[发明专利]一种基于多目标追踪的单车道逆行检测方法

权利要求书

1.一种基于多目标追踪的单车道逆行检测方法，其特征在于，

主要包括：

1)在视频中检测出前景运动目标；

2)构建车辆识别训练集，使用OPENCV提取图片特征，训练SVM分类器，分类车辆与非车辆；

3)提取记录视频中每一帧出现的车辆位置，使用卡尔曼滤波和匈牙利算法进行前后帧出现车辆的匹配，将属于同一个目标的匹配点连接成行径路线；

4)根据每个目标的行径方向，区别出与70％以上目标行径方向相反的车辆。

2.根据权利要求1所述的方法，其特征在于，

在前景提取中，采用帧差法进行前景目标的提取。

3.根据权利要求2所述的方法，其特征在于，

在车辆训练及识别中，准备训练样本，分别是正样本和负样本以及测试样本；负样本是正样本的2-3倍，提取图片的HOG特征值，通过SVM分类器训练模型。

4.根据权利要求3所述的方法，其特征在于，

在前后帧同一目标匹配时，通过最小化卡尔曼预测到的质心和检测到的质心之间的欧几里得距离之和，然后通过匈牙利算法找出最匹配的目标。

5.根据权利要求1所述的方法，其特征在于，

最后提取逆行车辆时，判断该区域内绝70％以上数车辆目标的路径方向，找出与70％以上方向相反的目标，并框出该车辆的位置。

6.根据权利要求2所述的方法，其特征在于，

利用帧差法和背景建模相结合分析静态前景提取，首先通过均值法背景建模，在视频图像中取连续N帧，计算这N帧图像像素灰度值的平均值来作为背景图像的像素灰度值；然后将得到的背景图像作为帧差法的背景帧，进行帧差计算，得到前景目标。

7.根据权利要求2所述的方法，其特征在于，

HOG特征提取算法的实现过程：

1)图像灰度化；

2)采用Gamma校正法对输入图像进行颜色空间的标准化；

3)计算图像每个像素的梯度；

4)Spatial/Orientation Binning：将图像划分成cells；

5)统计每个cell的梯度直方图，即可形成每个cell的descriptor；

6)将每3个cell组成一个block，一个block内所有cell的特征descriptor串联起来便得到该block的HOG feature descriptor；

7)将图像内的所有block的HOG feature descriptor串联起来就可以得到该图像的HOG feature descriptor，这个就是最终可供分类使用的特征向量了。

8.根据权利要求7所述的方法，其特征在于，

车辆分类训练的实现过程：

1)提取有标签图像训练集的HOG特征，并训练线性支持向量机分类器；

2)实现滑动窗口技术，并使用训练的SVM分类器搜索图像中的车辆；

3)在视频流上运行上述过程，检测出车辆；

4)最后，估计并画出检测到的车辆的边框。

9.根据权利要求4所述的方法，其特征在于，

使用得到的特征信息初始化卡尔曼滤波器，用它对下一帧中对应的目标区域进行预测，当下一帧到来时，在预测区域内进行目标匹配，建立帧间轨迹的关系。这里我们使用匈牙利算法进行目标匹配，计算预测的轨迹位置和每个新检测到的目标之间的欧几里得距离，将度量【损失函数矩阵】以及自定义阈值作为参数输入匈牙利算法中，若低于阈值，则取消匹配，增加其连续不可见帧数，反之匹配成功，则更新卡尔曼滤波器；

自定义连续不可见帧数阈值，对于未匹配成功的轨迹，若连续不可见帧数大于这个值时，删除该轨迹。若轨迹总可见帧数小于一定比值时，丢弃该轨迹。对于视频，逐帧进行目标检测以及轨迹跟踪操作，直至视频结束，显示最终跟踪结果。