（计算机软件与理论专业论文）基于视频图像处理的车辆检测与跟踪技术研究.pdf

摘要 摘要 智能交通系统是未来交通的发展方向，而基于视频图像处理的检测和跟踪 技术是其关键技术之一。本文从事车辆视频检测与跟踪系统的算法研究，其目 的是适用于大面积、多目标的复杂场景，能应用于高速公路和城市交通中，不 对环境作过多的条件限制。 在实时的交通检测系统中，运用背景差分法是最直接有效的解决方案，在 详细分析了已有的背景重建算法的基础上，本文提出采用一种基于块拼接与均 值背景相结合背景估计方法，通过背景差分法来检测运动目标。再利用动态轮 廓算法，提取车辆的轮廓特征。而轮廓信息的准确获取，对车型识别及车辆跟 踪算法，有着重要的意义。因此，本文比较详细的论述了动态轮廓算法的原理、 数值计算方法及各种改进模型。研究了阴影的检测方法，对一种记分板阴影检 测方法进行简化，在灰度图中通过亮度信息和边缘信息来检测运动阴影。 对检测到的运动车辆进行实时跟踪能提供交通场景的动态信息，本文提出 采用特征跟踪的方法，通过k a l m a n 滤波算法进行预测估计，以减少特征匹配的 时间。并在实验系统中采用质心跟踪的方法，实现了对运动车辆的跟踪，并分 析了k a l m a n 滤波算法的预测估计性能。 关键词：智能交通车辆检测背景重建阴影检测跟踪动态轮廓算 法k a l m a n 滤波 a b s t r a c t a b s t r a c t t h ei n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m ( i t s ) i st h et r e n do ft r a f f i cd e v e l o p m e n t i nt h ef u t u r e ，a n dv i s i o n - b a s e dv e h i c l ed e t e c t i n ga n dt r a c k i n ga r eo n eo fi t sk e y t e c h n o l o g i e s i nt h i sp a p e r , w es t u d yt h ep o p u l a ra l g o r i t h m su s e di nt h e t r a f f i c s u r v e i l l a n c ea p p l i c a t i o n ，a n dp r e s e n tas c h e m ew h i c hc a l lb ea p p l i e di nac o m p l e x t r a f f i cs c e n es u c ha su r b a ni n t e r s e c t i o na n dh i g h w a yf i e l d b a c k g r o u n df r a m ed i f f e r e n c em e t h o di sas t r a i g h t f o r w a r da n de f f e c t i v ew a y t o d e t e c tm o v i n go b j e c t s b a s e do nd e t a i l e da n a l y s i so fb a c k g r o u n de s t i m a t i o n a l g o r i t h m s ，w ee m p l o yab l o c k b a s e db a c k g r o u n dr e c o n s t r u c t i o nm e t h o dt od e t e c t m o v i n gv e h i c l e s t h e nw eg e tt h ei m p o r t a n tc o n t o u rf e a t u r ew h i c h i su s e f u lt ov e h i c l e r e c o g n i z a t i o na n dt r a c k i n gb yi n t r o d u c i n ga c t i v ec o n t o u r ( s n a k e s ) a l g o r i t h m t h e a c t i v ec o n t o u rm o d e li n c l u d i n gi t s p r i n c i p l ea n dc a l c u l a t i o n a l m e t h o di sa l s o d i s c u s s e di nd e t a i l t od e a l 硒t hs h a d o wp r o b l e m s ，w es i m p l i f yas c o r e b o a r ds h a d o w d e t e c t i o na l g o r i t h mt os u p p r e s sm o v i n gs h a d o wi n 铲a yi m a g e b