为新出现的车辆；步骤5）将判定为新出现的车辆记录到车辆跟踪列表中；步骤6）对于同一辆车在当前图像上用相同颜色标识矩形框。有益效果：无需人工干预，并且采用的算法鲁棒性好，跟踪准确，适合不同的光照条件，对摄像头分辨率要求不高，实用性强。

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于检测的渡口车辆跟踪方法。

背景技术

基于视觉的目标跟踪是计算机视觉领域的一个主要方向，其过程是在视频序列中给定目标在首帧中的位置和大小，然后估计该目标在后续帧中的位置和大小。由于目标遮挡，外观形变，光照变化和背景复杂等因素，基于视觉的目标跟踪仍是一个挑战性的问题。基于视觉的目标跟踪方法主要分为传统的和基于深度学习的两类。近年来，传统方法中的相关滤波器的方法得到了研究者的重视。2010年Bolme等人首次将相关滤波器用于视觉目标跟踪。Henriques等人使用基于核空间映射原理的核相关滤波器实现跟踪。Danelljan等人提出带有尺度估计的视觉跟踪。由于这些方法都是在一个范围内盲目的搜索，其计算代价比较大。另一方面，随着深度学习的兴起，深度学习也被引入到目标跟踪中。Chao Ma等人和Danelljan等人将深度网络中低层的空间信息和高层的语义信息使用到视觉目标跟踪器中，提高跟踪效果。深度特征相比于传统特征具有更好的鉴别力，特征表述能力更强。然而深度特征的计算和在领域内的搜索都会导致算法的计算代价很大。综上所述，现有的视觉目标跟踪技术都是在一个范围内采用穷举得方式搜索和匹配目标，存有计算量大的问题，其容易跟踪出错。因此，一个减少搜索范围的快速有效的跟踪方法，对跟踪技术在视觉中的有效应用非常重要。

发明内容

本发明的目的在于克服上述现有技术之不足，提出了一种基于车辆检测的渡口车辆跟踪方法，利用安装在渡口路边的监控摄行头，通过基于预测的快速车辆检测方法得到车辆区域，接着基于检测到的车辆区域实现跟踪，具备速度快，准确性好，鲁棒性高，易于推广的特点，该方法具体由以下技术方案实现：

所述基于检测的渡口车辆跟踪方法包括如下步骤：

步骤 1）获取安装在渡口路边的摄像头的视频数据；

步骤2）通过车辆检测模型检测得到所述视频数据的每帧图像中每一车辆的车辆区域，所述车辆区域包括该车辆的外接矩形框的位置和大小；

步骤3）根据检测得到的当前帧图像中的各车辆区域，计算每一车辆外接矩形框的直方图特征；

步骤4）计算当前帧图像中每一车辆的直方图特征与记录在车辆跟踪列表中的每一车辆的直方图特征的特征距离，具有最小的特征距离且距离小于阈值t的对应两车辆，是当前帧图像中的车辆对应之前图像帧中车辆的相同车辆，否则当前帧图像中的相应车辆是新出现的车辆。

步骤5）将判定为新出现的车辆记录到车辆跟踪列表中；若该车辆之前已记录则更新车辆跟踪列表中的对应记录。

步骤6）对于同一辆车在当前图像上用相同颜色标识矩形框。

所述的基于检测的渡口车辆跟踪方法的进一步设计在于，所述摄像头获取的视频数据为YUV420格式，将该视频数据格式转换成1920*1080的RGB彩色图像格式后，通过车辆检测模型的检测。

所述的基于检测的渡口车辆跟踪方法的进一步设计在于，车辆检测模型由YOLO神经网络在数据集ImageNet上训练得到。

所述的基于检测的渡口车辆跟踪方法的进一步设计在于，所述直方图特征包括颜色直方图特征和边缘直方图特征。