基于多层检测模型和群体行为模型的车辆跟踪方法

摘要

本发明涉及一种基于多层检测模型和群体行为模型的车辆跟踪方法，在检测阶段，首先应用低阈值的DPM对被检图像进行过滤，得到目标候选者；其次，使用基于形状先验的图像分割来对候选者进行筛选，得到最终的检测结果。在跟踪阶段，首先根据检测结果，基于目标之间的距离进行群体行为的建模；之后使用卡尔曼滤波进行跟踪，跟踪的同时加入群体行为的约束，以避免目标之间发生漂移。预期的技术效果：能在交通路口复杂的环境下准确检测出车辆，不受自行车摩托车等影响，且在路口车辆很多时能检测到80％以上的车辆。在跟踪中，不仅仅跟踪每辆车，而且在两车交汇时不使目标发生漂移。

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：$E\left(L\right)=\underset{p\in P}{\Sigma }{D}_p\left(l_p\right)+\underset{(i,j)\in N_p:l_i\ne l_j}{\Sigma }{V}_{i,j}(l_i,l_j)+\underset{(i,j)\in N_p:l_i\ne l_j}{\Sigma }{E}_{i,j}(l_i,l_j)$其中，P表示输入的车辆或者误检图像块的所有像素点，N_p表示p点周围的像素点，D_p(l_p)是对像素p标记的惩罚，l_p为像素p的标记，0表示背景，1表示车辆，D_p(l_p)计算式如下：D_p(l_p＝1)＝‑logP_r(I_p|obj)D_p(l_p＝0)＝‑logP_r(I_p|back)其中，Pr是像素强度的概率分布，I_p表示像素强度；V_i,j(l_i,l_j)是对相邻像素对i、j标记的惩罚，计算式如下：$V_{i,j}(l_i,l_j)=\exp (-\frac{{\left(I_i-I_j\right)}^2}{2{\alpha }^2})\frac{1}{dis(i,j)}$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_i,j(l_i,l_j)是形状约束，计算式如下：$E_{i,j}\left(l_i,l_j\right)=\phi \left(\frac{{\mathrm{pos}}_i+{\mathrm{pos}}_j}{2}\right)$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_t：${\mathrm{Tf}}_t=\left\{{\mathrm{ft}}_t^1,{\mathrm{ft}}_t^2,...,{\mathrm{ft}}_t^k,...\right\}$${\mathrm{ft}}_t^i=\underset{i\ne j}{\Sigma }{\mu }_{ij}w\left(s_t^{ij}\right)$表示t时刻车辆目标k受到周围车辆的交通力总和，μ_ij为求和系数，为车辆目标k、m之间的力；其中，σ_d是两车要避免的最小距离，d_ij是t时刻k、m车辆目标之间的距离；步骤4：将Tf_t输入到卡尔曼滤波预测阶段，进行跟踪得到车辆轨迹：θ_t＝Tf_t·F_t·θ_t‑1+B_t·u_tθ_t‑1表示车辆前一位置，θ_t表示车辆当前位置，F_t是过程转移矩阵，B_t将控制向量u_t转换到状态空间。