主权项 |
一种基于多层检测模型和群体行为模型的车辆跟踪方法,其特征在于步骤如下:步骤1:使用DPM检测器对输入视频进行检测,得到车辆图像块和误检图像块;所述的DPM检测器的阈值设为‑0.78;步骤2:依次对车辆图像块和误检图像块的图割法能量函数进行最小化计算,保留能量函数在0.1~0.5之间的车辆图像块;所述的图割法能量函数为:<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>E</mi><mrow><mo>(</mo><mi>L</mi><mo>)</mo></mrow><mo>=</mo><munder><mo>Σ</mo><mrow><mi>p</mi><mo>∈</mo><mi>P</mi></mrow></munder><msub><mi>D</mi><mi>p</mi></msub><mrow><mo>(</mo><msub><mi>l</mi><mi>p</mi></msub><mo>)</mo></mrow><mo>+</mo><munder><mo>Σ</mo><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo><mo>∈</mo><msub><mi>N</mi><mi>p</mi></msub><mo>:</mo><msub><mi>l</mi><mi>i</mi></msub><mo>≠</mo><msub><mi>l</mi><mi>j</mi></msub></mrow></munder><msub><mi>V</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mrow><mo>(</mo><msub><mi>l</mi><mi>i</mi></msub><mo>,</mo><msub><mi>l</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>+</mo><munder><mo>Σ</mo><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo><mo>∈</mo><msub><mi>N</mi><mi>p</mi></msub><mo>:</mo><msub><mi>l</mi><mi>i</mi></msub><mo>≠</mo><msub><mi>l</mi><mi>j</mi></msub></mrow></munder><msub><mi>E</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mrow><mo>(</mo><msub><mi>l</mi><mi>i</mi></msub><mo>,</mo><msub><mi>l</mi><mi>j</mi></msub><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000824080920000011.GIF" wi="1389" he="127" /></maths>其中,P表示输入的车辆或者误检图像块的所有像素点,N<sub>p</sub>表示p点周围的像素点,D<sub>p</sub>(l<sub>p</sub>)是对像素p标记的惩罚,l<sub>p</sub>为像素p的标记,0表示背景,1表示车辆,D<sub>p</sub>(l<sub>p</sub>)计算式如下:D<sub>p</sub>(l<sub>p</sub>=1)=‑logP<sub>r</sub>(I<sub>p</sub>|obj)D<sub>p</sub>(l<sub>p</sub>=0)=‑logP<sub>r</sub>(I<sub>p</sub>|back)其中,Pr是像素强度的概率分布,I<sub>p</sub>表示像素强度;V<sub>i,j</sub>(l<sub>i</sub>,l<sub>j</sub>)是对相邻像素对i、j标记的惩罚,计算式如下:<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><msub><mi>V</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mrow><mo>(</mo><msub><mi>l</mi><mi>i</mi></msub><mo>,</mo><msub><mi>l</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>=</mo><mi>exp</mi><mrow><mo>(</mo><mo>-</mo><mfrac><msup><mrow><mo>(</mo><mrow><msub><mi>I</mi><mi>i</mi></msub><mo>-</mo><msub><mi>I</mi><mi>j</mi></msub></mrow><mo>)</mo></mrow><mn>2</mn></msup><mrow><mn>2</mn><msup><mi>α</mi><mn>2</mn></msup></mrow></mfrac><mo>)</mo></mrow><mfrac><mn>1</mn><mrow><mi>d</mi><mi>i</mi><mi>s</mi><mrow><mo>(</mo><mi>i</mi><mo>,</mo><mi>j</mi><mo>)</mo></mrow></mrow></mfrac></mrow>]]></math><img file="FDA0000824080920000012.GIF" wi="885" he="143" /></maths>其中,α是相机噪声,dis(i,j)为相邻像素对i、j之间的欧氏距离;E<sub>i,j</sub>(l<sub>i</sub>,l<sub>j</sub>)是形状约束,计算式如下:<maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><msub><mi>E</mi><mrow><mi>i</mi><mo>,</mo><mi>j</mi></mrow></msub><mrow><mo>(</mo><mrow><msub><mi>l</mi><mi>i</mi></msub><mo>,</mo><msub><mi>l</mi><mi>j</mi></msub></mrow><mo>)</mo></mrow><mo>=</mo><mi>φ</mi><mrow><mo>(</mo><mfrac><mrow><msub><mi>pos</mi><mi>i</mi></msub><mo>+</mo><msub><mi>pos</mi><mi>j</mi></msub></mrow><mn>2</mn></mfrac><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000824080920000013.GIF" wi="654" he="119" /></maths>其中,pos表示像素的位置,φ是无符号距离函数,像素位置在车辆二值图轮廓内,则为0;否则,为像素到轮廓边缘的最短距离;步骤3:计算保留的各个车辆图像块中心点之间的欧式距离,建立和欧式距离相关的交通力的集合Tf<sub>t</sub>:<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><msub><mi>Tf</mi><mi>t</mi></msub><mo>=</mo><mrow><mo>{</mo><mrow><msubsup><mi>ft</mi><mi>t</mi><mn>1</mn></msubsup><mo>,</mo><msubsup><mi>ft</mi><mi>t</mi><mn>2</mn></msubsup><mo>,</mo><mo>...</mo><mo>,</mo><msubsup><mi>ft</mi><mi>t</mi><mi>k</mi></msubsup><mo>,</mo><mo>...</mo></mrow><mo>}</mo></mrow></mrow>]]></math><img file="FDA0000824080920000014.GIF" wi="652" he="85" /></maths><maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><msubsup><mi>ft</mi><mi>t</mi><mi>i</mi></msubsup><mo>=</mo><munder><mo>Σ</mo><mrow><mi>i</mi><mo>≠</mo><mi>j</mi></mrow></munder><msub><mi>μ</mi><mrow><mi>i</mi><mi>j</mi></mrow></msub><mi>w</mi><mrow><mo>(</mo><msubsup><mi>s</mi><mi>t</mi><mrow><mi>i</mi><mi>j</mi></mrow></msubsup><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000824080920000015.GIF" wi="427" he="117" /></maths><img file="FDA0000824080920000016.GIF" wi="86" he="79" />表示t时刻车辆目标k受到周围车辆的交通力总和,μ<sub>ij</sub>为求和系数,<img file="FDA0000824080920000021.GIF" wi="484" he="154" />为车辆目标k、m之间的力;其中,σ<sub>d</sub>是两车要避免的最小距离,d<sub>ij</sub>是t时刻k、m车辆目标之间的距离;步骤4:将Tf<sub>t</sub>输入到卡尔曼滤波预测阶段,进行跟踪得到车辆轨迹:θ<sub>t</sub>=Tf<sub>t</sub>·F<sub>t</sub>·θ<sub>t‑1</sub>+B<sub>t</sub>·u<sub>t</sub>θ<sub>t‑1</sub>表示车辆前一位置,θ<sub>t</sub>表示车辆当前位置,F<sub>t</sub>是过程转移矩阵,B<sub>t</sub>将控制向量u<sub>t</sub>转换到状态空间。 |