yt r a c k i n gv e h i c l e si nr e a lt i m ew ec a ne a s i l yg e td y n a m i ci n f o r m a t i o no f t h e t r a f f i cs c e n e i nt h i sp a p e r , w ea d o p t sf e a t u r et r a c k i n gm e t h o dt ot r a c k i n gv e h i c l e s f o rr e d u c i n gf e a t u r em a t c h i n gt i m e ，w ee m p l o yk a l m a nf i l t e ra l g o r i t h mt op r e d i c tt h e o b j e c t sm o t i o ns t a t e s w i t hac e n t r o i dt r a c k i n ge x p e r i m e n t ，w et e s tt h ek a l m a nf i l t e r m e t h o d p e r f o r m a n c e k e y w o r d s ：i t s ；v e h i c l ed e t e c t i o n ；b a c k g r o u n dr e c o n s t r u c t i o n ；s h a d o wd e t e c t i o n ； k a l m a nf i l t e r ；a c t i v ec o n t o u rm o d e l ( s n a k e s ) i i 南开大学学位论文版权使用授权书 本人完全了解南开大学关于收集、保存、使用学位论文的规定， 同意如下各项内容：按照学校要求提交学位论文的印刷本和电子版 本；学校有权保存学位论文的印刷本和电子版，并采用影印、缩印、 扫描、数字化或其它手段保存论文；学校有权提供目录检索以及提供 本学位论文全文或者部分的阅览服务；学校有权按有关规定向国家有 关部门或者机构送交论文的复印件和电子版；在不以赢利为目的的前 提下，学校可以适当复制论文的部分或全部内容用于学术活动。 学位论文作者签名：谨| 芋 如t j 年y - 7 j 蜩 经指导教师同意，本学位论文属于保密，在年解密后适用 本授权书。 指导教师签名：学位论文作者签名： 解密时间：年月日 各密级的最长保密年限及书写格式规定如下： 内部5 年( 最长5 年，可少于5 年) 秘密1 0 年( 最长1 0 年，可少于1 0 年) 机密2 0 年( 最长2 0 年，可少于2 0 年) 南开大学学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，进行研究工作 所取得的成果。除文中已经注明引用的内容外，本学位论文的研究成果不包含 任何他人创作的、已公开发表或者没有公开发表的作品的内容。对本论文所涉 及的研究工作做出贡献的其他个人和集体，均已在文中以明确方式标明。本学 位论文原创性声明的法律责任由本人承担。 学位论文作者签名：歹炙 或乏 t 1 ； 2 ) 背景：瞄 3 ； 3 ) 阴影： 0 ； 4 1 高光背景：其它； 4 2 2 统计的参量化方法 此方法利用局部和空间信息进行阴影检测 4 2 1 ，使用r g b 颜色空间的r 、g 、 b 分量作特征，用v = 【r ，g ，占】7 表示没有被阴影遮盖的象素，它可由背景的统计 量作一近似的线性变换v = 吣。进行估计。d 为一对角矩阵，由实验来获得，背 景的均值和方差由前n 帧计算。最后计算背景、前景和阴影的后验概率，对象 素分类。通过增加空间约束可提高检测性能，在迭代时，利用上一步邻近象素 4 9 第4 章阴影的处理 的结果作类成员的先验概率。此方法的缺点是要事先确定参量，当应用于实际 场景时，缺乏自适应性。 4 2 3 确定的模型化方法 典型的方法见【4 6 】，通过对车辆建立3 d 模型，在己知照明模型的情况下， 汽车在地面的阴影能够被检测出来，而且准确度高。但这种方法的缺点是需要 事先确定照明模型和各种车型的三维模型，而且计算复杂。 4 2 4 确定的非模型化方法 大多数方法都属于这一类 4 4 1 1 6 0 。m 中使用h s v 颜色空间，因为阴影有亮度 变暗、色度和饱和度变化不大的特点，根据以下公式判断象素是否属于阴影： 凹：a s 嚣券跏班一墨k 圳咖瓴瑚一r ( x , y ) s s 咯( 2 5 9 ) i u a t m 俯e 等式表示，阴影点应满足三个条件：同背景的v 分量( 明度) 的比值在一 个预定的范围内；同背景的h 分量( 色度) 的差不应太大；同背景的s 分量( 色 饱和度) 的差也不应太大。a 越小，表示阴影越暗、口用于限制阴影和背景的 亮度不能太接近。 4 3 记分板阴影检测法 本文对1 47 j 中提出的方法，进行简化，利用阴影象素的亮度较低，色度同背 景相似的特点，分别构造得分函数s 、品，综合考虑每个象素的二个得分值， 作为分类的依据。 