一種基于視頻技術的車輛跟蹤方法

翟永前，于惠芬，趙 力，鄒采榮

(1.南京鐵道職業技術學院，江蘇 南京 210015 2.東南大學信息科學與工程學院，江蘇 南京 210096)

0 引言

智能交通系統ITS(Intelligent Transportation System)以及交通智能管理技術成為近年來的研究熱點車輛跟蹤是基于視頻技術的智能交通檢測系統中最關鍵的技術之一，也是計算機視覺研究領域的一個重要課題[1]。視頻的目標跟蹤是對視頻序列中目標的時空變化進行監控，包括位置和大小等。在一段交通視頻中，若想獲得特定的某輛車的一些交通參數和特征，就必須將它與同幅圖片中所有檢測出來的其它車輛區別開來。跟蹤等價于在連續的視頻幀之間創建基于位置、顏色和大小等有關特征的匹配問題。常用的基于視頻跟蹤方法主要有模板匹配、基于特征的跟蹤、基于區域匹配的跟蹤和Kalman濾波器預測方法[2-5]。本文提出一種使用Kalman濾波器預測車輛位置，并用距離和顏色信息輔助識別車輛的跟蹤方法，還用實際城市道路的視序列對該算法進行了實驗。實驗結果表明，該算法能夠有效地對多個運動車輛進行跟蹤。

1 車輛跟蹤算法

車輛跟蹤算法以車輛區域的外接矩形對車輛目標進行標識，對已經出現在視場內并且已進入跟蹤狀態的目標，均對其跟蹤窗口賦予一個固定標號。Kalman濾波器能較好的預測目標在下一幀出現的位置，縮小搜索范圍，但是Kalman濾波跟蹤的缺點也非常明顯，當運動目標是非線性運動時，就很難用它來進行跟蹤，它的抗干擾能力也比較差。因此，在實際應用中，很少把Kalman濾波器單獨用來跟蹤，而是結合其它算法一起使用。因此，本文在采用Kalman濾波器預測目標車輛在下一幀的位置和大小后，利用中心點的距離和顏色信息的匹配來輔助目標的跟蹤。

我們首先利用Kalman濾波預測車輛位置。Kalman濾波器對于平滑或近似平滑有很好的預測效果，預測具有無偏、穩定和最有的特點，而且簡單易行。對于在交通環境不太復雜的路況，可以近似認為是直線勻速運動的，因此在本文的車輛跟蹤算法中，采用Kalman濾波器完成車輛位置的預測部分。根據Kalman濾波器的原理和運動車輛的特點，我們必須首先建立車輛勻速運動的Kalman濾波器模型。

對于實時視頻序列，每兩幀時間間隔比較小，可以認為目標在相鄰幀間運動變化緩慢，近似為勻速運動。根據動力學則有

其中，x(t)和x(t－1)分別表示質點在t和t－1時刻的位置，Δt為兩幀時間間隔，v為車輛的速度，可見系統為線性動態模型。

定義系統的狀態向量X(t)和觀測向量Y(t)分別是由表示車輛的外接矩形框的中心點在t時刻的坐標的x(t)和y(t)值，表示矩形框的寬度w(t)和高度h(t)值，以及前4個分量的運動速度vx(t)，vy(t)，vw(t)和vh(t)組成。根據Kalman濾波器方程有

式中，X(t)和X(t－1)是t和t－1時刻的狀態向量;Y(t)是t時刻的觀測向量;A和H分別是系統的參數矩陣;V表示觀測噪聲，呈高斯分布，其均值為零;協方差矩陣為R(可用背景圖像中某點在一段時間內的像素值的方差表示)。

如果在檢測到新出現的一輛車時，就產生一個Kalman濾波器，并以檢測到的車輛的外接矩形框的中心點的位置、寬、高作為初始狀態輸入濾波器。Kalman濾波器具有自適應功能，即使設置的初始狀態不對，它也可以從這個不太準確的狀態開始自動進入到正確狀態。因為本文初始狀態的速度難以準確地獲得，人為設置的值可能和實際狀態存在較大偏差。因此，在開始時可以將預測誤差的協方差矩陣設置比較大的數值，讓濾波器得知，此時存在較大誤差，應當縮短收斂時間。

