關于復雜交通場景中的車輛檢測與跟蹤

李楊

【摘要】：城市交通問題是人們關注的熱點，智能交通系統可有效緩解城市交通壓力。而智能交通系統離不開車輛檢測技術和車輛跟蹤技術的支持，本文以復雜交通場景中上述兩種技術研究對象，提出了一種可以有效辨別車輛性質，即臨時車輛和確定車輛的跟蹤與檢測方法。

【關鍵詞】：復雜交通場景；車輛檢測；跟蹤

城市交通壓力隨著時代進步越來越大，智能交通系統的出現可有效緩解城市交通壓力。而視頻圖像檢測器是智能交通系統中關鍵的組成部分，它通過捕捉車輛運行中的圖像，使相關人員可全面掌握交通現狀。本文以復雜交通場景中車輛檢測技術和車輛跟蹤技術為研究對象，提出了一種可有效辨別車輛性質，即臨時車輛和確定車輛的跟蹤與檢測方法。

一、復雜交通場景中的車輛檢測與跟蹤

本文設計的車輛檢測與跟蹤監測系統分為三部分，一是鎖定感興趣區域，二是對重要區域內的車輛進行識別和檢測，三是對車輛進行跟蹤處理。感興趣區域（ROI，region of interesting），簡稱ROI。鎖定感興趣區域即提取包含目標車輛的場景，這樣才能開展下一步車輛檢測和跟蹤工作。在鎖定感興趣區域時筆者使用的是背景差法，最終得到很多ROI圖像，每幅ROI圖像代表一個“疑似車輛”。但需注意ROI圖像之間可能存在重疊現象，主要有兩類重疊現象：第一類，不同車輛之間重疊；第二類，一臺車不同部分之間重疊。針對第二類重疊現象，需要進行一定的融合處理，目的是避免出現同一臺車反復出現的現象。具體融合過程如下：

假定兩個ROI圖像重疊，第一個ROI圖像對應的外接框面積可表示為，第二個ROI圖像對應的外接框面積可表示為，兩者之間重疊部分的面積可表示為，假定兩個ROI圖像的重疊率分別為和，那么可得出，。在開展融合操作時需遵照一定的原則，主要有兩三個原則：

第一，若和的數值大小滿足一定的條件，即，或者是，其中表示的是事先設定的閾值，在本系統中筆者以經驗為依據選擇閾值為0.7，若和可以滿足上述條件，就可開展融合操作。

第二，如果和的數值大小滿足一定的條件，即，或者是，其中表示的是事先設定的閾值，在本系統中筆者以經驗為依據選擇的閾值是0.1。此時，假定重疊部分中感興趣區域的有效像素集合是A，而兩個外接框中有效像素集合分別是B和C，檢查集合A、B和C之間的關系，如果，其中是集合B的一部分，而是集合C的一部分。此時若子集和滿足下述兩個條件中任意一個，則原始圖像就可以融合：（1）子集是空集，或者子集是空集；（2）子集中的元素個數要比事先設定的閾值少，或者子集中的元素個數要比事先設定的閾值少。如果子集和滿足不能滿足上述兩個條件中的任意一個，那么原始圖像就無法融合。

第三，如果，同時，那么原始圖像無法開展融合操作。

融合操作結束后，需開展特征提取過程，特征提取的主要目的是找出ROI圖像中的一些有用信息。筆者需要提取的特征主要有以下幾種：質心點坐標、平均灰度、方向、面積和描述區域形狀的坐標集。筆者將上述特征分為兩類，第一類是主要特征，如、，第二類是次要特征，如、。特征提取操作結束之后，可得到表征ROI圖像的兩組特征向量，分別是主要特征向量以及次要特征向量。

上述操作都是為了后續匹配工作做準備，ROI圖像代表行駛中的不同車輛，本系統中的匹配就是指根據ROI圖像來找相似區域，進而確定和定位行駛中的某一輛車。具體匹配過程如下：

匹配過程中涉及兩個鏈表，分別是車輛鏈表和當前幀圖像臨時鏈表，和匹配過程相關的變量是不同區域特征向量之間的空間距離。所有區域中都包含兩類特征向量，分別是主要特征向量V，以及次要特征向量W，將車輛鏈表中第k個主要特征向量記為Vk，第k個次要特征向量記為Wk；將臨時鏈表中第n個主要特征向量記為Vn，第n個次要特征向量記為Wn；將空間距離記為DVkn和DWkn，其中=（Vk-Vn）T（Vk-Vn），=（Wk-Wn）T（Wk-Wn）。

第一，確定特定區域K和臨時鏈表中所有區域的空間距離DVkn，將計算得到的DVkn數值和事先設定的閾值進行比較，若所有的DVkn都大于閾值，則表示臨時鏈表中不存在和區域K相似的區域；第二，若存在一個DVkn值小于閾值，則表示臨時鏈表中存在一個和當前區域K相似的區域；第三，若小于閾值的DVkn的數量大于1，此時需要進一步計算上述區域和K之間的DWkn值，其中DWkn最小的那一個區域就是和K最為相似的區域。不斷重復上述過程一直到瀏覽完車輛鏈表中所有元素，然后對車輛鏈表進行更新處理，具體做法是將成功匹配的臨時鏈表區域替換原有的車輛鏈表區域，將未能匹配的臨時鏈表區域加入車輛鏈表。

完成匹配操作后，筆者進一步提出了一種確定有效匹配和無效匹配次數的方法。筆者將有效匹配的次數記錄為ms，將無效匹配的次數記錄為mf，在初始時刻，當車輛鏈表中存在數據時就將該車輛記為臨時車輛，此時該車輛的ms數值是1，mf數值是0，在接下來的匹配操作中，如果出現了有效匹配，那么ms的數值就加1，如果出現了無效匹配，那么mf數值就相應的加1。隨著匹配操作的不斷開展，mf和ms的數值都在不斷增加，當mf的數值達到n/2（n取決于采樣頻率）時，表示該區域是不正確的，從車輛鏈表中剔除該區域；當ms的數值增加到n時，表示該車輛是可完全確認的。

二、實驗與分析

為驗證本文提出方法的有效性，筆者通過實驗進行驗證。實驗中所用圖像大小是576×768，一共600幀，其中n的取值是30。圖1顯示的是通過本文方法處理圖像的結果。通過本文方法處理后，最終準確率高達96%，這充分說明本文方法的有效性。

三、結語

背景差法是非常有效的車輛跟蹤方法，基于區域的方法是非常有效的車輛檢測方法，筆者將背景差法和區域跟蹤法有機融合，形成了一種有效的區分臨時車輛和確定車輛的車輛跟蹤與檢測方法。

參考文獻：

[1]郁梅，王圣男，蔣剛毅.復雜交通場景中的車輛檢測與跟蹤新方法[J].光電工程，2005，02：67-70.

[2]袁俊，喻擎蒼，曾瑤.一種復雜交通場景中的車輛檢測與跟蹤方法[J].工業控制計算機，2013，02：87-88+90.