基于自适应卡尔曼滤波的运动车辆检测.docVIP

基于自适应卡尔曼滤波的运动车辆检测 　　摘要：卡尔曼滤波是一种根据时变随机信号的统计特性，对信号的未来值做出尽可能接近真值的一种估计方法，首先介绍了卡尔曼滤波原理，然后阐述了它在运动目标检测的应用。针对传统的固定值的卡尔曼滤波方法的缺陷，提出了自适应更新参数的卡尔曼滤波方法。通过与传统的卡尔曼滤波方法、帧差法、光流法和高斯混合模型方法的比较，证明了该方法的有效性。 　　关键词：自适应卡尔曼滤波； 背景更新； 车辆检测 　　中图分类号：TP391文献标识码：A文章编号：1009-3044(2008)27-2051-03 　　 　　Moving Vehicle Detection Based on Adaptive Kalman Filter 　　ZHANG Wei, BAO Xu-dong 　　(Lab of Image Science and Technology, Southeast University, Nanjing 210096, China) 　　Abstract: Kalman Filter is a method to estimate the future state of a process based on the statistic character of temporal process, in a way that minimizes the mean of the squared error. The paper introduced the Kalman Filter theory firstly, then presented the application of the moving vehicle detection. For the improvement of traditional Kalman Filter, the adaptive updating parameters was proposed. Compared to traditional Kalman Filter, temporal difference method, Optical Flow method and Gaussian Mixture Model, the experiments show that the method is effective. 　　Key words: adaptive kalman filter; background updating; vehicle detection 　　 　　1 引言 　　 　　运动目标检测是指从视频流中实时提取运动目标。运动车辆检测是智能交通系统的重要组成部分，它是车辆跟踪、流量统计等的基础。由于受到光照变化、树木摇动、恶劣天气、行人等复杂情况的影响，背景也在不断变化，这样就增加了运动车辆检测的难度。 　　目前常用的检测方法有背景消减[1] (background subtraction)，时间差分[2] (temporal difference)，光流[3] (optical flow) 等方法。时间差分法的优点是计算简单且不易受环境光线变化的影响，但它不能检测静止车辆，且处理效果与图像采样频率以及被检测车辆的车速有关。车速过快过慢都会导致车辆检测的失败。虽然光流法对运动检测十分敏感，但光流的计算方法相当复杂，且抗噪性能差，其处理速度相当慢，达不到实时处理的要求。背景消减法是目前最常用的一种方法，而高斯混合模型是其中最经典的方法。背景消减法的关键是背景提取与背景更新。 　　由于视频在采集的过程中，信号会受到各式各样的噪声影响，这种噪声的随机性使得无法用传统的经典滤波方法将之去除，只能根据随机信号的测量数据和信号与噪声的特性，对信号做出尽可能正确的估计，而卡尔曼滤波正是这样一种预测技术。本文采用了自适应的卡尔曼滤波的方法，实时更新参数，很好的解决了固定值卡尔曼滤波所产生的不利影响。 　　 　　2 卡尔曼滤波的原理 　　 　　卡尔曼滤波[4]是根据过去的信号，利用统计估计理论，并使用线性最小均方误差作为最优准则，预测将来某个时刻的值。卡尔曼滤波从与被提取信号有关的测量值中通过算法估计出所需的信号，它实际上是对随时间改变参数估计的一种最小二乘逼近，它考虑一个随时间变化的状态矢量，并通过一个观察模型测得一组与参数相对应的不同时刻的参数值。假如能够建立参数的确定性和不确定性影响随时间变化的模型，卡尔曼滤波就可以对任何时刻对状态矢量进行估计。 　　在标量情况下，信号可以表示为： 　　 　　其中F为自回归系数，ωk为零均值的白噪声。 　　观察值是信号与噪声的加法组合： 　　 　　其中，nk也是零均值的白噪声，且与