一種基于檢測的渡口車輛跟蹤方法技術(shù)

本發(fā)明專利技術(shù)的基于檢測的渡口車輛跟蹤方法，包括如下步驟：步驟1）獲取安裝在渡口路邊的攝像頭的視頻數(shù)據(jù)；步驟2）通過車輛檢測模型得到所述視頻數(shù)據(jù)的每幀圖像中每一車輛的車輛區(qū)域；步驟3）計算每一車輛外接矩形框的直方圖特征；步驟4）計算當(dāng)前幀圖像中每一車輛的直方圖特征與記錄在車輛跟蹤列表中的每一車輛的直方圖特征的特征距離，判斷當(dāng)前幀圖像中的相應(yīng)車輛是否為新出現(xiàn)的車輛；步驟5）將判定為新出現(xiàn)的車輛記錄到車輛跟蹤列表中；步驟6）對于同一輛車在當(dāng)前圖像上用相同顏色標(biāo)識矩形框。有益效果：無需人工干預(yù)，并且采用的算法魯棒性好，跟蹤準確，適合不同的光照條件，對攝像頭分辨率要求不高，實用性強。

A vehicle tracking method for ferry based on detection

【技術(shù)實現(xiàn)步驟摘要】
一種基于檢測的渡口車輛跟蹤方法
本專利技術(shù)屬于計算機視覺
，具體涉及一種基于檢測的渡口車輛跟蹤方法。
技術(shù)介紹
基于視覺的目標(biāo)跟蹤是計算機視覺領(lǐng)域的一個主要方向，其過程是在視頻序列中給定目標(biāo)在首幀中的位置和大小，然后估計該目標(biāo)在后續(xù)幀中的位置和大小。由于目標(biāo)遮擋，外觀形變，光照變化和背景復(fù)雜等因素，基于視覺的目標(biāo)跟蹤仍是一個挑戰(zhàn)性的問題?；谝曈X的目標(biāo)跟蹤方法主要分為傳統(tǒng)的和基于深度學(xué)習(xí)的兩類。近年來，傳統(tǒng)方法中的相關(guān)濾波器的方法得到了研究者的重視。2010年Bolme等人首次將相關(guān)濾波器用于視覺目標(biāo)跟蹤。Henriques等人使用基于核空間映射原理的核相關(guān)濾波器實現(xiàn)跟蹤。Danelljan等人提出帶有尺度估計的視覺跟蹤。由于這些方法都是在一個范圍內(nèi)盲目的搜索，其計算代價比較大。另一方面，隨著深度學(xué)習(xí)的興起，深度學(xué)習(xí)也被引入到目標(biāo)跟蹤中。ChaoMa等人和Danelljan等人將深度網(wǎng)絡(luò)中低層的空間信息和高層的語義信息使用到視覺目標(biāo)跟蹤器中，提高跟蹤效果。深度特征相比于傳統(tǒng)特征具有更好的鑒別力，特征表述能力更強。然而深度特征的計算和在領(lǐng)域內(nèi)的搜索都會導(dǎo)致算法的計算代價很大。綜上所述，現(xiàn)有的視覺目標(biāo)跟蹤技術(shù)都是在一個范圍內(nèi)采用窮舉得方式搜索和匹配目標(biāo)，存有計算量大的問題，其容易跟蹤出錯。因此，一個減少搜索范圍的快速有效的跟蹤方法，對跟蹤技術(shù)在視覺中的有效應(yīng)用非常重要。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的在于克服上述現(xiàn)有技術(shù)之不足，提出了一種基于車輛檢測的渡口車輛跟蹤方法，利用安裝在渡口路邊的監(jiān)控攝行頭，通過基于預(yù)測的快速車輛檢測方法得到車輛區(qū)域，接著基于檢測到的車輛區(qū)域?qū)崿F(xiàn)跟蹤，具備速度快，準確性好，魯棒性高，易于推廣的特點，該方法具體由以下技術(shù)方案實現(xiàn)：所述基于檢測的渡口車輛跟蹤方法包括如下步驟：步驟1）獲取安裝在渡口路邊的攝像頭的視頻數(shù)據(jù)；步驟2）通過車輛檢測模型檢測得到所述視頻數(shù)據(jù)的每幀圖像中每一車輛的車輛區(qū)域，所述車輛區(qū)域包括該車輛的外接矩形框的位置和大?。徊襟E3）根據(jù)檢測得到的當(dāng)前幀圖像中的各車輛區(qū)域，計算每一車輛外接矩形框的直方圖特征；步驟4）計算當(dāng)前幀圖像中每一車輛的直方圖特征與記錄在車輛跟蹤列表中的每一車輛的直方圖特征的特征距離，具有最小的特征距離且距離小于閾值t的對應(yīng)兩車輛，是當(dāng)前幀圖像中的車輛對應(yīng)之前圖像幀中車輛的相同車輛，否則當(dāng)前幀圖像中的相應(yīng)車輛是新出現(xiàn)的車輛。步驟5）將判定為新出現(xiàn)的車輛記錄到車輛跟蹤列表中；若該車輛之前已記錄則更新車輛跟蹤列表中的對應(yīng)記錄。步驟6）對于同一輛車在當(dāng)前圖像上用相同顏色標(biāo)識矩形框。所述的基于檢測的渡口車輛跟蹤方法的進一步設(shè)計在于，所述攝像頭獲取的視頻數(shù)據(jù)為YUV420格式，將該視頻數(shù)據(jù)格式轉(zhuǎn)換成1920*1080的RGB彩色圖像格式后，通過車輛檢測模型的檢測。所述的基于檢測的渡口車輛跟蹤方法的進一步設(shè)計在于，車輛檢測模型由YOLO神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)集ImageNet上訓(xùn)練得到。