基于信息融合的交通波实时检测与跟踪方法

摘要

本方法涉及一种基于信息融合的交通波实时检测与跟踪方法。首先获取交通视频图像，然后采用Kalman滤波技术，根据前一时刻交通波状态最优估计值获取当前时刻的交通波状态预测值；然后得到当前时刻交通波位置测量值，在相向摄像机之间的可视区域内，每台摄像机采用融合Adaboost分类器的复式伸缩窗算法；在相背摄像机之间的盲区内，基于特征点跟踪法及交通波估计法进行估计；最后，采用加权平均一致性信息融合算法获得当前时刻交通波状态最优估计值，为下一时刻交通波状态预测做准备，在此过程中通过引入各摄像机测量噪声权重，并动态调整各摄像机检测结果可信度来提高交通波定位精度。

主权项

基于信息融合的交通波实时检测与跟踪方法，基于分布式摄像机网络，所述的分布式摄像机网络是由一系列按一定方式通信相连的摄像机组成，分布式网络共有n台摄像机，从道路交叉口开始依次从1到n编号；每两台相邻的摄像机间存在相向关系或相背关系，具有相向关系的两台摄像机为视野范围存在重叠区域的相向摄像机对，具有相背关系的两个摄像机为架设在同一位置的视野范围没有重叠的相背摄像机对，即二者间存在盲区；每台摄像机采用1台计算机作为处理单元，具有独立运算功能；N_i表示可向摄像机i传递信息的摄像机编号集合,当i＝1时，N₁＝2，当1＜i＜n时，N_i＝{i‑1,i+1}，当i＝n时，N_n＝{n‑1}，基于信息融合的交通波实时检测与跟踪方法其特征在于包括以下步骤：1)分布式摄像机网络中的所有摄像机同时拍摄交通视频；2)每台摄像机采用Kalman滤波预测得到t时刻各自跟踪到的交通波状态预测值以及对应的预测信息矩阵，计算公式如下，其中，所述的交通波包括停车波或启动波，交通波状态是由交通波的位置与波速构成的向量，$\overline{x_i}\left(t\right)=\Phi \widehat{x_i}(t-1)$${\bar{W}}_i\left(t\right)={\left(\Phi {{\hat{W}}_i}^{-1}\right(t-1){\Phi }^T+Q)}^{-1}$其中，为第i台摄像机采用Kalman滤波预测得到的t时刻的交通波状态预测值，为第i台摄像机在t时刻计算得到的预测信息矩阵，为第i台摄像机计算得到的t‑1时刻的交通波状态最优估计值，为第i台摄像机计算得到的t‑1时刻的最优信息矩阵，为状态转换矩阵，Q为状态转换噪声的协方差矩阵；3)计算每台摄像机t时刻的交通波位置测量值z_i(t)，具体为：当第i台摄像机预测得到的t时刻的交通波状态预测值在该摄像机可视区域内时，则采用融合Adaboost分类器的复式伸缩窗算法获取摄像机i在可视范围内在t时刻的交通波位置测量值z_i(t)；当第i台摄像机在t时刻预测得到的交通波状态预测值在第i台摄像机所属的相背摄像机对形成的盲区内时，根据Adaboost分类器检测出的车辆头部和尾部候选区域内的特征点，对特征点进行分组，将时空特性相同的特征点分在一组，并对相同组内特征点进行三角剖分形成网格图，采用特征点跟踪方法对车辆进行跟踪，计算感兴趣车辆进入与驶出盲区的速度变化，进而根据交通波估计法估计盲区内t时刻的交通波位置测量值z_i(t)；4)采用加权平均一致性信息融合方法，通过迭代得到t时刻的交通波状态最优估计值和最优信息矩阵若交通视频不结束则跳转至步骤2)，其中迭代具体如下：4.1)计算摄像机t时刻检测结果可信度a(t)，在分布式网络中，第奇数(2m+1)台摄像机为其视野范围内面对车辆头部的摄像机，第偶数(2m+2)台为其视野范围内面对车辆尾部的摄像机，t时刻面对车辆头部的摄像机检测结果可信度为a_2m+1(t)，面对车辆尾部的摄像机检测结果可信度为a_2m+2(t)，m从0开始取值，在初始时刻将所有摄像机检测结果可信度设为缺省值1，如果根据权利要求步骤3)中通过某台摄像机无法获取初始时刻停车波位置测量值，则将这台摄像机的检测结果可信度设为0，动态调整摄像机检测结果可信度过程中，只调节视野范围内面对车辆尾部的摄像机检测结果可信度a_2m+2(t)，包含以下步骤：第一步，提取第2m+2台摄像机视野范围内队尾静止车辆不被后面的车辆遮挡时该车尾部的特征点网格图及停车波位置测量值；第二步，比较当前时刻车辆尾部特征点网格图结构与未发生遮挡时特征点网格图结构是否相同，判断是否有新车加入队尾，以调整第2m+2台摄像机t时刻的检测结果可信