基于高斯混合模型和卡尔曼滤波的车辆检测与跟踪方法

林立原，陈 林

(武汉科技大学信息科学与工程学院，湖北 武汉，430081)

基于高斯混合模型和卡尔曼滤波的车辆检测与跟踪方法

林立原，陈 林

(武汉科技大学信息科学与工程学院，湖北 武汉，430081)

提出一种改进的车辆检测与跟踪方法。在目标检测阶段，针对传统高斯混合建模算法对环境变化适应能力较差的问题，设计一个环境变化判断因子,据此进行高斯混合模型更新率的自动切换；在车辆跟踪阶段，为提高跟踪精度和跟踪效率，引入卡尔曼滤波并设计了跟踪列表进行单目标和多目标的跟踪。实验表明，该方法对光照突变有较好的适应性，能实现车辆的有效检测与跟踪。

目标检测；车辆跟踪；高斯混合模型；卡尔曼滤波；光照变化

车流量、车速等交通信息是现代智能交通系统中非常重要的基础数据，交通管理部门可以利用这些信息进行运力调配以及预防和处理交通事故等工作。对于基于视觉图像的智能交通系统而言，交通数据的获取在很大程度上依赖于车辆目标的检测和跟踪算法。

一个好的目标检测算法应具备高准确性、高实时性以及良好的环境变化适应能力[1]。目前运动目标检测方法主要有帧间差分法、背景差分法和光流法[2]，其中属于背景差分法的高斯混合建模方法应用最为广泛[3-4]。高斯混合建模是一种在线学习式方法，可以较为准确地提取前景运动目标，并且能够适应缓慢的环境变化，有较好的场景适应能力。但该方法有两个需要解决的问题[5]: ①在视频检测时，所有像素点都要进行背景模型的匹配工作，这无疑增加了程序运行时间，消耗一定的系统资源，而在一般场景中，处于背景区的像素点往往是稳定的，并不需要进行频繁的匹配更新；②背景模型更新率往往被设定为一个固定值，这样当环境(例如光照强度等)发生突变时，传统的高斯混合模型很难快速适应并恢复到稳定的状态。

车辆目标的跟踪可以根据模型、区域、轮廓、特征这4种指标来进行[6]，其中，基于区域和特征的跟踪方法最为常用。

本文提出一种改进的车辆检测与跟踪方法。在车辆目标检测阶段，针对上述传统高斯混合建模方法存在的第二个问题，引入环境变化判断因子，采用学习更新率自动切换的策略，以提高系统的自适应性；在车辆目标跟踪阶段，采用基于区域和特征的方法，并引入卡尔曼滤波，从而提高跟踪精度和效率，同时针对多目标问题，设计了一个跟踪列表。最后通过实验对本文提出的车辆检测与跟踪方法进行验证。

1 车辆目标检测

1.1 传统高斯混合建模原理

在传统高斯混合模型中，认为图像中每个像素点的观测灰度值在一定时间域内服从高斯分布，并为每个像素点分配K(一般取3～5)个高斯模型，然后利用这K个模型建立该像素点的背景。在建立背景的过程中，用采集到的图像各像素点的灰度值作为K个模型的期望，并且为每个模型分配一个较大的方差和权重。

在开始匹配时，将读入的图像中各个像素点与背景中相同位置的像素点的K个模型进行匹配，若匹配成功则进行模型的更新，否则进行模型的替换。与此同时，对K个模型的权重进行排序，将前B个作为背景模型，若被考察的像素点与这B个模型均不匹配，则可认为其为前景目标点，否则为背景点。

1.2 改进的高斯混合建模算法

当车辆目标环境突然发生较大变化时，图像中的大部分像素点的灰度值会发生变化，由于检测出的前景图通常是一幅二值化图像，那么这时灰度值为255的白色像素点会占据前景图像的大部分。对于高斯混合模型中的学习更新率α，其值设置较大则该算法能快速适应环境的变化，但会占用较多的系统资源；反之，该算法虽然占用的系统资源较少，但对环境变化的适应能力较差。

本文设计了一个环境变化判断因子λ，其值定义如下：

λ=Tf/Tb+f

(1)

式中：Tf为前景目标图像中灰度值为255的白色像素点个数；Tb+f为像素点总数。同时设两个阈值T1和T2，且T1>T2，根据λ的取值，分3种情况设置更新率α：

(2)

其中，α1>α2>α3。式(2)中的参数T1、T2、α1、α2、α3均可根据实际应用情况进行设定。由式(2)可见，本文提出的改进高斯混合建模算法是一种自适应检测算法，当车辆目标环境突然变化时，λ值较大，这时更新率α就会设为较大值。

改进的高斯混合建模算法主要包括以下5个步骤：

(1) 对获取的图像进行灰度转化，并进行图像的平滑去噪预处理，除掉图像中的噪声点。本文采用中值滤波算法进行图像去噪。

(2) 根据视频的前20帧对高斯混合模型中的背景模型进行训练。第20帧之后需要对背景模型进行更新，并且利用此模型进行前景目标的提取，检测出的前景图像是一个二值化图像，像素值只有0和255两种。

