鄧塏鏞　唐佳林

摘 要：智能交通系統(tǒng)中車輛跟蹤模塊的準(zhǔn)確性非常重要，其跟蹤結(jié)果直接影響車流量、違章事件、交通事故的統(tǒng)計(jì)與分析結(jié)果。基于交通車輛，該文對(duì)目標(biāo)特征跟蹤法、動(dòng)態(tài)輪廓跟蹤法、區(qū)域中心點(diǎn)匹配跟蹤法分別進(jìn)行分析選取，并對(duì)效果最好的方法進(jìn)行了實(shí)現(xiàn)和效果對(duì)比，從而為日后的車輛跟蹤提供一種切實(shí)可行的算法以提高跟蹤的效率。

關(guān)鍵詞：車輛目標(biāo) 跟蹤算法 智能交通 效率

中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2015）04（b）-0218-01

隨著城市現(xiàn)代化進(jìn)程的加快，汽車數(shù)量日益增多，為了能時(shí)刻監(jiān)察路面擁擠、違章行為、交通事故等狀況，智能交通系統(tǒng)被普及使用。其中車輛跟蹤是智能交通中的至關(guān)重要的模塊，車輛跟蹤算法的選取與實(shí)現(xiàn)過(guò)程都會(huì)直接影響車輛跟蹤的效率。

1 車輛目標(biāo)跟蹤算法的比較與選取

運(yùn)動(dòng)目標(biāo)跟蹤就是在視頻的每一幅圖像中確定出運(yùn)動(dòng)目標(biāo)的位置，并把不同幀中同一目標(biāo)對(duì)應(yīng)起來(lái)。常用的跟蹤算法有目標(biāo)特征法、動(dòng)態(tài)輪廓法、區(qū)域中心點(diǎn)匹配法。

目標(biāo)特征法是在相鄰的兩幀圖像中利用線、點(diǎn)、面積等個(gè)體特征來(lái)跟蹤運(yùn)動(dòng)目標(biāo)。一般以運(yùn)動(dòng)目標(biāo)的質(zhì)心距離和幾何面積作為目標(biāo)匹配模板，然后把后續(xù)圖像中的目標(biāo)特征與模板特征進(jìn)行比較，把差別小的確定為目標(biāo)，從而達(dá)到跟蹤的目的[1]。此方法算法簡(jiǎn)單，不用區(qū)分目標(biāo)的幾何形狀，但當(dāng)目標(biāo)被遮擋時(shí)則無(wú)法識(shí)別，導(dǎo)致跟蹤失敗。

動(dòng)態(tài)輪廓法是先在人工選定的位置上勾勒出目標(biāo)的輪廓曲線，當(dāng)目標(biāo)運(yùn)動(dòng)時(shí)，輪廓線會(huì)有能量變化，當(dāng)能量向極小值變化時(shí)，目標(biāo)輪廓?jiǎng)t逐漸收斂，根據(jù)反復(fù)迭代能量函數(shù)，確定跟蹤目標(biāo)輪廓[2]。此方法計(jì)算復(fù)雜度低，但目標(biāo)輪廓的精度受初始位置的影響，初始化難度大。而該研究的對(duì)象是車輛，攝像頭所拍攝到的車輛二維輪廓也會(huì)隨時(shí)間推移而改變，嚴(yán)重影響本方法對(duì)目標(biāo)的鎖定。

區(qū)域中心點(diǎn)匹配法是把對(duì)當(dāng)前幀圖像通過(guò)運(yùn)動(dòng)物體分割檢測(cè)出運(yùn)動(dòng)區(qū)域，并以其中心點(diǎn)建立跟蹤區(qū)域模板，然后將當(dāng)前幀的運(yùn)動(dòng)物體與跟蹤區(qū)域模板進(jìn)行匹配，尋找出與模板區(qū)相似性最大點(diǎn)的位置，并以此點(diǎn)為中心定義新的搜索區(qū)窗口，最后利用當(dāng)前幀已跟蹤上的區(qū)域的參數(shù)預(yù)測(cè)下一幀中運(yùn)動(dòng)區(qū)域的位置。此方法能動(dòng)態(tài)地維護(hù)一幅背景圖像，通過(guò)前景圖像和背景圖像之間的差值來(lái)確定運(yùn)動(dòng)區(qū)域，適合對(duì)大范圍、復(fù)雜場(chǎng)景下進(jìn)行目標(biāo)跟蹤，具有較強(qiáng)的實(shí)時(shí)性。

根據(jù)以上算法的對(duì)比，該研究確定使用區(qū)域中心點(diǎn)匹配跟蹤法進(jìn)行車輛目標(biāo)的跟蹤。

2 區(qū)域中心點(diǎn)匹配跟蹤算法的實(shí)現(xiàn)

該系統(tǒng)的算法程序采用 Visual C ++ 與OpenCV圖像開(kāi)發(fā)包進(jìn)行實(shí)現(xiàn)，以下是區(qū)域中心點(diǎn)匹配跟蹤算法的實(shí)現(xiàn)過(guò)程。