首先用一种计分板算法重构背景，通过背景差得到一个包含运动目标和阴 影的掩模m ，对m 中的每一个象素，根据l ( l u m i n a n c e ) 、g ( g r a d i e n t ) 分量同背 景的差厶( z ，力、g ( x ，力，映射得到二个得分函数值，最后二个函数相乘得到一 总阴影置信得分s ( x ，y ) ，就能把阴影和目标检测出来。 s ，、& 的计算公式： 5 0 第4 章阴影的处理 斗匆彬厶撩三一 ( 2 6 0 ) f 1 g f ( z ，y ) g l i 品= ( g 2 一g ：( 工，y ) ) ( g 2 一g j ) 6 j g j ( x ，y ) - s t 的点都被分类为 阴影。阈值厶和昌对结果的影响并不明显，因为置( x ，y ) 的值大多都集中在1 附 近，而厶是对亮度较高的阴影的修正。可以看出，在我们的实验用图中，阴影 象素比前景的亮度要低，所以上l 的作用并不大。梯度阈值g l 应介于 2 ，8 间，如 果太小，则对含边缘信息较丰富的阴影边界抑制效果太弱；如果太大，目标弱 5 2 第4 章阴影的处理 边缘会被误分为阴影。此方法可以看成是两步：第一步，把所有亮度比背景低 的象素初选为阴影，其中包括目标中较暗的区域：第二步，把其中边缘信息丰 富的象素( 目标象素) 排除掉。 从图中，我们还可以清楚的看到，亮度信息和边缘信息对阴影的估计贡献 度。 4 4 本章小结 阴影检测是车辆检测和跟踪系统中必须要考虑的一个环节，但由于在i t s 中环境复杂，而阴影的产生也受多种因素的影响，目前还没有找到一个得到普 遍认可的算法。 本章对的阴影产生原理及阴影检测算法作进行了总结、分类，并对一种确 定的非模型算法进行简化，采用背景差分的方式，在灰度图中检测阴影。实验 证实，这种方法能够比较有效的抑制阴影，达到了本文的研究需要。 5 3 第5 章目标跟踪 第5 章目标跟踪 前面讨论的分割问题属于低层视觉的内容，在i t s 应用中，车辆的分割能 提供静态信息，如车辆的位置、尺寸等：但分割往往只是第一步，实际的应用 可能需要对车辆实现自动跟踪，获取车辆的动态信息，如速度、行进方向等。 对车辆的跟踪还可以为静态分割中的难点问题提供一种很好的解决思路，如在 交通拥挤的情况下，跟踪有助于对图像中重叠区域的分割。 跟踪是将图像特征从一幅图像到另一幅图像的匹配过程。根据检测与跟踪 的先后，可分为先跟踪后检测和先检测后跟踪两种方式：而根据目标在视野中 的大小，可分为点探测跟踪和成像探测跟踪两类形式。点探测跟踪能提供的信 息有点的辐射能量、点的位置及其变量( 速度、加速度、距离变化率等) ；而成 像跟踪能提供的信息有目标的辐射亮度及其分布，进而可感知目标的形状及矩 描绘特征，以确定目标的位置及其变量。 应用于i t s 中的车辆跟踪直是研究热点之一，p 挪用差分的方法检测移动 边缘，再用s n a k e 线进行跟踪； 5 r l 使用块匹配方法； 5 6 】通过建立三维车辆模型 及运动模型，对车辆进行跟踪。 传统的跟踪算法可以分为： 1 基于相关的跟踪方法：也可称为相关匹配或模板匹配法，它的主要思想 是根据一定的相似性准则，在当前帧中寻找与上一帧中目标区域相关性最大的 区域。具体的做法就是将系统的基准图像在实时图像上以不同的偏移值移动， 然后根据一定的相似性度量准则判断目标在实时图像中的位置。这种方法的优 点是简单，而且当目标特征不明显时仍能进行跟踪。但由于采用灰度相关性作 为区域相似性的差别，因此当光照强度发生变化，或者目标姿态变化时，对这 种方法的影响较大。为了减少计算量，一般选用较小的搜索区域，容易造成目 标丢失。 2 基于特征的跟踪方法：为了实现跟踪，从对跟踪目标中提取其特征，通 过对特征的跟踪，就能实现对目标的跟踪。特征可以是目标的几何参数如质心， 面积，或边缘特征如角点等。这种方法的关键是选取稳定可靠的特征。 经过运动分割后得到的是一个二值图像，在进行识别及跟踪之前，首先要 第5 章目标跟踪 对此二值图作连通区域标记运算，对每一个连通区域被赋予唯一的标号，这个 过程也叫区域分割。然后计算连通区域的特征参数，对目标进行识别和跟踪。 5 1 目标区域标记 如果把每个连通的黑色区域( 即一个目标) 看作一个集合m 。则图中的n 个目 标区域可以表示成m 、 厶， 毛。对每个集合m 的像素的个数进行统 计c ( m ) 。如果c ( m ) t ，t 是一门限，该点就是角点 5 3 匹配准则 如果使用角点点集作为目标的特征，设图像中任一帧和后一帧中有任意两 上目标o 、t ，判断它们是否匹配的算法如下所述： 设前一帧中第一个目标a 有m 个特征点，特征点集为 d ( q ) = p 0 ，力泞，f = 0 , 1 ，m 一1 。后一帧中第一个目标有n 个特征点，特 征点集为d ( t 1 ) = q ( x ，_ y ) ) ? ，j = o ，1 ，n l 。 计算目标q 中各特征点对目标正中各特征点的最小距离 d i s ( 0 1 ，互) = r a i n r , l i l l 只( 工，y ) 一q ，( x ，y ) i | 2 ，i = o ，l ，m 一1 )( 2 7 3 ) 同样计算目标五中各特征点对g t 标0 1 的各特征点的最小距离 d i s ( t 1 ，0 1 ) = m i n r _ ，。