基于粒子滤波和LBP特征的车辆跟踪方法

摘要

本发明提供一种基于粒子滤波和LBP纹理特征的车辆跟踪方法，其基于粒子滤波算法，通过使用LBP特征直方图，跟踪检测到车辆，并减小光线对跟踪的影响。其充分利用了LBP特征灰度不变性的特点，从而弱化光线变化、阴影干扰等对跟踪的影响，并且本发明可以有效跟踪多台车辆，提取车辆行驶信息，从而为下一步获得车辆数量、位置、车型、速度等基本信息，为车辆行为解释、交通拥堵分析提供数据支撑。

说明书

技术领域

本发明涉及一种基于粒子滤波和LBP特征的车辆跟踪方法，属于计算机视觉领域。

背景技术

对于交通管理人员,交通路口的视频图像是最直观的交通信息,同时也是最大的交通信息源。视频中含有丰富的交通信息。随着数字图像处理、计算机通信、模式识别与人工智能等学科的发展,基于视频的交通数据采集技术取得了飞速发展。基于视频的交通数据采集技术以视频图像为分析对象,通过对设定区域的图像进行处理和分析,准确地从视频图像中检测出运动车辆,在此基础上进行车辆跟踪和识别,最终获得车辆数量、位置、车型、速度等基本信息,为车辆行为解释、交通拥堵分析提供数据支撑。基于视频的交通数据采集代表着交通信息采集与处理的发展方向。因此运动车辆检测与跟踪是智能监控系统一项基础而关键的工作。

然而,由于自然环境的影响和交通场景的复杂性,交通场景中的运动目标检测和跟踪结果往往受天气、光线、拍摄角度、目标大小、阴影、遮挡和目标运动速度的影响较大。因此,交通视频监控中的运动目标检测和跟踪研究是智能交通系统的重要研究领域,具有重大的现实意义。车辆跟踪作为其中一个重要环节，已经成为计算机视觉领域一个重要的问题。

目前，车辆跟踪的方法主要有基于车辆模型的跟踪，基于车辆区域的跟踪，基于车辆区域的跟踪，基于车辆轮廓的跟踪。基于车辆模型的跟踪方法，核心在于精确提取已知车辆的3-D模型，并使得待检测图像与模型库匹配。该方法的优点是准确度高，缺点在于对模型过于依赖，且因为引入模型库，导致产生很大的计算量，因此该方法使用较少。基于车辆区域的跟踪方法，是将车辆以块的形式表示，然后对连接区域进行合并或者分割。该方法在车辆稀少情况下效果很好，但在车流密集时，对于区域的合并分割存在不准确性。基于车辆轮廓的跟踪方法，是先提取车辆轮廓，并在后续的每一帧图像进行更新。该方法实质是基于区域方法的改进，降低了计算量，但没有解决阴影和拥塞情况下效果不佳的问题。基于车辆的特征的跟踪方法，是将车辆的特征作为最小跟踪单元，并将这些特征组合来表示车辆。该方法突出优点在于有效解决了遮挡问题、光线变化问题，以及移植到嵌入式平台后的效率问题，不过对于如何有效选取特征或者将多特征进行融合，都还有很多问题需要研究。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于粒子滤波和LBP纹理特征的车辆跟踪方法，解决因光线变化使跟踪准确率降低等问题。

按照本发明提供的技术方案，所述基于粒子滤波和LBP特征的车辆跟踪方法包括以下步骤：

步骤1、从采集到的视频图像中读取第一帧图像设置为pre帧，人工在图像中标定出跟踪车辆所在的矩形区域，以此作为下一帧比对的模板；

步骤2、将pre帧图像备份后转换为灰度图，然后计算标定区域的LBP特征直方图；

步骤3、读入下一帧图像并设置为p帧，将p帧图像备份后转换为灰度图；

步骤4、在步骤3获取的灰度图图像中按高斯分布布置np个粒子进行粒子滤波；粒子滤波是指通过寻找一组在状态空间中传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差估计的过程，这些样本称为粒子；

步骤5、计算pre帧图像中的模板和p帧中np个粒子的LBP特征直方图，使各邻域像素点与中心像素作差，大于0则置1，小于0则置0，按逆时针顺序构造0/1序列，最后计算出对应的十进制数，即是该像素点的LBP纹理特征值，对标定区域中的每个像素求LBP特征值，并进行统计，即得到图像的LBP特征直方图；

