基于矩特征和卡尔曼滤波车辆跟踪算法.docVIP

基于矩特征和卡尔曼滤波车辆跟踪算法 　　【摘要】针对由于背景的动态变化而导致的目标车辆无法准确进行跟踪的问题，提出了一种基于卡尔曼滤波器的车辆跟踪算法。算法利用基于图像内容的动态前景分割的方法提取出目标车辆，以此建立基于HSV颜色空间的矩特征，从而得到目标的特征模板，在下一帧中利用卡尔曼滤波器对目标车辆的状态进行预测。在预测的区域内进行匹配定位，从而得到目标车辆的实际位置。实验结果表明，该算法实时性和准确性高，能够准确的完成对目标车辆的跟踪。 　　【关键词】目标跟踪；卡尔曼滤波；前景分割 　　1.引言 　　智能交通系统是当今研究的一个热点方向，但是由于复杂背景的动态变化以及目标车辆之间有时候会出现遮挡的情况会直接影响到目标车辆的检测、分离以及跟踪的准确性，从而影响到最后的跟踪结果。因此，如何实现从动态的背景中分割出前景目标并进行准确跟踪在智能交通系统中具有重要的意义，但同时这也是一个难点所在。 　　本文在参考文献[2]的基础上提出了一种利用HSV空间矩特征作为特征进行目标跟踪的方法，首先经过学习从动态的复杂背景中提取出前景目标，并将其进行分离。根据提取出来的前景目标建立HSV空间矩特征作为模板，然后引入卡尔曼滤波器预测出下一帧目标的大致区域，在预测的区域内进行匹配，从而完成对目标车辆的跟踪过程。 　　2.运动车辆的检测与分割 　　运动车辆的检测与分割是指在图像中检测出变化区域并将运动目标从背景中进行分离，检测结果的准确性对于车辆的跟踪具有重要的影响。 　　文献[2]提出了一种动态前景分割建模方法。其原理如下，依照贝叶斯决策规则进行前景和背景的划分，若： 　　则具有特征的像素点A被划分为前景。假设为像素点A的特征的量化特征，则。观察一段时间后，像素点A所得的N个模型可用表示，像素特征属于背景b的后验概率，可通过式（2）、（3）来估计。 　　由图1可知，该分割过程简单，而且分割效果较好。 　　3.目标车辆跟踪 　　当车辆检测并分割出来之后，车辆跟踪就是利用特征模板在相邻帧进行匹配的问题。本文提出的一种基于运动预测的车辆跟踪方法，一方面可以缩小目标搜索匹配的范围，提高匹配的速度；另一方面跟踪的鲁棒性强、准确度高。 　　3.1 运动估计模型 　　采用卡尔曼滤波器预测目标在下一帧中的区域。卡尔曼滤波本质是一种递归型的状态估计器。它包含预测和修正两个状态。 　　由于系统的采样频率为fps，相邻2帧之间的时间间隔约为s，所以可以近似地认为车辆匀速运动，且跟踪窗口的变化不大。 　　定义好运动模型的状态方程和观测方程后，在下一帧中可以在一个小的范围内利用Kalman滤波来估计车辆窗口的大小，从而得到目标的运动轨迹和质心位置。 　　3.2 跟踪特征选择 　　目标的特征有许多种，包括颜色、形状、轮廓等等，特征的选择在运动目标跟踪的过程中的关键步骤。特征选取合适的话能够实现有效跟踪，而当特征选择不当的时候往往会引起跟踪失败的情况发生。本文提出了一种在HSV颜色空间中的矩特征作为目标的特征描述，其计算公式如式（7），其中n为像素的个数，h为HSV空间中H分量的值，同理可得的值，以此便构了一个这样一个矩特征。在视频图像中，运动目标因为由远到近而导致体积发生变化时，其HSV空间的矩特征变化不大，相对于七阶不变矩特征，计算量小，能够实现对于目标车辆准确而有效的描述，鲁棒性较好。 　　3.3 车辆匹配和跟踪 　　由于图像序列相邻两帧之间的时间间隔较短，车辆的运动情况较稳定。可以认为同一目标车辆在相邻两帧图像中的质心位置和大小变化较小。根据动态前景分割的方法可以提取出前景目标，如果同时存在多个前景目标时，其中心位置位于卡尔曼滤波预测范围内的前景目标则是我们要进行跟踪的目标车辆。确定前景目标后提取其边界框，以此边界框内的目标信息建立基于HSV空间的矩特征并作为下一帧的匹配模板。然后在卡尔曼滤波预测的范围内，以此模板进行搜索匹配，计算相同大小的匹配区域同目标模板的欧式距离，其欧式距离最小的匹配区域即为目标车辆的观测值。即： 　　其中为待匹配区域的HSV空间矩特征，为模板HSV空间矩特征，n为矩特征的维数。此方法在跟踪过程中能完成模板的不断更新，往复进行就完成了目标跟踪。 　　4.实验结果及分析 　　为了验证本文算法的有效性，采集了一段城市道路交通的视频图像序列。视频图像的分辨率为160×120，帧率为每秒15帧。开发工具为matlab。从图2可以看出利用利用HSV空间矩特征能够完成对目标稳定而有效的跟踪，受噪声影响较小，跟踪的鲁棒性较强。 　　5.结语 　　本文提出的基于HSV空间矩特征和卡尔曼滤波的车辆跟踪算法，可以分为车辆检测和车辆跟踪。车辆检测部分利用动态前景分割的方法实现目标车辆的检测与分割过程；车辆跟踪过