l o 。= | | g ，( x ，y ) 一只( z ，y ) 旷，_ ，= 0 , 1 ，n - l ( 2 7 4 ) 然后将目标a 相对于目标z 的所有最小距离求和后除心特征点数，将目标 互相对于目标岛的所有最小距离求和后除以特征点数，即： m ( d 1 ，互) 2 击净研( 正，q ) _ - 蔼；t y j 。 ( 2 7 5 ) 如果对一给定的匹配门限伊，( 研( d 1 ，五) + 研( 正，q ) ) 2 ( 0 ，则目标d l ，王对应 于同一目标。 如果我们使用几何特征向量，则可直接使用欧氏距离、哈多夫距离进行判 断。 5 9 第5 章目标跟踪 5 4k a l m a n 滤波器 最简单的运动目标跟踪方法就是在下一帧图像中，在全图范围内匹配搜索 目标图像，这种方法往往能够获得准确的跟踪结果，但由于全图匹配搜索方法 非常费时，不能满足实时性要求。而且，在噪声干扰条件下测得的目标状态参 量与目标的真实状态间往往存在一定的偏差，这样也会导致跟踪精度的下降。 如果在每次跟踪之前，对目标的状态进行预测，估计当前和未来时刻目标的运 动状态，包括位置、速度和加速度等，就能缩小搜索的范围。因此，人们将估 计理论应用于跟踪系统来提高系统跟踪精度及智能化程度，其中最有影响的就 是k a l m a n 滤波算法 5 k 5 2 。 在传感器噪声的随机估计的诸多工具中【5 4 】，卡尔曼滤波是最著名和最被经 常使用的之一。卡尔曼滤波以r u d o l p he k a l l t l a r l 命名，他在1 9 6 0 年发表的一 篇论文阐述了种递归的方法口3 1 ，用来解决带有离散数据线性滤波器问题。卡 尔曼滤波器是套基本的公式，用于预测修正的评估，在最小化协方差估计误 差方面表现出众。被广泛应用于自动和辅助导航系统，还有计算机图像序列的 跟踪系统。 5 4 1k a l m a n 滤波器原理 一个离散动态系统可分解两个过程：n 维的动态系统和p 维( p = n ) 的观 测系统( 见图5 2 ) 。 图5 2 卡尔曼滤波器原理图 第5 章目标跟踪 卡尔曼滤波器是一种递归型状态估计器，它给出了系统状态的一致的最小 均方差估计。在时刻i ，l 维输入向量坼经过动态系统，再加上m 维噪声向量， 产生n 维状态向量而，k 表示时刻。一般的，动态系统可由下列差分方程( 称 为动态方程或者系统方程) 描述： 砟= a x k l + b u 女+ 一1 ( 2 7 6 ) 观测系统可由下列差分方程( 称为观测方程) 描述： z k = 取+ u( 2 7 7 ) a 为行月的状态转移矩阵，它是随时间变化的，在此我们假设它为常量 丑为n x i 的系统作用矩阵； 日为观测矩阵，它是随时间变化的，在此我们假设它为常量： w 为状态模型误差，协方差矩阵为q 的零均值、自随机序列； v 为观察噪声，协方差矩阵为r 的零均值、白随机序列，且与w 不相关； 表示为 p ( w ) n ( o ，9 ( 2 ，7 8 ) p ( v ) n ( o ，r ) f 2 7 9 ) 在实际中，r ，q 也可能随时间而改变，为简便分析，均假设为常量。 为得到系统状态的一致的最小均方差估计，先定义先验估计误差p i 和后验 估计误差酉： 靠= 矗一 ( 2 8 0 ) e k = x k 坼 ( 2 8 】) 相应的，先验估计和后验估计误差协方差定义为： 巧= e k 口；。( 2 8 2 ) 县= e e k e k l 】( 2 8 3 ) 为推导出卡尔曼滤波公式，由先验状态估计部分茁和得到观测值靠后的修 正部分组成，公式为： 嚣= 一+ k ( z k 一日互一) ( 2 8 4 ) h 为观测估计，缸一日# 称为留差，表示实际观测值和观测估计值的差异， 趸为增益矩阵，用来最小化后验估计协方差最。丘的计算过程：先把( 5 2 2 ) 代入， ( 5 1 9 ) 再代入( 5 2 1 ) ，得到最取极小值时k 的公式： n f - f t 2 巧日7 ( 1 i p ；h r + r - 1 ) 2 面_ w 矛。f i 百 ( 2 8 5 ) 6 1 第5 章目标跟踪 从( 5 2 3 ) 可看出，当测量误差r 越大，增益世越小，表示得到实际观测值后 的修正部分对状态估计的贡献越小。当月为无限大时，k 为零，则状态估计值 ；。完全由先验估计值# 确定。 5 4 2k a l m a n 滤波算法 卡尔曼滤波器利用反馈控制来估计系统状态 和修正等式，从而形成个环。 预测等式： 坼2 a x k l + b u 巧= 4 e 1 4 7 + q 修正等式： 墨= 只_ h 7 ( 研日7 + r ) 。 = + ( 磊一h x k ) 最= ( i k 日) 巧 初始条件：x o ，昂( i 为单位矩阵) 5 5 实验分析 公式分成两部分：预测等式 f 2 8 6 ) ( 2 8 7 ) ( 2 8 8 ) ( 2 8 9 ) r 2 9 0 ) 本实验将应用本文中提出的方法，利用背景差分法检测运动目标，通过活 动轮廓法提取轮廓，以轮廓区域质心为特征进行跟踪。