所述的基于檢測的渡口車輛跟蹤方法的進一步設(shè)計在于，所述直方圖特征包括顏色直方圖特征和邊緣直方圖特征。所述的基于檢測的渡口車輛跟蹤方法的進一步設(shè)計在于，所述邊緣直方圖特征是在車輛區(qū)域子圖像上提取canny邊緣算法特征后，歸一化到0-255，取整后計算直方圖得到。所述的基于檢測的渡口車輛跟蹤方法的進一步設(shè)計在于，所述車輛區(qū)域的特征距離計算是在每個區(qū)域的一個局部領(lǐng)域內(nèi)進行。所述的基于檢測的渡口車輛跟蹤方法的進一步設(shè)計在于，所述車輛的直方圖特征的特征距離是Bhattacharyya距離。所述的基于檢測的渡口車輛跟蹤方法的進一步設(shè)計在于，所述車輛的直方圖特征的特征距離計算限于通過車輛檢測模型檢測得到的各個車輛區(qū)域。所述的基于檢測的渡口車輛跟蹤方法的進一步設(shè)計在于，所述具有最小的特征距離且距離小于閾值t的對應(yīng)兩車輛可以有多對。本專利技術(shù)的有益效果：本專利技術(shù)的基于檢測的渡口車輛跟蹤方法可以在渡口對上下渡船的車輛實現(xiàn)自動的檢測和跟蹤，無需人工干預(yù)。并且該方法采用的算法魯棒性好，準確性高，適合不同的光照條件，對攝像頭分辨率要求不高，移植性好，實用性強。附圖說明圖1為本專利技術(shù)方法流程圖。圖2為施例中攝像頭采集的白天圖像。圖3為施例中攝像頭采集的夜晚圖像。圖4為實施例中白天檢測到的車輛圖像。圖5為實施例中夜晚檢測到的車輛圖像。圖6為實施例中白天跟蹤的車輛圖像（同一個顏色矩形框代表跟蹤的是同一輛車）。圖7為實施例中夜晚跟蹤的車輛圖像（同一個顏色矩形框代表跟蹤的是同一輛車）。具體實施方式以下結(jié)合附圖對本專利技術(shù)做進一步詳細說明。本實施例是在如圖1-3所示的渡口施行，并從安裝在該渡口路邊的攝像頭獲取從該渡口上下渡船的車輛，并從這些車輛中跟蹤所需要找尋的車輛。具體步驟如下：第一步，獲取安裝在渡口路邊的攝像頭的視頻數(shù)據(jù)。本實施例中的攝像頭獲取的數(shù)據(jù)是YUV420格式，要將該視頻數(shù)據(jù)轉(zhuǎn)換成1920*1080的RGB彩色圖像格式后，再進行后續(xù)的圖像處理。第二步，通過車輛檢測模型得到每個車輛的位置和大小。在對于上述轉(zhuǎn)換成1920*1080的RGB彩色圖像格式的每幀圖像上，通過車輛檢測模型得到上述格式數(shù)據(jù)的每幀圖像中每一車輛的車輛區(qū)域，該車輛區(qū)域包括該車輛的外接矩形框的位置和大小，如圖4、圖5所示。車輛區(qū)域的檢測模型是一個公開的物體檢測器YOLO。本實施例使用公開的數(shù)據(jù)集ImageNet訓(xùn)練模型，當(dāng)有新的RGB彩色圖像時，只要將圖像輸入到車輛區(qū)域檢測模型中，得到圖像中每個車輛對應(yīng)的外接矩形框（包含中心點的x、y，長w，寬h）和相應(yīng)的概率。本實施例選取概率最大且概率大于0.3的車輛區(qū)域作為檢測結(jié)果。因此，通過車輛檢測模型得到上述每幀圖像中框圍該幀圖像內(nèi)每一車輛的外接矩形框的位置和尺寸。矩形框的位置是以矩形框中心點坐標(biāo)（x,y）來記錄并進行數(shù)據(jù)處理，矩形框的尺寸（大?。┦且跃匦慰虻拈L與寬（長w、寬h）來記錄并進行數(shù)據(jù)處理。在本步驟中，每處理好一幀圖像都對該幀圖像按序標(biāo)號，而在處理前要檢測圖像的序號，因此如若是第一幀，則跳到步驟1，否則進入步驟4。第三步，計算每個車輛外接矩形框的直方圖特征。根據(jù)所述的當(dāng)前幀車輛檢測結(jié)果，結(jié)合前一幀圖像的車輛檢測結(jié)果，計算每個車輛外接矩形框的直方圖特征。本實施例的直方圖特征包括顏色直方圖特征和邊緣直方圖特征，并且邊緣直方圖特征是在車輛區(qū)域子圖像上提取canny邊緣算法特征后，歸一化到0-255，取整后計算邊緣子圖像的直方圖得到的。第四步，直方圖特征的特征距離。計算當(dāng)前幀圖像中每一車輛的直方圖特征與記錄在車輛跟蹤列表中的每一車輛的直方圖特征的特征距離，找出最小的特征距離，且距離小于閾值t，則判定當(dāng)前幀圖像中的相應(yīng)車輛對應(yīng)之前圖像中某個車輛，即是同一個車輛；否則判斷當(dāng)前幀圖像中的相應(yīng)車輛是新出現(xiàn)的車輛。車輛的特征距離計算是在每個區(qū)域的一個局部領(lǐng)域內(nèi)進行，區(qū)域的中心就是車輛區(qū)域的中心，區(qū)域的長、寬分別為擴大到原來的1.5倍。車輛檢測區(qū)域的特征距離使用通用的Bhattacharyya距離。車輛的匹配和跟蹤只基于步驟（2）中檢測到的各個車輛區(qū)域。第五步，記錄和更新車輛跟蹤列表。將判定為新出現(xiàn)的車輛記錄到車輛跟蹤列表中；若該車輛之前已記錄則更新車輛跟蹤列表中的對應(yīng)記錄。車輛跟蹤列表中的每個記錄保存每個車輛的直方圖本文檔來自技高網(wǎng)...

