本發(fā)明涉及數(shù)據(jù)處理領(lǐng)域，具體涉及一種基于視頻的車輛跟蹤方法及裝置。

背景技術(shù)：

隨著計算機技術(shù)和圖像處理技術(shù)的不斷發(fā)展，基于視頻的車輛檢測與跟蹤技術(shù)已經(jīng)成為智能交通系統(tǒng)領(lǐng)域的關(guān)鍵技術(shù)。由于基于視頻的車輛檢測與跟蹤方法便于維護且成本較低，同時對車輛的檢測與跟蹤范圍廣，可獲取較多種類的交通參數(shù)，所以，該技術(shù)被智能交通系統(tǒng)廣泛應(yīng)用。

對于道路上固定視角的攝像頭拍攝的視頻，在目前的基于視頻的車輛跟蹤方法中，跟蹤車輛的過程車輛可能出現(xiàn)由遠(yuǎn)及近或由近及遠(yuǎn)的位移，在視頻中車輛的大小會隨之發(fā)生變化。但是，一旦視頻中的車輛變小，則可能將背景過多的納入跟蹤車輛的搜索范圍內(nèi)；或者，一旦視頻中的車輛過大，則可能導(dǎo)致無法跟蹤車輛的整體。同時隨著車輛行駛遠(yuǎn)近變化、轉(zhuǎn)彎形變、光變等，車輛的外觀逐漸變化等因素，容易影響跟蹤效果。現(xiàn)有的基于視頻的車輛跟蹤方法存在跟蹤不準(zhǔn)確的問題，那么如何兼顧快速跟蹤和跟蹤效果是一個極具挑戰(zhàn)性的課題。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種基于視頻的車輛跟蹤方法及裝置，能夠在基于視頻的車輛跟蹤中實現(xiàn)快速跟蹤的同時提高跟蹤準(zhǔn)確性。

本發(fā)明實施例提供了一種基于視頻的車輛跟蹤方法，所述方法包括：

預(yù)先確定視頻中用于車輛追蹤的第一幀圖像，并利用所述第一幀圖像初始化模型；

將所述視頻中的下一幀圖像作為當(dāng)前處理圖像，執(zhí)行對當(dāng)前處理圖像中的車輛進行跟蹤流程：

所述對當(dāng)前處理圖像中的車輛進行跟蹤流程包括：獲取所述當(dāng)前處理圖像的上一幀圖像上確定的搜索范圍；提取所述當(dāng)前處理圖像上所述搜索范圍內(nèi)的圖像特征，并根據(jù)所述圖像特征，得到特征循環(huán)矩陣；利用所述特征循環(huán)矩陣與當(dāng)前的模型進行匹配，得到匹配度矩陣；并利用所述匹配度矩陣中匹配度值最高且匹配度值超過預(yù)設(shè)閾值的位置更新所述目標(biāo)位置；判斷所述目標(biāo)位置是否超出所述視頻的監(jiān)視范圍，如果是，則結(jié)束流程，否則，繼續(xù)執(zhí)行模型生成與更新流程；

所述模型生成與更新流程包括：根據(jù)拍攝所述視頻的設(shè)備的標(biāo)定參數(shù)，重新確定所述目標(biāo)大?。桓鶕?jù)預(yù)先確定的目標(biāo)大小與搜索范圍的比例關(guān)系，重新確定所述當(dāng)前處理圖像上的搜索范圍；提取所述當(dāng)前處理圖像上的搜索范圍內(nèi)的圖像特征，并根據(jù)所述圖像特征，得到特征循環(huán)矩陣；利用所述特征循環(huán)矩陣生成模型，并利用所述模型更新現(xiàn)有的模型；繼續(xù)執(zhí)行所述將所述視頻中的下一幀圖像作為當(dāng)前處理圖像的步驟。

優(yōu)選地，所述利用所述第一幀圖像初始化模型，包括：

獲取所述第一幀圖像上的目標(biāo)位置、目標(biāo)大小，并根據(jù)預(yù)先確定的目標(biāo)大小與搜索范圍的比例關(guān)系，確定所述第一幀圖像上的搜索范圍；