我們采用距離信息為主、顏色信息為輔的策略進行匹配幀間車輛匹配，用Kalman預測來確定搜索區域的范圍。距離信息用于目標的跟蹤，顏色信息用于判別跟蹤是否正確。

在距離匹配過程中，跟蹤需要保存的量包括:Kalman濾波器和上一幀中檢測到的目標車輛矩形，由上一幀的結果對當前幀的預測矩形和當前檢測出來的矩形。

應用Kalman濾波器預測矩形后，分別計算檢測到的車輛區域矩形與預測矩形之間距離，將在視頻幀中檢測或跟蹤到的車輛目標記為C(xnk·ynk)。其中xnk和ynk分別是第n幀中k第個車輛目標的外接矩形的中心點所在的位置。根據Kalman濾波器對當前幀預測的目標記為)。其中和分別是對第n幀中第j個車輛目標進行預測得到的中心點位置。該中心點與當前幀中檢測出來的車輛的外接矩形的中心點之間的距離為

利用這個公式，可以計算出通過上一幀的檢測結果得到的利用Kalman預測的車輛外接矩形與當前幀中檢測出來的車輛外接矩形中心點的距離，當矩形間距離等于0或者小于某個閾值時就賦值為1，即檢測矩形與預測矩形匹配;否則就賦值為0，即不匹配。由于在一幀視頻中出現的目標數目不會很多，所以使用窮舉的方法來搜索幀間距離的計算量不會太大。經過這樣的計算就可以得到如表1形式的矩陣。

表1 跟蹤匹配表

其中，檢測矩形a、b、c、d代表當前幀中檢測出來的車輛外接矩形的標號，預測矩形①、②、③、④代表通過上一幀的檢測結果得到的利用Kalman預測的車輛外接矩形的標號。

將預測的矩形框與檢測出來的矩形框做匹配，可能有以下幾種情況。

(1)理想情況下，預測矩形與檢測矩形只有一個對應關系。一對匹配(如預測矩形②與檢測矩形a)說明檢測矩形所代表的車輛屬于預測矩形對應的跟蹤，此時僅對跟蹤模板更新，無須進一步處理;

(2)沒有對應匹配(如檢測矩形d)的檢測矩形，表示這是新進入的車輛，剛被檢測出來，隨之將產生一個新跟蹤;

(3)沒有對應匹配(如預測矩形①)的預測矩形，表示該跟蹤中止，即車輛駛出觀測范圍;

(4)一個預測對應著兩個或更多的檢測矩形，即有一對多匹配(如預測矩形③和檢測矩形b和c)，表示預測的矩形位置和周圍多個檢測矩形都很靠近，這種情況通常是預測誤差較大或有些車輛突然加速和靠近其它車輛所致。

對于這種一對多的匹配，我們可以引入顏色特征來輔助判斷目標是否匹配，在位置比較靠近預測矩形的幾個檢測矩形中，顏色與上一幀的檢測結果最相似的才認為是最匹配的。

在顏色匹配中，首先計算顏色的相似度可以通過計算矩形內的顏色直方圖獲得。自從1991年Swain和Ballard提出的將顏色直方圖作為圖像的索引以來[5]，在基于內容的圖像檢索中得到了廣泛的關注。其主要思想是根據顏色直方圖統計顏色空間中每種顏色出現的概率，然后對顏色之間的距離采用直方圖相交來度量顏色直方圖之間的相似性。顏色直方圖反映的是圖像中顏色的組成分布、出現了哪些顏色以及各種顏色出現的概率。其數學描述為H(i)=ni/N。其中，i表示圖像顏色取值，n表示圖像中具有顏色值為i的像素個數，N是圖像像素的總數。