程序框图如下： 6 2 丝! 重垦堡望堕 图5 3 车辆质心跟踪框图 对每帧图像建立相同的直角坐标系，在第k 帧图像的连通区域： r = ，1 ，2 ，” 分别对应于图像中的m 个目标，令第i 个目标的质心坐标为：【 义第k 帧目标i 与第k + l 帧目标j 的质心距离函数： d ( “) _ 高热 ( 2 9 1 ) “ ，定 ( 2 9 2 ) 其中媚ij 矿瓜f 石汀面i 了 我们简单的认为i 目标和j 目标匹配成功，如果s a m e ( i d ) = l ；s a m eg x h ( f ，舻 1 血墨，0 “ (293)0 5 硎8 j 2 1o t h 8 r w 捃p ( 2 9 3 ) 取t = 1 5 ( p i x e l ) ，取一段比较简单的图像序列进行跟踪，采用前述的动态轮 6 3 第5 章目标跟踪 廓法提取轮廓，计算质心坐标，进行匹配。得到结果如下： 图5 4 车辆跟踪结果 被跟踪车辆的质心坐标( 测量值) ： 表5 ，1 车辆质心坐标表 帧序列号 i 质心坐标 8 38 68 99 29 59 81 4 6 5 96 47 07 57 98 52 5 3 ( p i x e l ) y k 1 0 41 0 51 0 71 1 01 1 31 1 51 7 0 ( p i x e l ) 下面，我们将测试用卡尔曼滤波器进行运动估计的效果。算法框图 第5 章目标跟踪 00 0 000 韧始自i = ，昂= 000 000 _ - 壮志顸耐脆。雉= a 。 协方趋顸刮桶巧= a 昆1 + q 蜡盘腿 瓯= 与圩7 ( 日厅日7 + r ) 一1 拭舂售正育程 黾= & + 瓴一h 矗) 协方筮佳正方棒 乓= u 一乓。均。彳 图5 5 卡尔曼滤波算法流程图 假设由于采样时间很短，运动目标可近似为作均速运动， 们建立如下状态方程： 乱“= a + 坼 其中：s t 转换矩阵a = 测量方程： 缸+ l = h s k + h 00 0 0 00 00 则可建立首先我 ( 2 9 4 ) ， ，y k 为质心坐标，【a ，a n 为质心速度分量；状态 1o o1 10 01 p ( w k ) 一n ( o ，q ) 6 5 ( 2 9 5 ) 稚肌峨岍 o ，o o 第5 章目标跟踪 昂= 其中：输入向量以+ ，= 姜 ，观测矩阵日= 口? ：羽，尸c 咋，c 。，r ， 令初始输入为：初始状态估计五 0 0 0 01 0 0 0 01 0o 0 0 l 0 0 0 0 j l0 0 1000 当q = f ：。善1 。三。： j000 0 0 1 1o o 1 0o o0 卡尔是弊怯壤删 后验估计误差协方差估计 o0 o0 1o 0l 结果如下 图5 , 6 卡尔曼滤波算法状态预测图 第5 章目标跟踪 图5 7 卡尔曼滤波算法速度预测图 从图中可以看出，随着时问的推移，预测值和实测值差距越来越小，预测 准确度增加；因为我们的初始状态值设为0 ，所以在开始有一段调整阶段，如果 q 值较大或r 较小，则增益系数变大，得到观测值后的修正部分对状态估计贡 献越大，这段调期变短，但相应的速度估计波动也越大。当然，在实际应用中， q 和r ，由系统决定，且是随时间变化的。 在本文的跟踪实验中，以质心为特征，对单方向行驶车辆跟踪。而在实际 的系统中，还必须考虑到：目标跟踪链的建立与撤消，车辆融合与分裂导致的 目标丢失和跟踪错误。 5 6 本章小结 跟踪是将图像特征在图像间的匹配过程。选取稳定的特征和准确提取特征 十分重要，常用的几何特征包括面积、周长、最小矩形框、不变矩。为提高跟 踪匹配的速度，需要对目标状态进行预测，以减少搜索范围，本文详细介绍了 用于预测修正的k a l m a n 滤波器的基本原理。最后通过是一个质心跟踪的实验， 6 7 第5 章目标跟踪 实现了对运动车辆的跟踪，并分析了k a k n a n 滤波算法的预测估计性能。 总结与展望 总结与展望 智能交通系统是未来交通的发展方向，而基于视频图像处理的检测和跟踪 技术是其关键技术之一，在实时交通数据采集、车辆自动跟随与自动驾驶、自 动收费等方面具有广阔的应用前景。 本文从事车辆视频检测与跟踪系统的算法研究，其目的是适用于大面积、 多目标的复杂场景，能应用于高速公路和城市交通中。本文比较全面的研究了 车辆检测与跟踪中所需要面对的问题及相应的解决的思路，并尽量不对应用环 境作过多的条件限制。在实时的交通检测与系统中，运用背景差分法是最直接 有效的解决方案，在详细分析了已有的背景重建算法的基础上，提出采用一种 基于块拼接与均值背景相结合的方法估计背景，通过背景差分法来检测运动目 标，这种方法能应用于不同的交通环境。 为了得到更准确的目标信息，本文把动态轮廓算法同背景差分法相结合， 提取车辆的轮廓特征。而轮廓信息的准确获取，对于后续的车型识别及车辆跟 踪算法，有着重要的意义。动态轮廓算法，特别是它的分支水平集方法， 是图像处理研究的热点之一，而国内的研究只是最近才兴起，因此本文比较详 细的论述了动态轮廓算法的原理、数值计算方法、各种改进模型。 