提取所述第一幀圖像上的搜索范圍內(nèi)的圖像特征，根據(jù)所述圖像特征，得到特征循環(huán)矩陣，并利用所述特征循環(huán)矩陣初始化模型。

優(yōu)選地，所述提取所述第一幀圖像上的搜索范圍內(nèi)的圖像特征，根據(jù)所述圖像特征，得到特征循環(huán)矩陣，并利用所述特征循環(huán)矩陣初始化模型，包括：

提取所述第一幀圖像上的搜索范圍內(nèi)的圖像特征；

根據(jù)所述圖像特征生成特征矩陣，將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣后，使用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣；

利用所述特征循環(huán)矩陣初始化模型。

優(yōu)選地，所述對當(dāng)前處理圖像中的車輛進行跟蹤流程，和\或，所述模型生成與更新流程中的所述根據(jù)所述圖像特征，得到特征循環(huán)矩陣步驟，包括：

根據(jù)所述圖像特征生成特征矩陣，將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣后，使用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣。

優(yōu)選地，所述方法還包括：

獲取所述視頻中的目標(biāo)速度，并根據(jù)所述目標(biāo)速度確定目標(biāo)大小與搜索范圍的比例關(guān)系。

本發(fā)明實施例還提供了一種基于視頻的車輛跟蹤裝置，所述裝置包括：初始化模塊，目標(biāo)位置更新模塊和模型更新模塊；

所述初始化模塊，用于預(yù)先確定視頻中用于車輛追蹤的第一幀圖像，并利用所述第一幀圖像初始化模型；

所述目標(biāo)位置更新模塊包括第一獲取子模塊、提取特征子模塊、目標(biāo)位置更新子模塊、判斷子模塊和第一觸發(fā)子模塊；

所述第一獲取子模塊，用于將所述視頻中的下一幀圖像作為當(dāng)前處理圖像，獲取所述當(dāng)前處理圖像的上一幀圖像上確定的搜索范圍；

所述提取特征子模塊，用于提取所述當(dāng)前處理圖像上所述搜索范圍內(nèi)的圖像特征，并根據(jù)所述圖像特征，得到特征循環(huán)矩陣；

所述目標(biāo)位置更新子模塊，用于利用所述特征循環(huán)矩陣與當(dāng)前的模型進行匹配，得到匹配度矩陣；并利用所述匹配度矩陣中匹配度值最高且匹配度值超過預(yù)設(shè)閾值的位置更新所述目標(biāo)位置；

所述判斷子模塊，用于判斷所述目標(biāo)位置是否超出所述視頻的監(jiān)視范圍；

所述第一觸發(fā)子模塊，用于在所述判斷子模塊的結(jié)果為否時，觸發(fā)所述模型更新模塊；

所述模型更新模塊包括第一確定子模塊，提取特征子模塊、模型更新子模塊和第二觸發(fā)子模塊；

所述第一確定子模塊，用于根據(jù)拍攝所述視頻的設(shè)備的標(biāo)定參數(shù)，重新確定所述目標(biāo)大?。桓鶕?jù)預(yù)先確定的目標(biāo)大小與搜索范圍的比例關(guān)系，重新確定所述當(dāng)前處理圖像上的搜索范圍；

所述提取特征子模塊，用于提取所述當(dāng)前處理圖像上的搜索范圍內(nèi)的圖像特征，并根據(jù)所述圖像特征，得到特征循環(huán)矩陣；

所述模型更新子模塊，用于利用所述特征循環(huán)矩陣生成模型，并利用所述模型更新現(xiàn)有的模型；

所述第二觸發(fā)子模塊，用于在所述模型更新子模塊更新現(xiàn)有的模型后，觸發(fā)所述目標(biāo)位置更新模塊。

優(yōu)選地，所述初始化模塊，包括：

第二確定子模塊，用于獲取所述第一幀圖像上的目標(biāo)位置、目標(biāo)大小，并根據(jù)預(yù)先確定的目標(biāo)大小與搜索范圍的比例關(guān)系，確定所述第一幀圖像上的搜索范圍；

