余江浩+王林

摘要：提出改進(jìn)的Camshift算法結(jié)合Kalman濾波來檢測跟蹤交通擁擠情況下的車輛。Camshift是基于顏色的目標(biāo)跟蹤，當(dāng)相同顏色車輛并排行駛時，Camshift算法容易丟失目標(biāo)， Camshift結(jié)合kalman濾波的目標(biāo)跟蹤運(yùn)用在道路交通檢測也因?yàn)闉楸尘安粩喔露y以定位車輛。本文提出用改進(jìn)自適應(yīng)多高斯模型來對背景進(jìn)行更新，進(jìn)而再結(jié)合kalman濾波對運(yùn)動目標(biāo)估計(jì)預(yù)測來提高Camshift跟蹤定位。實(shí)驗(yàn)結(jié)果表明改進(jìn)后的算法跟蹤定位車輛效果更好。

關(guān)鍵詞：OpenCV；車輛跟蹤；Camshift算法；kalman濾波

中圖分類號：TP18 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2016）08-0162-02

隨著大數(shù)據(jù)、互聯(lián)網(wǎng)快速發(fā)展，產(chǎn)生了海量的數(shù)據(jù)，越來越多城市道路、高速公路上的網(wǎng)絡(luò)攝像頭視頻數(shù)據(jù)越來越多。越來越多研究學(xué)者投入對道路交通車輛跟蹤識別。Yilmaz等學(xué)者[1]、Wang[2]和Wu等學(xué)者[3]從單網(wǎng)絡(luò)探頭和多攝像機(jī)跟蹤方面對目標(biāo)跟蹤算法進(jìn)行較為詳細(xì)的研究，Huang等學(xué)者[4]、Andr-eopoulos等學(xué)者[5]、Zhang等人[6]對圖像中的目標(biāo)分類識別算法進(jìn)行了研究。通過對道路上車輛的速度研究，從相似車輛快速行駛到擁擠狀態(tài)下的緩慢行駛。提出一種對數(shù)型加權(quán)方法來改進(jìn)kalman濾波算法對目標(biāo)的預(yù)測，提高對目標(biāo)位置預(yù)測的準(zhǔn)確率，進(jìn)而改進(jìn)修正Camshift預(yù)測目標(biāo)的位置，得到更好的車輛跟蹤效果。

1 傳統(tǒng)的車輛跟蹤算法

目前的車輛跟蹤算法大都是改進(jìn)的Kalman算法、粒子算法、均值漂移（Me-anshift）算法，本文采用改進(jìn)后的Camshift結(jié)合kalman算法，能提高對運(yùn)動車輛的實(shí)時跟蹤，對速度時快時慢、車輛相似顏色和復(fù)雜背景下都能很好地進(jìn)行車輛跟蹤。

1.1 Kalman濾波

Kalman濾波是一種線性濾波與估計(jì)預(yù)測方法。Kalman濾波分為2個步驟[7]，預(yù)測（predict）和修正（correct）。預(yù)測是基于上一時刻狀態(tài)對下一時刻估計(jì)當(dāng)前時刻狀態(tài)，而修正則是綜合當(dāng)前時刻的估計(jì)狀態(tài)與實(shí)際觀測狀態(tài)，估計(jì)出最優(yōu)的狀態(tài)。預(yù)測與修正的過程如下：

預(yù)測：

2 Camshift算法

Camshift算法[8]實(shí)際是自適應(yīng)MeanShift的算法。它首次由Gary提出和應(yīng)用在人臉識別。由于它是利用顏色的概率信息進(jìn)行的跟蹤，使得它的運(yùn)行效率比較高。Camshift算法的過程由下面步驟組成[15]：