目前的运动阴影的检测算法可分为四大类，大多数的阴影检测算法都是基 于对阴影的经验假设基础之上的。本文对一种记分板阴影检测方法进行简化， 在灰度图中通过亮度信息和边缘信息来检测阴影，实验证实此方法能有效的抑 制运动阴影。 对检测到的运动车辆进行实时跟踪能提供交通场景的动态信息，而基于模 板匹配的跟踪方法并不适合于多目标、背景复杂的交通领域。车辆的跟踪检测 多采用特征跟踪的方法，为减少特征匹配的时间，引入了k a l m a n 滤波算法。本 文详细介绍了k a l m a n 滤波器的原理。在实验系统中采用质心跟踪的方法，实现 了对运动车辆的跟踪，并分析了k a l m a n 滤波算法的预测估计性能。 车辆的自动检测与跟踪是一个富有挑战性的课题，在前人的研究基础上， 本文提出了一个可行的解决方案。实际的应用系统还需要考虑： 1 为获得交通参数，还需要对摄像机进行标定，以完成三维现实坐标与二 维成像平面间的映射。 总结与展望 夜间车辆的检测与跟踪。 设置虚拟检测线，以触发检测跟踪模块。 目标跟踪模块，应能够处理车辆的重叠、跟踪丢失的问题。 7 0 参考文献 参考文献 ( 1 熊辉，i t s 在日本( h t t p ：w w w j t s e g o m c n ) 2 】郝海国外i t s 的研究及应用( h t t p ：w w w i t s cc o r nc n ) 【3 】us d e p a r t m e n to ft r a n s p o r t a t i o ni t sj o i n tp r o g r a mo f f i c e n a t i o n a li n t e l l i g e n t t r a n s p or t a t i o ns y s t e m sp r o g 阳mp l a n ：at e n y e a rv i s i o n 4 】p 丁m a r t i n ，d e t e c t o rt e c h n o l o g yv a l u a t i o n ( 2 0 0 3 ) 【5 】l ey m i m b e t a ，l ak l e i n “s u m m a r yo fv e h i c l ed e t e c t i o na n ds u r v e i l a n c e t e c h n o l o g i e su s e di ni n t e l l i g e n tt r a n s p o r t a t i o ns y s t e m s ” 6 】p - gm i c h a l o p o u l o s ， v e h i c l ed e t e c t i o nv i d e ot h r o u g hi m a g ep r o c e s s i n g ：t h ea u t o s c o p e s y s t e m ”i e e et r a n s c a t i o n so nv e h i c u l a rt e c h n o l o g y , 19 9 1 7 】户& m i c h a l o p o u l o s “f i e l di m p l e m e n t a t i o no ft h em i n n e s o t av i d e od e t e c t i o ns y s t e m ” v e h i c l en a v i g a t i o n i n f o r m a t i o ns y s t e m se e e1 9 9 2 【8 】dk o l l e r , j w e b e r , e ta 1 “t o w a r d sr o b u s ta u t o m a t i ct r a f f i cs c e n ea n a l y s i si nr e a l - t i m e ”， 1 9 0 4i e e e 9 z h a n gyj “as u r v e yo ne v a l a t i o nf o ri m a g es e g m e n t a t i o np a t t e r nr e c o g n i t i o n 。，1 9 9 6 ， 2 9 ( 8 ) ：1 3 3 5 1 3 4 6 【1 0 】f e l z e n s z w a l bpf ，a n dh u t t e n l o c h e rdp “e f f i c i e n t l yc c m p u t i o e gag o o ds e g m e n t a t i o n ” ( 1 i 】章毓晋客观的图像质量测试及其在分割评价中的应用电子科学学刊，1 9 9 7 1 9 ( 1 ) i 5 【1 2 】罗惠韬，章毓晋基于算法评价的算法优化其系统实现电子科学学刊，1 9 9 8 ，2 0 ( 5 ) ： 5 7 7 - - 5 8 3 1 3 章毓晋，图像分割科学出版社2 0 0 1 【1 4 】赵荣椿迟耀斌，朱重光图像分割技术进展中国体视学与图像分析，1 