第一初始化子模塊，用于提取所述第一幀圖像上的搜索范圍內(nèi)的圖像特征，根據(jù)所述圖像特征，得到特征循環(huán)矩陣，并利用所述特征循環(huán)矩陣初始化模型。

優(yōu)選地，所述第一初始化子模塊，包括：

提取子模塊，用于提取所述第一幀圖像上的搜索范圍內(nèi)的圖像特征；

第一轉(zhuǎn)換子模塊，用于根據(jù)所述圖像特征生成特征矩陣，將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣后，使用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣；

第二初始化子模塊，用于利用所述特征循環(huán)矩陣初始化模型。

優(yōu)選地，所述提取特征子模塊，包括：

第二轉(zhuǎn)換走模塊，用于根據(jù)所述圖像特征生成特征矩陣，將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣后，使用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣。

優(yōu)選地，所述裝置還包括：

確定模塊，用于獲取所述視頻中的目標(biāo)速度，并根據(jù)所述目標(biāo)速度確定目標(biāo)大小與搜索范圍的比例關(guān)系。

本發(fā)明提供了一種基于視頻的車輛跟蹤方法，預(yù)先確定視頻中用于車輛追蹤的第一幀圖像，并利用所述第一幀圖像初始化模型。順序執(zhí)行所述視頻中的各幀圖像，在處理當(dāng)前幀圖像時，利用上一幀圖像上確定的搜索范圍，提取當(dāng)前幀圖像上所述搜索范圍內(nèi)的圖像特征，生成特征循環(huán)矩陣后，與當(dāng)前的模型進行匹配，得到匹配度矩陣。根據(jù)匹配度矩陣上各個位置的匹配度值更新目標(biāo)位置，實現(xiàn)車輛追蹤。

另外，在生成各幀圖像對應(yīng)的模型之前，首先根據(jù)標(biāo)定重新確定目標(biāo)大小，并根據(jù)目標(biāo)大小與搜索范圍的比例關(guān)系，縮放上一幀圖像確定的搜索范圍。在完成縮放后的搜索范圍的基礎(chǔ)上，提取當(dāng)前幀圖像上所述搜索范圍內(nèi)的圖像特征，根據(jù)圖像特征最終生成模型，并更新現(xiàn)有的模型。由于每幀圖像上的目標(biāo)大小根據(jù)標(biāo)定被更新，系統(tǒng)能夠自適應(yīng)尺度跟蹤，使得車輛跟蹤更準(zhǔn)確。

附圖說明

為了更清楚地說明本申請實施例中的技術(shù)方案，下面將對實施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種基于視頻的車輛跟蹤方法流程圖；

圖2為本發(fā)明實施例提供的一種利用用于車輛追蹤的第一幀圖像初始化模型的方法流程圖；

圖3為本發(fā)明實施例提供的一種基于視頻的車輛跟蹤裝置結(jié)構(gòu)示意圖；

圖4為本發(fā)明實施例提供的一種初始化模塊310的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本申請實施例中的附圖，對本申請實施例中的技術(shù)方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而不是全部的實施例。基于本申請中的實施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍。

以下進行實施例具體內(nèi)容的介紹。

本發(fā)明實施例提供了一種基于視頻的車輛跟蹤方法，參考圖1，為本發(fā)明實施例提供的一種基于視頻的車輛跟蹤方法流程圖，所述方法具體包括：

S101：預(yù)先確定視頻中用于車輛追蹤的第一幀圖像，并利用所述第一幀圖像初始化模型。

一種應(yīng)用場景中，安裝于各個路口的攝像頭用于獲取車輛行駛的視頻，本發(fā)明實施例是基于攝像頭獲取到的視頻進行車輛跟蹤，從而確定車輛的行駛軌跡，最終獲取到各種交通參數(shù)。