步骤6、经过系统观测后更新粒子权重，使得其权重与实际可能性匹配，即下一步该粒子出现的可能性与权重按照相应比例对应，实现方法是使用图像pre帧中模板的LBP特征直方图与图像p帧中粒子的LBP特征直方图进行方差计算，并进行标准化，分别得各个粒子的权重w；

步骤7、将当前帧设置为pre帧，权重w值最大的粒子即为目标所在位置，并设定该粒子为新的模板，用于下一次的比对；

步骤8、进行重采样操作，目的是将上一步的粒子进行复制，从而响应产生一定数量的粒子；复制的数量按照np*w计算；然后重复进行步骤2～7进行下一帧的跟踪。如果w<0.1则不再复制该粒子。

步骤1中，当有多台跟踪车辆时，人工在图像中标定出每台跟踪车辆所在的矩形区域，作为下一帧比对的多个模板。

本发明的优点是：本专利使用粒子滤波算法进行跟踪，可以实现对跟踪的需求，并通过放弃传统的HSV颜色模型，选择提取LBP特征，从而弱化光线变化、阴影干扰等对跟踪的影响。本专利可以有效跟踪多台车辆，提取车辆行驶信息，从而为下一步获得车辆数量、位置、车型、速度等基本信息,为车辆行为解释、交通拥堵分析提供数据支撑。

附图说明

图1是LBP特征计算方法示意图。

图2是粒子滤波执行过程示意图。

图3是本发明的实施步骤流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本专利旨在提出一种基于粒子滤波和LBP特征的车辆跟踪方法，通过使用LBP特征直方图，跟踪检测到车辆，并减小光线对跟踪的影响，具体流程如图3所示。

步骤1、设定粒子数目np（np<100），从采集到的视频图像中读取第一帧图像设置为pre帧，人工在图像中标定出跟踪车辆所在区域，该区域为矩形，能够恰好将要跟踪的车辆包围在内，以此作为下一帧比对的模板。有多台跟踪车辆时，则分别标定出每台跟踪车辆所在的矩形区域，作为下一帧比对的多个模板。

步骤2、将pre帧图像备份后转换为灰度图，然后计算标定区域的LBP特征直方图。如图1所示，有8个像素参与运算,半径为2个像素的情况下，将图1左图模板阈值化，使各邻域像素点与中心像素作比较，大于则置1，小于则置0，得到图1中图，按逆时针顺序构造0/1序列（10100101），最后计算出对应的十进制数165，该像素点的LBP纹理特征值就是165。

步骤3、读入下一帧图像并设置为p帧，将图像备份，然后将图像转换为的灰度图。

步骤4、在灰度图图像中按高斯分布布置np个粒子进行粒子滤波；粒子滤波指是通过寻找一组在状态空间中传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差估计的过程，这些样本被形象的称为“粒子”。如图2所示，我们选取12个例子，并在第一次跟踪时按照高斯分布将粒子布置在步骤一中获得的模板周围。然后计算粒子与模板的相似度，并将所有粒子的权重归一化，在下一次的跟踪时，各个位置布置的粒子数目为粒子总数与权重的乘积。以后的粒子布置过程与之相同。

步骤5、计算pre帧图像中的模板和p帧中np个粒子的LBP特征直方图，方法同步骤2中计算方法相同。

步骤6、经过系统观测后更新粒子权重，使得其权重与实际可能性匹配，即下一步该粒子出现的可能性与权重按照相应比例对应，实现方法是使用图像pre帧中模板的LBP特征直方图与图像p帧中粒子的LBP特征直方图进行方差计算，并进行归一化（即所有粒子权重之和为1），分别得各个粒子的权重w。

步骤7、将当前帧设置为pre帧，权重w值最大的粒子即为目标所在位置，并设定该粒子为新的模板，用于下一次的比对。

步骤8、进行重采样操作，目的是将上一步的粒子进行复制，从而响应产生一定数量的粒子。复制的数量按照np*w计算，如果w<0.1则不再复制该粒子；然后重复进行步骤2,3,4,5,6,7进行下一帧的跟踪。