基于矩特征和卡爾曼濾波的車輛跟蹤算法

【摘要】針對由于背景的動態變化而導致的目標車輛無法準確進行跟蹤的問題，提出了一種基于卡爾曼濾波器的車輛跟蹤算法。算法利用基于圖像內容的動態前景分割的方法提取出目標車輛，以此建立基于HSV顏色空間的矩特征，從而得到目標的特征模板，在下一幀中利用卡爾曼濾波器對目標車輛的狀態進行預測。在預測的區域內進行匹配定位，從而得到目標車輛的實際位置。實驗結果表明，該算法實時性和準確性高，能夠準確的完成對目標車輛的跟蹤。

【關鍵詞】目標跟蹤；卡爾曼濾波；前景分割

1.引言

智能交通系統是當今研究的一個熱點方向，但是由于復雜背景的動態變化以及目標車輛之間有時候會出現遮擋的情況會直接影響到目標車輛的檢測、分離以及跟蹤的準確性，從而影響到最后的跟蹤結果。因此，如何實現從動態的背景中分割出前景目標并進行準確跟蹤在智能交通系統中具有重要的意義，但同時這也是一個難點所在。

本文在參考文獻[2]的基礎上提出了一種利用HSV空間矩特征作為特征進行目標跟蹤的方法，首先經過學習從動態的復雜背景中提取出前景目標，并將其進行分離。根據提取出來的前景目標建立HSV空間矩特征作為模板，然后引入卡爾曼濾波器預測出下一幀目標的大致區域，在預測的區域內進行匹配，從而完成對目標車輛的跟蹤過程。

2.運動車輛的檢測與分割

運動車輛的檢測與分割是指在圖像中檢測出變化區域并將運動目標從背景中進行分離，檢測結果的準確性對于車輛的跟蹤具有重要的影響。

文獻[2]提出了一種動態前景分割建模方法。其原理如下，依照貝葉斯決策規則進行前景和背景的劃分，若：

則具有特征的像素點A被劃分為前景。假設為像素點A的特征的量化特征，則。觀察一段時間后，像素點A所得的N個模型可用表示，像素特征屬于背景b的后驗概率，可通過式（2）、（3）來估計。

由圖1可知，該分割過程簡單，而且分割效果較好。

3.目標車輛跟蹤

當車輛檢測并分割出來之后，車輛跟蹤就是利用特征模板在相鄰幀進行匹配的問題。本文提出的一種基于運動預測的車輛跟蹤方法，一方面可以縮小目標搜索匹配的范圍，提高匹配的速度；另一方面跟蹤的魯棒性強、準確度高。

3.1 運動估計模型

采用卡爾曼濾波器預測目標在下一幀中的區域。卡爾曼濾波本質是一種遞歸型的狀態估計器。它包含預測和修正兩個狀態。

由于系統的采樣頻率為fps，相鄰2幀之間的時間間隔約為s，所以可以近似地認為車輛勻速運動，且跟蹤窗口的變化不大。

定義好運動模型的狀態方程和觀測方程后，在下一幀中可以在一個小的范圍內利用Kalman濾波來估計車輛窗口的大小，從而得到目標的運動軌跡和質心位置。

3.2 跟蹤特征選擇

目標的特征有許多種，包括顏色、形狀、輪廓等等，特征的選擇在運動目標跟蹤的過程中的關鍵步驟。特征選取合適的話能夠實現有效跟蹤，而當特征選擇不當的時候往往會引起跟蹤失敗的情況發生。本文提出了一種在HSV顏色空間中的矩特征作為目標的特征描述，其計算公式如式（7），其中n為像素的個數，h為HSV空間中H分量的值，同理可得的值，以此便構了一個這樣一個矩特征。在視頻圖像中，運動目標因為由遠到近而導致體積發生變化時，其HSV空間的矩特征變化不大，相對于七階不變矩特征，計算量小，能夠實現對于目標車輛準確而有效的描述，魯棒性較好。

3.3 車輛匹配和跟蹤

由于圖像序列相鄰兩幀之間的時間間隔較短，車輛的運動情況較穩定。可以認為同一目標車輛在相鄰兩幀圖像中的質心位置和大小變化較小。根據動態前景分割的方法可以提取出前景目標，如果同時存在多個前景目標時，其中心位置位于卡爾曼濾波預測范圍內的前景目標則是我們要進行跟蹤的目標車輛。確定前景目標后提取其邊界框，以此邊界框內的目標信息建立基于HSV空間的矩特征并作為下一幀的匹配模板。然后在卡爾曼濾波預測的范圍內，以此模板進行搜索匹配，計算相同大小的匹配區域同目標模板的歐式距離，其歐式距離最小的匹配區域即為目標車輛的觀測值。即：

其中為待匹配區域的HSV空間矩特征，為模板HSV空間矩特征，n為矩特征的維數。此方法在跟蹤過程中能完成模板的不斷更新，往復進行就完成了目標跟蹤。

4.實驗結果及分析

為了驗證本文算法的有效性，采集了一段城市道路交通的視頻圖像序列。視頻圖像的分辨率為160×120，幀率為每秒15幀。開發工具為matlab。從圖2可以看出利用利用HSV空間矩特征能夠完成對目標穩定而有效的跟蹤，受噪聲影響較小，跟蹤的魯棒性較強。

5.結語

本文提出的基于HSV空間矩特征和卡爾曼濾波的車輛跟蹤算法，可以分為車輛檢測和車輛跟蹤。車輛檢測部分利用動態前景分割的方法實現目標車輛的檢測與分割過程；車輛跟蹤過程中，根據車輛檢測的結果建立HSV空間矩特征，引入卡爾曼濾波器預測出下一幀目標的大概位置，在預測的范圍內進行匹配，從而實現跟蹤過程。

參考文獻

[1]A.Elgammal，R.Duraiswami，D.Harwood，L.Davis.Backg-round and foreground modeling using nonparametric kernel density estimation for visual surveillance.Proceedings of the IEEE，vol.90，pp.1151-1163，July 2002.

[2]Shaoqiu Xu.Dynamic Background Modeling for Foreground Segmentation.8th IEEE/ACIS International Conference on Computer and Information Science（ICIS 2009），June：1-3，2009，Shanghai，China.

[3]Shunsuke KAMIJO，Tsunetoshi NISHIDA，Suguru SATOH and Masao SAKAUCHI.Automated Behavior and Statistical Analyses From Traffic Images Based on Precise Vehicle Tracking Algorithm.The IEEE 5th International Conference on Intelligent Transportation System：3-6 September，2002，Singapore.

[4]De Vylder Jonas，Aelterman Jan，Philips Wilfried.Robust active contour segmentation with an efficient global optimizer.13th International Conference on Advanced Concepts for Intelligent Vision Systems.2011，195-206.

[5]李培華.序列圖像中運動目標跟蹤方法[M].科學出版社，2010：111-125.

[6]李晶，范九倫.一種基于卡爾曼濾波的運動物體跟蹤算法[J].計算機應用研究，2010（8）：3162-3164.

[7]賁晛燁，王科俊，李陽等.交通視頻中的Kalman濾波的多車輛跟蹤算法[J].應用科技，2011，38（3）：1-4，11.

作者簡介：成志航（1988—），男，碩士研究生，研究方向：智能交通系統。