本發(fā)明實施例中，系統(tǒng)在獲取到需要處理的視頻后，首先對該視頻進行車輛檢測，其中，系統(tǒng)中的車輛檢測模塊能夠輸出用于車輛追蹤的第一幀圖像，以及所述第一幀圖像上的目標(biāo)大小、目標(biāo)位置、目標(biāo)速度等信息。本發(fā)明實施例中的“目標(biāo)”指的是視頻中被追蹤的車輛。

參考圖2，為本發(fā)明實施例提供的一種利用用于車輛追蹤的第一幀圖像初始化模型的方法流程圖，具體利用所述第一幀圖像初始化模型的方法包括：

S201：獲取所述第一幀圖像上的目標(biāo)位置、目標(biāo)大小和目標(biāo)速度。

S202：根據(jù)所述目標(biāo)速度，確定目標(biāo)大小與搜索范圍的比例關(guān)系。

本發(fā)明實施例中，在車輛由近及遠(yuǎn)行駛的視頻中，由于車速越快，視頻中前后兩幀圖像上車輛的位置差別就越大，就需要更大的搜索范圍才能以前一幀圖像上目標(biāo)位置為中心覆蓋到下一幀圖像上車輛可能出現(xiàn)的所有位置。所以，為了減少運算量降低算法耗時，系統(tǒng)根據(jù)目標(biāo)速度確定目標(biāo)大小與搜索范圍的比例關(guān)系，即目標(biāo)速度決定目標(biāo)大小與搜索范圍的正比例倍數(shù)，具體的，目標(biāo)速度越快，則目標(biāo)大小與搜索范圍的正比例倍數(shù)越大；反之，目標(biāo)速度越慢，則目標(biāo)大小與搜索范圍的正比例倍數(shù)越小。

在車輛由遠(yuǎn)及近的視頻中，由于透視原理，顯示在畫面里的車輛一開始速度很慢，離我們越近速度越快，這種情況下只能固定選一個較大的搜索范圍，不能根據(jù)目標(biāo)速度生成，否則會導(dǎo)致車輛開近后搜索范圍不能包含下一幀圖像上的車輛位置。

S203：根據(jù)所述目標(biāo)大小與搜索范圍的比例關(guān)系，以及目標(biāo)位置、目標(biāo)大小，確定所述第一幀圖像上的搜索范圍。

由于系統(tǒng)已經(jīng)確定目標(biāo)大小與搜索范圍的比例關(guān)系，則根據(jù)目標(biāo)大小能夠確定搜索范圍的大小，另外，根據(jù)目標(biāo)位置能夠確定搜索范圍在圖像上的具體位置。本發(fā)明實施例確定的搜索范圍為以目標(biāo)位置為中心的區(qū)域。

S204：提取所述第一幀圖像上的搜索范圍內(nèi)的圖像特征，根據(jù)所述圖像特征生成特征矩陣。

S205：將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣后，使用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣。

S206：利用所述特征循環(huán)矩陣初始化模型。

本發(fā)明實施例中，在提取第一幀圖像上的搜索范圍內(nèi)的圖像特征后，首先根據(jù)所述圖像特征生成特征矩陣，其次，將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣，然后，利用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣。本發(fā)明實施例利用了循環(huán)矩陣和FFT快速傅里葉變換對圖像特征進行處理，最終生成特征循環(huán)矩陣，可見，系統(tǒng)在同樣樣本條件下，該方法能夠提高圖像特征處理效率，減少計算時間。

另外，本發(fā)明實施例根據(jù)預(yù)先設(shè)置的算法，利用得到的特征循環(huán)矩陣初始化模型，得到第一幀圖像對應(yīng)的模型。實際應(yīng)用中，利用特征循環(huán)矩陣生成模型的方法較多，在此不再具體介紹。

S102：將所述視頻中的下一幀圖像作為當(dāng)前處理圖像，執(zhí)行對當(dāng)前處理圖像中的車輛進行跟蹤流程，所述對當(dāng)前處理圖像中的車輛進行跟蹤流程包括S103、S104和S105。