顏色直方圖表現的是圖像的一種全局特性，每一幅圖像具有唯一的顏色直方圖，但不同的圖像可能具有相同的顏色直方圖。顏色直方圖對于圖像質量的變化(如模糊)也不甚敏感，顏色直方圖的這種特性使得它比較適合用于檢索圖像的全局顏色相似性的場合。因此，本文籍此進行顏色直方圖來進行顏色匹配。

2 車輛跟蹤實驗和結果

對于檢測出來的一個目標車輛的矩形框參數為r(x，y，w，h)。其中:x和y為矩形的左上角頂點的坐標，w和h是矩形的寬和高。矩形框的初始速度無法準確獲得，而Kalman濾波器具有自適應功能，即使初始狀態設置的不對，它也可以從這個不太準確的狀態開始逐漸進入到正確狀態，因此初始速度都設為0，因此有

對于Kalman濾波器的參數A矩陣中的Δt設置，本文所使用的視頻幀率為每秒15幀，Δt為幀間時間間隔，則Δt取為0.067秒。并且把后驗錯誤估計的協方差矩陣P和觀測噪聲的協方差矩陣R的初始值設為單位矩陣。

我們采用Kalman濾波器預測，結合距離和顏色匹配的方法對運動車輛進行跟蹤的部分實驗效果如圖1所示。其中，度量距離的閾值采用預測矩形框的對角線長度，而應用顏色信息時，設定顏色直方圖相似度為0.75。

圖1 對車輛進行連續跟蹤

在上面的實驗結果中每輛車有個單獨的標號，跟蹤過程中認為是相同的車就用相同的數字來標識。例如，在第292幀中，標號為2的車和上一幀中標號也為2的車被認為是同一輛車。在第293幀中，新出現了一輛車，標為5號。在第294幀中，標號也為5的車輛就是通過跟蹤技術，將同一輛車識別出來的。

為了比較本文提出的方法與其它傳統方法的性能和效果，我們把提出的方法與模板匹配法、區域匹配的跟蹤法以及傳統Kalman濾波器方法進行了比較實驗。在跟蹤樣本數是954的條件下，實驗結果如圖2所示。

通過比較實驗可以證明，在本實驗場景車流量不太多和實驗場景較簡單的情況下，采用本文提出的Kalman濾波器預測和距離、顏色信息匹配相結合的方法，算法簡單，跟蹤效果比較穩定，正確率也較高，并且能夠實現對車輛進行穩定的跟蹤。

圖2 跟蹤樣本數為954的車輛跟蹤實驗結果

4 結語

交通事件自動檢測是以車輛檢測和跟蹤為基礎的，本文提出了一種新的基于視頻的交通事件自動檢測與跟蹤技術，主要使用Kalman濾波器預測車輛位置，并用距離和顏色信息輔助識別車輛的跟蹤方法。我們通過實際城市道路的視序列對該算法進行的實驗。結果表明，該方法具有較好的效果，能夠實現對車輛進行穩定的跟蹤。

[1]張敬磊，王曉原.交通事件檢測算法研究進展[J].武漢:武漢理工大學學報，2005，(2):30-34

[2]Staufer C，Grimson W E L.Learning patterns of activity using real-time tracking[J].IEEE Transactions on Pattern Analysis/＆ Machine Intelligence，2000，22(8):747-757

[3]Jang D-S and Choi H-I.Active models for tracking moving objects[J].Pattern Recognition，2000，33(7):1135-1146

[4]Shoichi Araki，Takashi Matsuoaka，Naokazu Yokoya，et al.Realtime tracking of multiple moving object contours in a moving camera image sequence.IEICE Trans Inf＆Syst，2000，E83-D(7):102-112

[5]Kalman R E，A new approach to linear filtering and prediction problems[J].Transaction of the ASMF:Journal of Basic Engineering，1960(3):35-45

[6]Swain M J，Ballard D H.Color indexing[J].International Journal of Computer Vision，1991，7(1):11-32