动态背景下运动车辆检测与跟踪研究.docVIP

动态背景下运动车辆检测与跟踪研究 　　【摘 要】为实现对车载设备视频图像中车辆的识别和跟踪，针对图像中的运动目标和动态背景，提出了一种基于特征学习的目标检测和超像素跟踪算法。该算法首先对训练图像进行HOG特征提取，并利用AdaBoost算法得到强分类器。利用强分类器对采集的图像进行车辆检测，从而确定搜索区域。结合对搜索区域的超像素分割结果，采用均值漂移聚类算法实现车辆识别与跟踪。实验结果表明，该算法可以很好地实现视频序列中的车辆识别，提高了目标跟踪的实时性。 　　【关键词】HOG特征 AdaBoost算法 超像素 均值漂移聚类 车辆识别 车辆跟踪 　　[Abstract] In order to detect and track moving vehicles in video image of in-vehicle camera， a vehicle detecting and tracking algorithm based on feature learning and super-pixel tracking was proposed in this paper according to moving object and dynamic background in video image. Firstly， HOG feature was extracted from the trained image and AdaBoost algorithm was used to compute reinforced classifier. Then， the reinforced classifier was adopted to detect the captured image to determine the search area. Finally， combined with results of super-pixel segmentation， mean-shift clustering algorithm was used to identify and track vehicle. Experimental results show that the proposed algorithm can successfully detect moving vehicle in video image and significantly improve the real-time of vehicle tracking. 　　[Key words]HOG feature AdaBoost algorithm super-pixel mean-shift clustering vehicle identification vehicle tracking 　　1 引言 　　随着汽车工业的飞速发展，汽车逐渐成为人类日常生活中最主要的交通工具。汽车保有量大幅增加导致的道路交通事故增多现象已成为全球性的安全问题之一。ITS（Intelligent Transport System，智能交通系统）[1]是保障驾驶安全性和提高交通资源利用率的一种有效解决方案。智能交通系统中的车辆控制系统主要是通过改进驾驶方式来提高行车安全性，如通过障碍物（包括道路上其它车辆）检测、车道和交通标志检测提醒驾驶员以避免车辆碰撞等事故的发生。在智能交通系统中，随着车载设备的普及以及计算机视觉[2]（Computer Vision）领域中目标检测与跟踪算法的深入研究，基于车载设备视频图像的目标检测和跟踪结果将能为辅助驾驶提供可靠的参考信息，从而进一步实现安全驾驶。 　　视频图像的车辆跟踪主要分为2个部分：车辆检测和车辆跟踪。基于视频图像的车辆检测是从图像中找到可以识别车辆的特征区域，并将目标区域从原始图像中分割出来。目前存在的车辆检测方法主要有3种：帧间差分法、光流法和背景差分法[3-5]。帧间差分法算法简单、计算量小、实时性较好，但在环境噪声比较敏感的地方，当车辆轨迹发生突变时会出现误检测的情况。光流法不需要任何先验信息，可以检测出图像中细小的运动区域，但计算量较大，对噪声和光照变化敏感。背景差分法运算量小，检测结果比较准确，但对于背景的建模要求很高，对环境变化敏感。基于视频图像的车辆跟踪是指在视频图像的每一帧中找到有效特征区域。目前存在的车辆跟踪方法主要有4种：基于模型的跟踪、基于动态轮廓的跟踪、基于区域的跟踪和基于特征的跟踪[6-7]。基于模型的跟踪具有较高的跟踪精度、较强的鲁棒性（Robustness），但复杂度较高且运算速度较慢。基于动态轮廓的跟踪有较强的抗噪声性，但跟踪精度取决于车辆的初始位置信息。基于区域的跟踪能够实现