【技術(shù)保護點】
1.一種基于檢測的渡口車輛跟蹤方法，其特征在于包括如下步驟：步驟?1）獲取安裝在渡口路邊的攝像頭的視頻數(shù)據(jù)；步驟2）通過車輛檢測模型檢測得到所述視頻數(shù)據(jù)的每幀圖像中每一車輛的車輛區(qū)域，所述車輛區(qū)域包括該車輛的外接矩形框的位置和大??；步驟3）根據(jù)檢測得到的當(dāng)前幀圖像中的各車輛區(qū)域，計算每一車輛外接矩形框的直方圖特征；步驟4）計算當(dāng)前幀圖像中每一車輛的直方圖特征與記錄在車輛跟蹤列表中的每一車輛的直方圖特征的特征距離，具有最小的特征距離且距離小于閾值t的對應(yīng)兩車輛，是當(dāng)前幀圖像中的車輛對應(yīng)之前圖像幀中車輛的相同車輛，否則當(dāng)前幀圖像中的相應(yīng)車輛是新出現(xiàn)的車輛；步驟5）將判定為新出現(xiàn)的車輛記錄到車輛跟蹤列表中；若該車輛之前已記錄則更新車輛跟蹤列表中的對應(yīng)記錄；步驟6）對于同一輛車在當(dāng)前圖像上用相同顏色標(biāo)識矩形框。

【技術(shù)特征摘要】
1.一種基于檢測的渡口車輛跟蹤方法，其特征在于包括如下步驟：步驟1）獲取安裝在渡口路邊的攝像頭的視頻數(shù)據(jù)；步驟2）通過車輛檢測模型檢測得到所述視頻數(shù)據(jù)的每幀圖像中每一車輛的車輛區(qū)域，所述車輛區(qū)域包括該車輛的外接矩形框的位置和大?。徊襟E3）根據(jù)檢測得到的當(dāng)前幀圖像中的各車輛區(qū)域，計算每一車輛外接矩形框的直方圖特征；步驟4）計算當(dāng)前幀圖像中每一車輛的直方圖特征與記錄在車輛跟蹤列表中的每一車輛的直方圖特征的特征距離，具有最小的特征距離且距離小于閾值t的對應(yīng)兩車輛，是當(dāng)前幀圖像中的車輛對應(yīng)之前圖像幀中車輛的相同車輛，否則當(dāng)前幀圖像中的相應(yīng)車輛是新出現(xiàn)的車輛；步驟5）將判定為新出現(xiàn)的車輛記錄到車輛跟蹤列表中；若該車輛之前已記錄則更新車輛跟蹤列表中的對應(yīng)記錄；步驟6）對于同一輛車在當(dāng)前圖像上用相同顏色標(biāo)識矩形框。2.根據(jù)權(quán)利要求1所述的基于檢測的渡口車輛跟蹤方法，其特征在于所述攝像頭獲取的視頻數(shù)據(jù)為YUV420格式，將該視頻數(shù)據(jù)格式轉(zhuǎn)換成1920*1080的RGB彩色圖像格式后，通過車輛檢測模型的檢測。3.根據(jù)權(quán)...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王宵，邵葉秦，李志偉，李杰，馬雪儀，蔣雯，許致火，施佺，
申請(專利權(quán))人：南通大學(xué)，
類型：發(fā)明
國別省市：江蘇,32