S103：獲取所述當(dāng)前處理圖像的上一幀圖像上確定的搜索范圍；提取所述當(dāng)前處理圖像上所述搜索范圍內(nèi)的圖像特征，并根據(jù)所述圖像特征，得到特征循環(huán)矩陣。

本發(fā)明實施例中，在處理所述當(dāng)前處理圖像時，首先獲取上一幀圖像上確定的目標(biāo)位置、目標(biāo)大小以及搜索范圍，以上一幀圖像上確定的目標(biāo)位置作為當(dāng)前處理圖像上的目標(biāo)位置，以上一幀圖像上確定的目標(biāo)大小作為當(dāng)前處理圖像上的目標(biāo)大小，且以上一幀圖像上確定的搜索范圍作為當(dāng)前處理圖像上的搜索范圍，提取當(dāng)前處理圖像上所述搜索范圍內(nèi)的圖像特征。

系統(tǒng)在提取所述圖像特征后，首先根據(jù)所述圖像特征生成特征矩陣，其次，將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣，然后，利用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣。本發(fā)明實施例利用了循環(huán)矩陣和FFT快速傅里葉變換對圖像特征進行處理，最終生成特征循環(huán)矩陣。

本發(fā)明實施例是基于上一幀圖像上的目標(biāo)位置擴大一定范圍后得到的搜索范圍，查找當(dāng)前處理圖像上車輛的位置。

S104：利用所述特征循環(huán)矩陣與當(dāng)前的模型進行匹配，得到匹配度矩陣；并利用所述匹配度矩陣中匹配度值最高且匹配度值超過預(yù)設(shè)閾值的位置更新所述目標(biāo)位置。

本發(fā)明實施例在生成當(dāng)前處理圖像的特征循環(huán)矩陣后，利用該特征循環(huán)矩陣與現(xiàn)有的模型進行匹配，生成匹配度矩陣。由于該特征循環(huán)矩陣與該模型對應(yīng)的搜索范圍相同，該匹配度矩陣中的各項表示該搜索范圍內(nèi)各個位置的匹配度值，即上一幀圖像與當(dāng)前處理圖像在該搜索范圍內(nèi)的各個位置的匹配度值。

本發(fā)明實施例中，獲取得到的匹配度矩陣中最高的匹配度值，并將該匹配度值與預(yù)設(shè)閾值進行比較，如果該匹配度值大于該預(yù)設(shè)閾值，則直接利用該匹配度值對應(yīng)的位置更新當(dāng)前處理圖像上的目標(biāo)位置，實現(xiàn)車輛的跟蹤。

如果在將該匹配度值與預(yù)設(shè)閾值比較后，該匹配度值不大于該預(yù)設(shè)閾值，則直接結(jié)束流程即可，完成對車輛的追蹤。

S105：判斷所述目標(biāo)位置是否超出所述視頻的監(jiān)視范圍，如果是，則結(jié)束流程，否則，繼續(xù)執(zhí)行模型生成與更新流程，所述模型生成與更新流程包括S106、S107。

本發(fā)明實施例在對目標(biāo)位置進行更新后，判斷更新后的目標(biāo)位置是否超出視頻的監(jiān)視范圍，如果已經(jīng)超出監(jiān)視范圍，則可以直接結(jié)束流程，完成對車輛的追蹤。如果更新后的目標(biāo)位置未超出監(jiān)視范圍，則開始執(zhí)行如下的模型生成與更新流程。

S106：根據(jù)拍攝所述視頻的設(shè)備的標(biāo)定參數(shù)，重新確定所述目標(biāo)大小；根據(jù)預(yù)先確定的目標(biāo)大小與搜索范圍的比例關(guān)系，重新確定所述當(dāng)前處理圖像上的搜索范圍。

