关于复杂交通场景中的车辆检测与跟踪

李杨

【摘要】：城市交通问题是人们关注的热点，智能交通系统可有效缓解城市交通压力。而智能交通系统离不开车辆检测技术和车辆跟踪技术的支持，本文以复杂交通场景中上述两种技术研究对象，提出了一种可以有效辨别车辆性质，即临时车辆和确定车辆的跟踪与检测方法。

【关键词】：复杂交通场景；车辆检测；跟踪

城市交通压力随着时代进步越来越大，智能交通系统的出现可有效缓解城市交通压力。而视频图像检测器是智能交通系统中关键的组成部分，它通过捕捉车辆运行中的图像，使相关人员可全面掌握交通现状。本文以复杂交通场景中车辆检测技术和车辆跟踪技术为研究对象，提出了一种可有效辨别车辆性质，即临时车辆和确定车辆的跟踪与检测方法。

一、复杂交通场景中的车辆检测与跟踪

本文设计的车辆检测与跟踪监测系统分为三部分，一是锁定感兴趣区域，二是对重要区域内的车辆进行识别和检测，三是对车辆进行跟踪处理。感兴趣区域（ROI，region of interesting），简称ROI。锁定感兴趣区域即提取包含目标车辆的场景，这样才能开展下一步车辆检测和跟踪工作。在锁定感兴趣区域时笔者使用的是背景差法，最终得到很多ROI图像，每幅ROI图像代表一个“疑似车辆”。但需注意ROI图像之间可能存在重叠现象，主要有两类重叠现象：第一类，不同车辆之间重叠；第二类，一台车不同部分之间重叠。针对第二类重叠现象，需要进行一定的融合处理，目的是避免出现同一台车反复出现的现象。具体融合过程如下：

假定两个ROI图像重叠，第一个ROI图像对应的外接框面积可表示为，第二个ROI图像对应的外接框面积可表示为，两者之间重叠部分的面积可表示为，假定两个ROI图像的重叠率分别为和，那么可得出，。在开展融合操作时需遵照一定的原则，主要有两三个原则：

第一，若和的数值大小满足一定的条件，即，或者是，其中表示的是事先设定的阈值，在本系统中笔者以经验为依据选择阈值为0.7，若和可以满足上述条件，就可开展融合操作。

第二，如果和的数值大小满足一定的条件，即，或者是，其中表示的是事先设定的阈值，在本系统中笔者以经验为依据选择的阈值是0.1。此时，假定重叠部分中感兴趣区域的有效像素集合是A，而两个外接框中有效像素集合分别是B和C，检查集合A、B和C之间的关系，如果，其中是集合B的一部分，而是集合C的一部分。此时若子集和满足下述两个条件中任意一个，则原始图像就可以融合：（1）子集是空集，或者子集是空集；（2）子集中的元素个数要比事先设定的阈值少，或者子集中的元素个数要比事先设定的阈值少。如果子集和满足不能满足上述两个条件中的任意一个，那么原始图像就无法融合。

第三，如果，同时，那么原始图像无法开展融合操作。

融合操作结束后，需开展特征提取过程，特征提取的主要目的是找出ROI图像中的一些有用信息。笔者需要提取的特征主要有以下几种：质心点坐标、平均灰度、方向、面积和描述区域形状的坐标集。笔者将上述特征分为两类，第一类是主要特征，如、，第二类是次要特征，如、。特征提取操作结束之后，可得到表征ROI图像的两组特征向量，分别是主要特征向量以及次要特征向量。

上述操作都是为了后续匹配工作做准备，ROI图像代表行驶中的不同车辆，本系统中的匹配就是指根据ROI图像来找相似区域，进而确定和定位行驶中的某一辆车。具体匹配过程如下：

匹配过程中涉及两个链表，分别是车辆链表和当前帧图像临时链表，和匹配过程相关的变量是不同区域特征向量之间的空间距离。所有区域中都包含两类特征向量，分别是主要特征向量V，以及次要特征向量W，将车辆链表中第k个主要特征向量记为Vk，第k个次要特征向量记为Wk；将临时链表中第n个主要特征向量记为Vn，第n个次要特征向量记为Wn；将空间距离记为DVkn和DWkn，其中=（Vk-Vn）T（Vk-Vn），=（Wk-Wn）T（Wk-Wn）。

第一，确定特定区域K和临时链表中所有区域的空间距离DVkn，将计算得到的DVkn数值和事先设定的阈值进行比较，若所有的DVkn都大于阈值，则表示临时链表中不存在和区域K相似的区域；第二，若存在一个DVkn值小于阈值，则表示临时链表中存在一个和当前区域K相似的区域；第三，若小于阈值的DVkn的数量大于1，此时需要进一步计算上述区域和K之间的DWkn值，其中DWkn最小的那一个区域就是和K最为相似的区域。不断重复上述过程一直到浏览完车辆链表中所有元素，然后对车辆链表进行更新处理，具体做法是将成功匹配的临时链表区域替换原有的车辆链表区域，将未能匹配的临时链表区域加入车辆链表。

完成匹配操作后，笔者进一步提出了一种确定有效匹配和无效匹配次数的方法。笔者将有效匹配的次数记录为ms，将无效匹配的次数记录为mf，在初始时刻，当车辆链表中存在数据时就将该车辆记为临时车辆，此时该车辆的ms数值是1，mf数值是0，在接下来的匹配操作中，如果出现了有效匹配，那么ms的数值就加1，如果出现了无效匹配，那么mf数值就相应的加1。随着匹配操作的不断开展，mf和ms的数值都在不断增加，当mf的数值达到n/2（n取决于采样频率）时，表示该区域是不正确的，从车辆链表中剔除该区域；当ms的数值增加到n时，表示该车辆是可完全确认的。

二、实验与分析

为验证本文提出方法的有效性，笔者通过实验进行验证。实验中所用图像大小是576×768，一共600帧，其中n的取值是30。图1显示的是通过本文方法处理图像的结果。通过本文方法处理后，最终准确率高达96%，这充分说明本文方法的有效性。

三、結语

背景差法是非常有效的车辆跟踪方法，基于区域的方法是非常有效的车辆检测方法，笔者将背景差法和区域跟踪法有机融合，形成了一种有效的区分临时车辆和确定车辆的车辆跟踪与检测方法。

参考文献：

[1]郁梅，王圣男，蒋刚毅.复杂交通场景中的车辆检测与跟踪新方法[J].光电工程，2005，02：67-70.

[2]袁俊，喻擎苍，曾瑶.一种复杂交通场景中的车辆检测与跟踪方法[J].工业控制计算机，2013，02：87-88+90.