(3) 利用提取出的二值化图像计算环境变化因子λ，然后根据式(2)设定具体的高斯混合模型更新率。

(4) 对提取出的二值化图像进行平滑处理并去除噪声点。

(5) 由于检测出的目标图像可能包含非车辆目标，此时需要去除图像中面积较大和较小的团块区域，然后求取检测目标的最小外接矩形，将检测出的目标加入所设计的检测容器，为下阶段的车辆目标跟踪做好准备工作。

1.3 车辆目标检测实验与结果分析

以运动车辆的AVI视频作为实验对象，视频分辨率为220×240，单张图像中像素点总数为52 800，视频时长为3 min，总帧数为3423，帧率为28帧/s。软件开发平台为微软公司的VS2010，并采用OpenCV计算机视觉库。通过实验分析，T1和T2分别设为0.4和0.04，3个更新率值α1、α2和α3分别设为0.08、0.05和0.02。在视频的第242帧，光照突然增强，此后光照强度又逐渐降低，直到第402帧恢复到光照突变前的情况，环境变化判断因子λ及更新率α的变化情况如表1所示。

由表1可见，在第241帧时，前景目标图像中白色像素点个数与像素点总数的比值小于0.04，更新率设为较小值0.02；在第242帧时光照突变，环境变化判断因子λ大于0.4，则更新率α由0.02变为较大值0.08以适应环境的突变；之后由于光照强度又逐渐降低，λ值介于0.04和0.4之间，故系统将更新率自动设置为0.05。

为了进行对比分析，采用传统高斯混合建模算法、文献[7]中的目标检测算法和本文提出的改进高斯混合建模算法对上述视频中的运动车辆进行目标检测，车辆的视频截图和目标检测结果如图1所示。

从图1中可以看出，高斯混合建模算法对环境突变的适应能力较差，在光照突然变强的一瞬间，大量原背景像素点被当做前景目标误检出来，即前景图像中出现了大量白色像素点(如图中b2和d2所示)。传统高斯混合建模算法中仅将更新率设为一个固定值，通常为0.05，由图1(b)可见，直到第308帧时目标检测情况才逐渐恢复到正常状态。文献[7]将高斯混合建模算法和三帧差分法相结合来克服光照突变的影响，其首先根据高斯混合模型检测出的图像来计算前景图像像素点的比例，当该比例大于某一阈值时就采用三帧差分法进行目标检测，否则就利用高斯混合模型检测出的结果作为前景目标。从图1(c)可以看出，三帧差分法对环境变化具有较强的适应能力，在光照强度陡增的第242帧以及随后的若干帧检测结果中并没有出现大量的白色伪目标像素点，但此算法出现了很严重的漏检情况，新进入摄像头范围的目标都没有被检测出来。从图1(d)可以看出，采用本文提出的改进算法时，从视频的第262帧开始，目标检测情况便可逐渐恢复到正常状态，并且在后续帧中均有不错的检测效果。

2 车辆目标跟踪

2.1 卡尔曼滤波

在顺利提取车辆的前景目标图像之后，需要对车辆进行跟踪。本文采用基于区域和特征的跟踪方法，将包含车辆目标的团块作为跟踪区域，将该区域外接矩形的形心作为跟踪特征。为提高跟踪效率和精度，本文引入了卡尔曼滤波算法对目标形心进行预估计。

卡尔曼滤波器是一种线性递归滤波器，其利用上一时刻的状态对当前状态进行最优状态预估计，具有实时性强、计算量小的特点[8-9]。卡尔曼滤波的预测方程如下：

X(t|t-1)=AX(t-1|t-1)+BU(t)

(3)

式中：X(t-1|t-1)为t-1时刻的最优状态估计值；X(t|t-1)为根据t-1时刻的最优估计值得出的t时刻状态预测值；A为状态转移矩阵；B为噪声输入矩阵；U(t)为随机噪声序列。本文中，将X(t-1|t-1)定义为上一帧中被跟踪车辆的形心位置，X(t|t-1)则被定义为当前帧中被跟踪目标的形心位置。

2.2 改进的车辆跟踪算法

为了对单目标和多目标进行有效跟踪，本文设计了一个跟踪列表，如表2所示，其中，第一行代表已经被跟踪的目标，第一列代表检测出的目标，TD11、TD21、…、TDij为已被跟踪的目标用卡尔曼滤波预测出的形心与被检测出的目标形心之间的距离。由于车辆在前后两帧之间的移动距离不大，故可设定一阈值，当移动距离小于此阈值时，可以认定此距离对应的被检测目标和被跟踪目标为同一目标。本文中将此阈值设定为45。车辆跟踪算法流程如图2所示。在开始匹配时，先求出所有TD值，将其加入跟踪列表，然后找出其中的最小值TDpq，若TDpq<45，则判断Tp和Dq为同一目标，令TDpq=TDpq+45，继续找出跟踪列表中的最小值，重复以上判断过程，直到所有TD值全部大于45，则此次匹配结束。对于第一列检测出的目标，如果在第一行中没有与之匹配的元素，则认为其为新目标，此时为其分配新的卡尔曼滤波器和新的ID号，并将其加入跟踪列表；对于第一行被跟踪的目标，如果在第一列中没有与之匹配的元素，则将其看作可能已丢失的目标，如果连续N帧(本文取N=5)都没有匹配成功，则可认为该目标正式丢失，并在跟踪列表中将其删除。