2.1 設(shè)置檢測(cè)帶，對(duì)車輛連通域初始化

車輛目標(biāo)在系統(tǒng)前期檢測(cè)中所得到的目標(biāo)區(qū)域可設(shè)置為一個(gè)連通域，連通域在二維圖中呈矩形，系統(tǒng)可確定連通域的近似長(zhǎng)、寬和中心點(diǎn)坐標(biāo)位置。設(shè)置檢測(cè)帶是對(duì)剛進(jìn)入視頻區(qū)域的車輛進(jìn)行初始記錄。該監(jiān)控視頻背景為左下行、右上行的多車道馬路，因此檢測(cè)帶應(yīng)分別設(shè)置在圖像的左上部和右下部，檢測(cè)帶長(zhǎng)度應(yīng)覆蓋同向車道的總寬，檢測(cè)帶寬度則根據(jù)連通域中心點(diǎn)大小和車輛速度而定[3]。連續(xù)運(yùn)動(dòng)的車輛目標(biāo)每經(jīng)過(guò)檢測(cè)帶，檢測(cè)帶會(huì)記錄車輛連通域中心點(diǎn)的坐標(biāo)位置、時(shí)間，給予編號(hào)和累加數(shù)目。如果速度較慢的車輛在相鄰兩幀圖像中，中心點(diǎn)都停留在檢測(cè)帶里，系統(tǒng)就會(huì)判別相鄰兩次的中心點(diǎn)坐標(biāo)位置差是否如果小于一定像素?cái)?shù)，如果是則認(rèn)為是同一輛車，否則為兩輛車。

2.2 預(yù)測(cè)目標(biāo)車輛下一幀的位置區(qū)域

車輛被初始定位后，系統(tǒng)就開(kāi)始預(yù)測(cè)它在下一幀圖像中的運(yùn)動(dòng)區(qū)域。考慮交通事件中車輛隨時(shí)會(huì)向各個(gè)方向運(yùn)動(dòng)，預(yù)測(cè)區(qū)域應(yīng)該是從當(dāng)前車輛連通域向前后左右延伸適當(dāng)?shù)木嚯x，以一個(gè)外接矩形作為車輛下一幀的運(yùn)動(dòng)預(yù)測(cè)范圍。

2.3 在預(yù)測(cè)區(qū)域內(nèi)尋找和匹配車輛連通域

當(dāng)進(jìn)入下一幀圖像時(shí)，系統(tǒng)要在預(yù)測(cè)區(qū)域內(nèi)尋找新的車輛連通域并與上一幀目標(biāo)車輛的連通域模版進(jìn)行匹配。匹配時(shí)要求相鄰兩幀圖像車輛連通域的中心點(diǎn)橫、縱坐標(biāo)之差、連通域的高、寬之差（四個(gè)量）分別小于各自的預(yù)設(shè)閾值[4]。只有全部滿足條件才能成功匹配，系統(tǒng)則完成相鄰兩幀圖像的目標(biāo)跟蹤，并更新連通域；如果不滿足任一條件，即跟蹤失敗，系統(tǒng)要清空其跟蹤的信息。

2.4 實(shí)現(xiàn)效果

系統(tǒng)對(duì)一段為時(shí)7分鐘的公路監(jiān)控視頻（320×240）進(jìn)行車輛跟蹤，處理速度達(dá)到實(shí)時(shí)25幀/秒。圖1為區(qū)域中心點(diǎn)匹配法的跟蹤效果圖，黃色框?yàn)闄z測(cè)帶，綠色框?yàn)檐囕v連通域標(biāo)記框，并有編號(hào)。該研究把另外兩種方法也逐個(gè)切換使用，比較效果，如表1所示。針對(duì)車輛目標(biāo)的跟蹤，動(dòng)態(tài)輪廓法的跟蹤準(zhǔn)確率最低，目標(biāo)特征法有所改善，區(qū)域中心點(diǎn)匹配法的跟蹤效率最高。

3 結(jié)語(yǔ)

該研究利用區(qū)域中心點(diǎn)匹配跟蹤法，能在局部預(yù)測(cè)區(qū)域內(nèi)完成車輛目標(biāo)的跟蹤，避免出現(xiàn)整個(gè)圖像中所有車輛的匹配混淆問(wèn)題，極大提高了車輛跟蹤的準(zhǔn)確率，縮小跟蹤時(shí)間，進(jìn)一步提高智能交通系統(tǒng)對(duì)車輛目標(biāo)的跟蹤精度。

參考文獻(xiàn)

[1] 楊彪.一種用于多攝像頭無(wú)重疊視域環(huán)境下的車輛跟蹤系統(tǒng)[J].現(xiàn)代交通技術(shù)，2014（3）：54-58.

[2] 劉永濤，喬潔.基于openCV的車輛自動(dòng)跟蹤系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].汽車實(shí)用技術(shù)，2013（2）：23-26.

[3] ?？ǎ溃?圖像處理.分析與機(jī)器視覺(jué)[M].北京：清華大學(xué)出版社，2011：99-100.

[4] 王鑫，徐立中.圖像目標(biāo)跟蹤技術(shù)[M].北京：人民郵電出版社，2012：82-85.