9 9 8 ；1 2 1 - 1 2 b 1 5 王爱民图像分割研究综述测控技术，2 0 0 0 ；1 9 ( 5 ) 1 6 】b h a n d a r k a rsm ，z h a n gh u i ，“i m a g es e g m e n t a t i o nu s i n ge v o l u t i o n a r yc o m p u t a t i o n ”， i e e e1 9 9 9 17 】h e w e rga ，k e n n e yc “v a r i a t i o n a li m a g es e g m e n t a t i o nu s i n gb o u n d a r yf u n c t i o n s ”， i e e e1 9 9 8 18 】张丽飞基于最小描述长度准则的活动围道方法及其若干相关技术( 博士论文) 中国科 学院研究生院( 电子学研究所) 1 9 】粱晓云基于l e v e ls e t 方法的医学图像分割电路与系统学报，v o l8 ，n o 6 ，2 0 0 3 【2 0 黄福珍基于l e v e ls e t 方法的人脸轮廓提取与跟踪计算机学报v o i2 6 ，n o4 ，2 0 0 3 【2 1 】杨莉基于水平集方法的多运动目标分割上海交通大学学报，v 0 1 3 8 n o 5 ，2 0 0 4 7 l 参考文献 2 2 】mk a s s ，a w i t f ( i n ，d t e 陀o p o u l o s “s n a k e s ：a c t i v ec o n t o u rm o d e l s ii n t e r n a t i o n a l j o u r n a lo f c o m p u t e r v i s i o n 1 ( 4 ) ：3 2 1 - 3 3 1 ，1 9 8 8 2 3 d t e r z o p o u l o s “o nm a t c h i n gd e f o r m a b l em o d e l st oi m a g e s ”t o p i c a lm e e t i n go n m a c h i n ev i s i o n ，v 0 1 1 2 ，1 9 8 7 2 4 】r m a l l a d i 。e ta l ，“s h a p em o d e l i n gw i t hf r o n tp r o p a g a t i o n ：al e v e ls e ta p p r o a c h ”，i e e e t r a n s a c t i o no np a t t e r na n a l y s i sa n dm a c h i n ei n t e l l i g e n c e ，v 0 1 1 7 ，n o2 。1 9 9 5 【2 5 t o n yf c h a n e ta l ，“a c t i v ec o n t o u r sw i t h o u te d g e s ”，i e e et r a n s a c t i o n so ni m a g e p r o c e s s i n g v 0 1 1 0 n o 2 。2 0 0 1 2 6 】aa a m i n i ，e ew e y m o u t h ，rc j a i n “u s i n gd y n a m i cp r o g r a m m i n gf o rs o l v i n g v a r i a t i o n a lp r o b l e m si nv i s i o n ”，p a r e r na n a l y s i sa n dm a c h i n ei n t e l l i g e n c e ，i e e e t r a n s a c t i o n so nv o l u m e1 2 ，i s s u e9 ，s e p t 1 9 9 0p a g e ( s ) ：8 5 5 - 8 6 7 1 2 7 a a a m i n i ，s ，t e h r a n i t e w e y m o u t h ，“u s i n gd y n a m i cp r o g r a m m i n gf o rm i n i m i z i n gt h e e n e r g yo fa c t i v ec o n t o u r si nt h ep r e s e n c eo fh a r dc o n s t r a i n t s ”c o m p u t e rv i s i o n 19 8 8 s e c o n di n t e r n a t i o n a lc o n f e r e n c eo nd e c e m b e r5 - 819 8 8p a g e ( s ) ：9 5 9 9 【2 8 】d j w i l l i a m s ，ms h a h ，“af a s ta l g o r i t h mf o ra c t i v ec o n t o u r sa n dc u r v a t u r ee s t i m a t e i o n ”。 