2.3 车辆目标跟踪实验与结果分析

采用本文提出的改进算法对AVI视频中的运动车辆进行跟踪实验，结果如图3所示，其中，图3(a)和图3(b)的场景中光照强度基本一致，而图3(c) 的场景则是在第242帧发生光照突变后的情况。由图3可见，不论是出现单目标或多目标，每台车辆都能被有效跟踪。

如前所述，在车辆目标检测阶段，当发生光照突变时，在检测出的前景图像中会产生大量的白色伪目标像素点。为克服伪目标带来的影响，在本文提出的车辆目标检测算法中采取了两项措施，即加大高斯混合模型的更新率以及去除检测图像中一些非车辆的较小团块。从图3(c)中可以看出，在采取以上措施后，从视频的第270帧开始即可恢复到正常的车辆跟踪状态。但是，在实验过程中也发现了本文算法的一些不足之处，在视频中出现的实际车辆数为83，但最终的跟踪计数结果只有79辆，原因是出现了车辆互相遮挡的情况，从而造成了漏检。另外，从图3中还可以看出一个问题，车辆的跟踪框要比视频中的车辆图像大，其原因是出现了阴影现象，使得检测器将车辆和阴影检测为同一目标。

3 结语

本文提出了一种具有自适应性的车辆检测与跟踪方法。在车辆目标检测阶段，根据环境变化情况自动设置高斯混合模型的更新率，以克服传统高斯混合建模算法对环境变化的适应能力较差的缺陷；在车辆目标跟踪阶段，引入卡尔曼滤波并设计了一个跟踪列表，以实现单目标和多目标车辆的有效跟踪。实验表明，本文设计的车辆检测与跟踪算法具有较好的实时性和环境变化适应能力。该算法也可以用来进行车辆计数，从而应用到车流量测算等工作之中。另外，如何解决图像遮挡导致的车辆漏检问题以及去除阴影对车辆跟踪框的影响还有待于进一步研究。

[1] Cucchiara R, Grana C, Piccardi M, et al. Detecting moving objects, ghosts and shadows in video streams[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2003, 25(10):1337-1342.

[2] 白向峰, 李艾华，蔡艳平，等. 复杂场景实时目标检测方法[J]. 计算机辅助设计与图形学学报, 2012, 24(1): 104-111.

[3] Stauffer C, Grimson W E L. Adaptive background mixture models for real-time tracking[C]//Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Los Alamitos: IEEE Computer Society Press, 1999, 2: 246-252.

[4] Chen Z, Ellis T. A self-adaptive Gaussian mixture model[J]. Computer Vision and Image Understanding, 2014, 122:35-46.

[5] 梅娜娜,王直杰. 基于高斯混合模型的运动目标检测算法[J]. 计算机工程与设计, 2012, 33(8): 3149-3153.

[6] 吴朝辉. 智能交通车流量检测系统[D]. 镇江：江苏大学，2013.

[7] 卢章平,孔德飞，李小蕾，等. 背景差分与三帧差分结合的运动目标检测算法[J]. 计算机测量与控制，2013，21(12): 3315-3318.

[8] 胡学刚,刘忠振. 基于高斯模型和卡尔曼预测的检测与跟踪[J]. 计算机工程与设计,2013, 34(1): 247-251.

[9] 王相海,方玲玲,丛志环.卡尔曼粒子滤波的视频车辆跟踪算法研究[J]. 中国图象图形学报，2012, 15(11): 1615-1622.

[责任编辑 尚 晶]

Vehicle detecting and tracking method based on Gaussian mixture model and Kalman filtering

LinLiyuan,ChenLin

(College of Information Science and Engineering, Wuhan University of Science and Technology, Wuhan 430081, China)

An improved vehicle detecting and tracking method is proposed. In the target detecting stage, aiming at the problem that traditional Gaussian mixture model (GMM) method has weak adaptability to environmental changes, a judgment factor about environmental change is designed and used in the automatic switching of the update rate of GMM. In the vehicle tracking stage, Kalman filtering is introduced to increase the tracking accuracy and efficiency, and a tracking list is designed for single and multiple target tracking. Experimental results show that the proposed method has strong adaptability to the abrupt change of illumination and is efficient in vehicle detecting and tracking.

target detecting; vehicle tracking； Gaussian mixture model; Kalman filtering; illumination change

2015-01-23

林立原(1988-)，男，武汉科技大学硕士生. E-mail:529481621@qq.com

陈 林(1963-)，男，武汉科技大学教授. E-mail:Whchenlin@163.com

TP391.9

A

1674-3644(2015)03-0226-05