基于視頻圖像處理技術的車輛跟蹤算法

柏淼

【摘 要】從車輛視頻流中準確提取出車輛的輪廓.為提高計算速度，改進的GVF—Snake模型采用貪心算法逐點迭代，并根據控制點的距離，自適應地增刪控制點，以適應車輛目標大小變化.本文提出一種基于改進的GVF—Snake模型（視頻圖像處理技術）的車輛跟蹤算法.該算法利用幀差法自動獲取車輛的初始輪廓，通過進一步的優化GVF—Snake模型，在此基礎上，應用預測算法對車輛進行快速準確的預測和跟蹤監測.實驗結果驗證該算法是十分有針對性且穩定的。

【關鍵詞】視頻圖像 車輛跟蹤 GVF-Snake模型

1 目標輪廓的獲取

1.1 初始輪廓的獲取

初始輪廓的選取，將直接影響到試驗數據最終的效果?？紤]到初始輪廓選取的重要性，算法需要結合繁多交通視頻圖像的特點，利用幀差法獲取目標初始輪廓.利用前后兩幀的圖像差得到差圖像，將每個像素點的值與閾值比較得到二值圖像。

1.2 GVF—Snake模型的改進型

獲取初始輪廓，我們應用GVF—Snake模型使其收斂得到車輛目標的收斂輪廓。為準確快速地進行收斂，在傳統的GVF—Snake模型的基礎上結合交通監控圖像的特點。

d是各控制點間的平均距離。外部能量（圖像能量）函數的形式有多種，為克服基本Snake模型捕獲范圍小的問題，我們采用GVF能量。

1.3 GVF-Snake模型

活動輪廓模型就是一條可變形的參數曲線及其相應的能量函數，以最小化能量函數為目標，控制參數曲線變形，具有最小能量的曲線就是目標輪廓.在基本的Snake離散模型[121中，設活動輪廓曲線控制點為vi一（zi，Y。），1≤i≤N，N為控制點數2.2.3 貪心算法與自適應的增刪點算法為提高收斂速度，本文算法采用willams等人提出的貪心算法。

1.4 目標跟蹤模型

目標跟蹤等價于在連續的視頻流中對目標的區域、特征、模型、輪廓進行對應匹配的問題。常用的數學工具有卡爾曼（KalmanFiltering）、粒子濾波口1（Particle Filtering）、短程線法（GeodesicMethod）、預測算法[17]（Forecast Algorithm）等.本文采用預測算法對目標進行跟蹤（預測目標在下一幀的初始輪廓），并結合交通視頻的特點，對其做必要改進。由于初始輪廓與真實輪廓相差不遠，GVF—Snake模型只需要保證在較近的范圍內有良好的搜索能力，就能達到既快速又可靠跟蹤的目的。

2 關鍵技術及解決方案

基于變換的視頻處理過程如圖2，日前，變換的視頻處理技術主要是：一維子帶編碼和分級運動補償，二維子帶編碼利用分析的多分辨率特性，準確估計運動、清除運動模糊信息；分級運動補償針對兩幀圖像之間的差值信號進行變換，并在域內進行消噪、編碼等，由圖像之間的變化很小，使差值信號系數很少，這樣提高了變換的速度。但是，視頻處理速度在很大程度上取決于逆變換所需時間，視頻處理的關鍵問題在于處理速度。

2.1采用多變換

多變換足單的推廣，普通的單能同時具有對稱、正交、有限支持等性質；而多放松了對單函數的限制，擁有這些特性，它對圖像壓縮有廣闊的應用前景。

3 視頻車輛檢測系統的分析與設計

前面章節介紹了視頻圖像車輛檢測的算法及基本原理，對圖像處理過程中的圖像預處理，邊緣提取，車輛檢測及分割的基本原理、算法做了介紹，對各種算法做了分析比較，提出了新的算法。

4 結語

下一步將考慮引入模糊理論，使每個閾值根據已知的參量自適應變化，進一步提高算法的可靠性。本文提出一種基于改進的視頻模型的車輛跟蹤算法。經實驗驗證該算法是有效的，能夠較好地提取車輛目標的邊緣，完成對車輛的跟蹤。算法中引入一些閾值，盡管分別在黑夜、白晝2種模式下取值，一定程度上提高算法的可靠性，但仍然不具有自適應能力。

參考文獻：

[1]張玲，陳麗敏，何偉 等.基于視頻的改進幀差法在車流量檢測中的應用.重慶大學學報（自然科學版），2004，27（5）：31—33.

[2]柳林霞，陳杰，竇麗華.不變矩理論及其在目標識別中的應用.火力與指揮控制，2003，28（2）：13—15.

[3]嚴柏軍，鄭鏈，王克勇.基于不變矩特征匹配的快速目標檢測算法.紅外技術，2001，23（6）：8-12.