（1）根據(jù)搜索車輛確定初始車輛及其區(qū)域；

（2）計(jì)算零矩陣，x和y的一階矩陣：

（3）確定車輛中心：（x0，y0）；

（4）設(shè)定搜索區(qū)域顏色概率分布值，迭代搜索，直到其收斂或達(dá)到最大迭代次數(shù)。并保存零次矩；重復(fù)以上步驟。

3 基于非線性加權(quán)的Kalman濾波結(jié)合Camshift的車輛跟蹤

車輛跟蹤時，目標(biāo)車輛與其他車輛沒有形成大連通域，即使有噪聲干擾，Camshift算法也能較好地對車輛進(jìn)行實(shí)時跟蹤定位，但是當(dāng)交通擁堵形成大連通域后再分開或者相同顏色的車同時擁擠通過時，此算法不能準(zhǔn)確地分辨待跟蹤的車輛，本文首先使用混合高斯模型進(jìn)行動態(tài)背景更新，同時引入具有計(jì)算量小、可實(shí)時計(jì)算特點(diǎn)的kalman濾波，利用非線性加權(quán)的二維Kalman濾波算法預(yù)測目標(biāo)中心位置，進(jìn)而不斷修正Camshift的預(yù)測目標(biāo)質(zhì)心。下面是本文提出的一種線性加權(quán)，權(quán)值是非線性表達(dá)式。

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)表明，其他車輛目標(biāo)干擾情況下，特別是當(dāng)目標(biāo)車輛顏色相近超車時，只用Cam-shift算法跟蹤失敗，引入改進(jìn)的Kalman濾波算法后，增強(qiáng)了跟蹤的穩(wěn)定性。圖2和圖3是引入改進(jìn)Kalman濾波結(jié)合Camshift算法前后的對比實(shí)驗(yàn)效果，從用矩形框鎖定跟蹤的目標(biāo)可以看出，采用Camshift算法時搜索窗口較大，車輛較多時形成連通域后再分開時，目標(biāo)車輛跟蹤容易失敗，跟蹤窗口容易跳動。本文對算法的改進(jìn)后，成功實(shí)現(xiàn)了車輛跟蹤，排除了其他車道的干擾，且搜索窗口比較小，丟失后能二次搜索或者擴(kuò)大區(qū)域搜索。

文中以Camshift算法輸出的質(zhì)心位置為測量信號，采用Kalman濾波算法校正目標(biāo)中心位置，克服了Camshift算法的缺陷。改進(jìn)后的Camshift算法結(jié)合Kalman 濾波能實(shí)時、準(zhǔn)確地跟蹤車輛，能有效地處理干擾和目標(biāo)部分被遮擋等問題，為下一步的行為分析作基礎(chǔ)。本文介紹了OpenCV函數(shù)庫，搭建VS2013+OpenCV2.4.9開發(fā)平臺。 提取單幀視頻圖像或者攝像頭實(shí)時圖像，采用各種算法對其進(jìn)行圖像預(yù)處理，并對處理效果進(jìn)行分析比較；綜合比較背景檢測幾種常用的方法，使用一種自適應(yīng)混合高斯模型背景檢測算法，在閉值選擇方面使用OTSU閉值算法，得到較為精確的運(yùn)動目標(biāo)背景。但是對于背景復(fù)雜或者目標(biāo)色度值很低的時候會出現(xiàn)跟丟的情況。由于研究時間和所學(xué)知識所限，我對本領(lǐng)域的相當(dāng)一些內(nèi)容了解還不夠透徹，仍有很多難題需要解決，如陰影的去除，目標(biāo)的重疊，以及目標(biāo)與背景色彩相近時的辨別，以及程序移植到嵌入式系統(tǒng)中的問題，同時程序本身也需要進(jìn)一步地修改完善。

參考文獻(xiàn)：

[1] Kishore K， Mubarak K. Identification of 50 human action network video[J]. Computer vision and applications， 2013（5）.

[2] 詹群峰. 基于OpenCV的視頻道路車輛檢測與跟蹤[D].福建：廈門大學(xué)，2009.

[3] 黃凱奇，陳曉棠，康運(yùn)鋒，等.智能視頻監(jiān)控技術(shù)綜述[J].計(jì)算機(jī)學(xué)報，2015（6）.

[4] 陳曉棠.非重疊場景下的跨攝像機(jī)目標(biāo)跟蹤研究[D].中國科學(xué)院，2013.

[5] Wang Heng， Cordelia Schmid， Liu Chenglin. Dense motion trajectory and moving boundary descriptor for motion recognition. International Journal of computer vision，2013（1）.