基于MeanShift算法的车辆检测与跟踪研究

何俊龙

摘 要：文章通过建立车辆正、负样本库，完成对车辆识别分类器的训练，并通过MeanShift跟踪算法完成对前方已识别车辆的稳定跟踪。试验结果表明，该算法能够准确、稳定地对前方车辆进行跟踪，且实时性较高，可以为汽车主动安全系统提供可靠支持。

关键词：汽车安全 MeanShift算法 车辆识别与跟踪

1 引言

在汽车智能化发展过程中，移动车辆的识别与跟踪一直以来都是最热门的研究内容之一。金立生等人运用Adaboost算法对日间前方车辆的完成了准确且快速地检测[1]。赵奇慧等人就深度学习运用于车辆跟踪的神经网络模型进行了详细的阐述，并对目前车辆检测中待解决的问题、未来待改进的方向进行了分析和讨论[2]。本文所采用的MeanShift算法自Fukunage学者在1975年提出后，至今仍是业界内非常著名的跟踪算法，该方法在低速场景下对移动目标的跟踪具有非常良好的准确性及实时性。

2 前方车辆识别

车辆识别分类器的训练过程主要通过调整参数对样本进行特征提取并计算，包括采集样本、创建Haar特征、设置及调整参数、计算虚警率（误差率）等。检测流程最重要的步骤是对图像划定ROI并对其进行搜索，从而得到识别结果。

2.1 正、负样本

正样本集为试验台中前方车辆尾部的图像，共1000张，负样本集为不含车辆的其他图像，共3000张。

2.2 Haar-like特征与积分图

Haar-like特征是图像中的矩形特征，本文通过对车辆的尾部轮廓特征进行研究，从而实现对前方车辆的识别与跟踪。

积分图是一种加速特征计算的数学方法。积分图中ii（x，y）的大小等于点（x，y）左上方区域所有像素值之和。

式中为点的像素值，为点的积分值。

2.3 分类器与级联分类器

为降低分类器的误警率，在进行训练时，必须设置一个合理的特征阀值处理正、负样本并使每个弱分类器对应一个Haar-like特征。

通过Adaboost算法将训练所得的弱分类器组合成一个强分类器。并将其按照由易到难的方式进行逐级串联，得到级联分类器。在级联分类器结构中，每个子窗口会通过所有的分类器，如果子窗口中不存在待检测图像会立即被排除，只有被所有强分类器检测到有效目标后，才能输出检测结果。因此该分类器不仅提升了目标检测的准确性，还提高了算法的检测效率。

3 跟踪算法

3.1 MeanShift跟踪算法

本文采用MeanShift跟踪算法对分类器所识别出的结果进行跟踪，并确定跟踪目标的运动轨迹。该算法先通过计算出当前特征点的偏移均值，并将特征点移动到此，然后以其为新的起点继续移动，直到满足最终条件为止。MeanShift跟踪算法的核心是其目标模型、目标候选模型、相似性函数三者的确定。

3.1.1 目标模型

3.2 Mean Shift跟踪算法过程

MeanShift跟踪算法的具体流程为：

a、当同1个目标被连续检测到n（本文取n=3）次时，即判定其为待跟踪目标，调用算法对其进行跟踪;

b、当被连续检测到的目标在某帧丢失时，算法判定该目标临时失效，利用跟踪结果将其位置在图中标记出来;

c、当被连续跟踪的目标消失m帧（本文取m=5）时，判定目标已经离开检测范围，不再对其进行跟踪，直到新目标出现并满足第一个条件;

d、当被跟踪目标在m帧内被重新检测出来时，使用该目标对算法进行更新，继续对目标进行跟踪。

4 试验验证

4.1 前方车辆识别

为验证算法的有效性，分别对车辆在直线道路和弯曲道路行驶工况下进行识别，结果分别如图1所示。

由图1（a）可知，识别算法能够准确识别出车道正前方的小车，对左侧车道上较近的小车也有较好的识别效果。当出现外界环境干扰，即前车尾灯点亮时，该算法仍能够对前方车辆进行准确识别并有效标记。

由图1（b）可知，当前车行驶在弯道上时，虽然其航向角相对于本车发生了变化，也能被准确识别。这得益于Haar-like对前车尾部轮廓特征和边缘特征的准确提取，并对其进行训练后所得的性能优良分类器。

另外，对试验过程中采集到的600帧图像（两种工况各300帧）进行识别，识别率高达97%，并且每帧图片的平均处理时间为30ms，试验表明该识别算法具有较好的实时性。

4.2 前方车辆跟踪

由于单目视觉不能直接获取前方车辆的深度信息，本文在进行跟踪试验时，采用毫米波雷达对前方车辆的深度信息进行采集，再与图像信息进行融合，效果如图2（a）所示。同时对连续检测成功且未丢失的目标位置进行跟踪并对其中心位置进行持续标记，跟踪效果如图2（b）所示。

在试验过程中分别对直道和弯道2种工况进行数据记录，2种工况各截取了300帧连续试验数据，如表1所示。

由图2（a）可知，毫米波雷达测得左前车的速度为1.25m/s，与本车的间距为0.9m，通过坐标系的统一，将测量结果显示在已被标记的车辆上方。从图2（b）中可以看出，目标位置的中心变化轨迹，即实验过程中前车的运行轨迹近似为一条直线，与该试验项目中预先设置的前车运行轨迹相符合。从表1中的数据可以看出，2种工况下跟踪算法的跟踪率均高于90%，直道工况下跟踪率甚至高達97.3%，且跟踪延时均不超过20ms，试验结果表明该算法具有良好的跟踪效果。

5 结语

本文借助辅助驾驶模拟试验台的环境，验证车辆识别与跟踪算法的实时性与准确性。试验结果表明，识别算法具有良好的实时性。利用毫米波雷达采集到的深度信息与MeanShift算法联合对车辆进行跟踪，有效降低了该算法对目标颜色的依赖，极大提高了车辆识别的准确性与跟踪过程的稳定性。

参考文献：

[1]金立生，王岩，刘景华，王亚丽，郑义.基于Adaboost算法的日间前方车辆检测[J].吉林大学学报（工学版），2014，44（06）：1604-1608.

[2]赵奇慧，刘艳洋.基于深度学习的车辆跟踪算法综述[J].电子技术与软件工程，2020（03）：142-145.