度a_2m+2(t)，判断过程分以下两种情况：第1种情况：特征点网格图的结构未发生变化，说明没有新车加入队尾，调整方法分以下几步：第一步，设可信度a_2m+2(t)的调整范围为[1,10]，调节步长用l表示；第二步，判断t时刻停车波位置测量值相对于t‑1时刻停车波位置测量值的移动方向与t‑1时刻停车波状态最优估计值相对于t‑2时刻停车波状态最优估计值的移动方向是否相同，相同，则减小a_2m+2(t)，调节步长大于0，小于0.5；不相同则增大a_2m+2(t)，调节步长大于0，小于0.5；第2种情况：特征点网格图的结构发生变化，说明有新车即将加入队尾，并对原来队尾静止车辆产生遮挡，调整方法分以下几步：第一步，设可信度a_2m+2(t)的调整范围为[0.1,1]，调节步长用l表示；第二步，判断当前停车波位置测量值是否比未发生遮挡时停车波位置测量值减小，是则减小a_2m+2(t)，调节步长大于0，小于0.1；否则增大a_2m+2(t)，调节步长大于0，小于0.1；4.2)初始化一致性信息向量和一致性信息矩阵计算公式如下：$s_i^0\left(t\right)={\bar{W}}_i\left(t\right)\overline{x_i}\left(t\right)+H^T{B}_i\left(t\right)z_i\left(t\right)$$S_i^0\left(t\right)={\bar{W}}_i\left(t\right)+H^T{B}_i\left(t\right)H$其中B_i(t)，z_i(t)分别为当前时刻t摄像机i的预测信息矩阵、测量信息矩阵、交通波状态预测值和交通波位置测量值，H为观测矩阵，B_i＝w_i(cov(γ_i))^‑1其中，测量噪声γ_i满足高斯分布，w_i为摄像机i的测量噪声权重，测量噪声权重w计算公式如下：$w={\lambda }^{-2}{M}^{-T}{F}_1^{-1}{M}^{-1}$其中,M＝D^‑1C^‑1，C、D分别为摄像机内部参数矩阵、旋转矩阵，λ为比例因子，采用针孔成像模型，将图像上任意一点P反投影到摄像机坐标系，在道路平面坐标系中与路面相交于P'点，F_I为图像平面上P点误差的协方差矩阵，C、D、F_I均是通过摄像机离线标定获得的得到的，4.3)t时刻第k步迭代时，摄像机i接收通信相连的摄像机j的a_j(t)、然后按如下公式迭代计算t时刻时摄像机i第k步的一致性信息向量和一致性信息矩阵$s_i^k\left(t\right)=s_i^{k-1}\left(t\right)+ϵ\underset{j\in N_i}{\Sigma }\frac{a_j\left(t\right)}{a_i\left(t\right)+a_j\left(t\right)}\left(s_j^{k-1}\right(t)-s_i^{k-1}(t\left)\right)$$S_i^k\left(t\right)=S_i^{k-1}\left(t\right)+ϵ\underset{j\in N_i}{\Sigma }\frac{a_j\left(t\right)}{a_i\left(t\right)+a_j\left(t\right)}\left(S_j^{k-1}\left(t\right)-S_i^{k-1}\left(t\right)\right)$同时摄像机i向通信相连摄像机j传送相应的a_i(t)、的值；其中k＝1,2,....为迭代步，ε为一致性协议增益，取值范围为[0.5,0.85]，a_j(t)表示t时刻与摄像机i通信相连的摄像机j的检测结果可信度，表示t时刻第k‑1步与摄像机i通信相连的摄像机j的一致性信息向量，表示t时刻第k‑1步与摄像机i通信相连的摄像机j的一致性信息矩阵；4.4)计算t时刻第k步交通波状态估计值和第k步信息矩阵计算公式如下：$\widehat{x_{ik}\left(t\right)}={\left(S_i^k\right(t\left)\right)}^{-1}{s}_i^k\left(t\right)$$\widehat{W_{ik}}\left(t\right)=S_i^k\left(t\right)$4.5)当0.1<δ<0.2，或者达到最大迭代次数时，则停止迭代，此时，t时刻第k步交通波状态估计值即为t时刻交通波状态最优估计值即为t时刻最优信息矩阵否则跳转至步骤4.3)。