c v g i p ：l m a g 。u n e f ，v o t 5 5 ，n o ，1 ，p p 1 4 - 2 6 ，1 9 9 2 2 9 】l dc o h e n ，“o na c t i v ec o n t o u rm o d e l sa n db a l l o o n s ”c v g i p ：i m a gu n d e r 5 3 ( 2 ) ：2 1 1 - 2 1 8 1 9 9 1 3 0 vc a s e l l e s “g e o m e t r i cm o d e l sf o ra c t i v ec o n t o u r s ”i m a g ep r o c e s s i n g 19 9 5 p r o c e e d i n g s n t e r n a t i o n a lc o n f e r e n c eo nv o l u m e32 3 - 2 6o c t1 9 9 5p a g e ( s ) ：9 1 2 v o l3 3 1 】c h e n y a n gx u ，a n t h o n yy e z z i ，j r , jl p r i n c e ，“o nt h er e l a t i o n s h i pb e t w e e np a r a m e t r i c a n dg e o m e t r i ca c t i v ec o n t o u r s ”，p r o c o f3 4 “a s i l o m a rc o n f e r e n c eo ns i g n a l s y s t e m s a n dc o m p u t e r s p p 4 8 3 4 8 9 o c t 2 0 0 0 3 2 1l dc o h e na n di c o h e n 。“f i n i t e - e l e m e n tm e t h o d sf o ra c t i v ev o n t o u rm o d e l sa n d b a l l o o n sf o r2 - da n d3 - di m a g e s ”i e e et r a n sp a r t a n a lm a t hi n t e l l v 0 1 15 ，n o ， 1 9 9 3 3 3 c h e n y a n gx ua n dj e r r yl p r i n c e “g r a d i e n tv e c t o rf l o w ：an e we x t e r n a lf o r c ef o r s n a k e s “i e e ep r o cc o n fo nc o m p v i s p a r t r e c o g ( c v p r 9 7 ) 【3 4 1so s h e ra n dj a s e t h i a n “f r o n t sp r o p a g a t i n gw i t hc u r v a t u r ed e p e n d e n ts p e e d ： a l g o r i t h m sb a s e do nh a m i l t o n - j a c o b if o r m u l a t i o n ”j o u r n a lo fc o m p u t e rp h y s i c s v o l ，7 9 ， p p l 2 4 9 1 9 8 8 3 5 d a v i da d a l s t e i n s s o n a n djas e t h i a n ，“af a s tl e v e ls e tm e t h o df o rp r o p a g a t i n g i n t e r f a c e s ? jc o m pp h y s v o l1 1 8 ( 2 ) p p 2 6 9 - 2 7 7 ，1 9 9 5 参考文献 f 3 6 】j as e t h i a n “l e v e ls e tm e t h o d s ：aa c to fv i o l e n c e 【3 7 】vc a a e l l e s ，r k i m m e l ，a n dgs a p i r o “g e o d e s i ca c t i v ec o n t o u r s ”1 n f lj c o m p v i s v o l 2 2 。p p 6 1 - 7 9 19 9 7 3 8 】k s i d d i q i ，丫h ，l a u z i l e r e ，at a n n e n b a u m wz u c k e r , “a r e aa n dl e n g t ：hm i n i m i z e i n gf l o w s f o rs h a p es e