由于視頻中的目標(biāo)會隨著實際車輛由遠(yuǎn)及近或由近及遠(yuǎn)的行駛，可能出現(xiàn)背景過多的納入跟蹤車輛的搜索范圍內(nèi)，或者無法跟蹤車輛的整體等問題。本發(fā)明實施例針對以上問題，對于路口固定視角的視頻拍攝設(shè)備，首先獲取該視頻拍攝設(shè)備的標(biāo)定參數(shù)，其中，所述標(biāo)定參數(shù)是指把一個三維空間中的點映射到圖像空間的參數(shù)。利用這些參數(shù)可以計算同一輛車在不同位置時的大小關(guān)系，即不同目標(biāo)位置時的目標(biāo)大小的關(guān)系。其次，根據(jù)所述標(biāo)定參數(shù)重新確定當(dāng)前處理圖像上的目標(biāo)大小。通過根據(jù)標(biāo)定參數(shù)重新確定每幀圖像上的目標(biāo)大小，能夠自適應(yīng)尺度跟蹤，使得對車輛的跟蹤更快速更準(zhǔn)確。

在機器視覺應(yīng)用中，為確定空間物體表面某點的三維幾何位置與其在圖像中對應(yīng)點之間的相互關(guān)系，必須建立相機成像的幾何模型，這些幾何模型參數(shù)就是標(biāo)定參數(shù)。在大多數(shù)條件下這些標(biāo)定參數(shù)必須通過實驗與計算才能得到，這個求解參數(shù)的過程就稱之為相機標(biāo)定(或攝像機標(biāo)定)，最終得到的參數(shù)即是本發(fā)明實施例中使用的標(biāo)定參數(shù)。

另外，在重新確定當(dāng)前處理圖像上的目標(biāo)大小后，根據(jù)預(yù)先確定的目標(biāo)大小與搜索范圍的比例關(guān)系，調(diào)整當(dāng)前處理圖像上的搜索范圍，即對所述搜索范圍進行縮放操作，以使調(diào)整后的搜索范圍適應(yīng)重新確定后的目標(biāo)大小。

S107：提取所述當(dāng)前處理圖像上的搜索范圍內(nèi)的圖像特征，并根據(jù)所述圖像特征，得到特征循環(huán)矩陣；利用所述特征循環(huán)矩陣生成模型，并利用所述模型更新現(xiàn)有的模型；繼續(xù)執(zhí)行S102。

本發(fā)明實施例中，在對當(dāng)前處理圖像上的目標(biāo)大小和搜索范圍進行調(diào)整后，提取所述當(dāng)前處理圖像上的搜索范圍內(nèi)的圖像特征。根據(jù)所述圖像特征生成特征矩陣，并將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣，然后，利用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣。本發(fā)明實施例利用該特征循環(huán)矩陣生成所述當(dāng)前處理圖像對應(yīng)的模型，并利用生成的模型更新現(xiàn)有的模型，在處理下一幀圖像的流程中使用。

本發(fā)明實施例提供的一種基于視頻的車輛跟蹤方法中，預(yù)先確定視頻中用于車輛追蹤的第一幀圖像，并利用所述第一幀圖像初始化模型。順序執(zhí)行所述視頻中的各幀圖像，在處理當(dāng)前幀圖像時，利用上一幀圖像上確定的搜索范圍，提取當(dāng)前幀圖像上所述搜索范圍內(nèi)的圖像特征，生成特征循環(huán)矩陣后，與當(dāng)前的模型進行匹配，得到匹配度矩陣。根據(jù)匹配度矩陣上各個位置的匹配度值更新目標(biāo)位置，實現(xiàn)車輛追蹤。

另外，在生成各幀圖像對應(yīng)的模型之前，首先根據(jù)標(biāo)定重新確定目標(biāo)大小，并根據(jù)目標(biāo)大小與搜索范圍的比例關(guān)系，縮放上一幀圖像確定的搜索范圍。在完成縮放后的搜索范圍的基礎(chǔ)上，提取當(dāng)前幀圖像上所述搜索范圍內(nèi)的圖像特征，根據(jù)圖像特征最終生成模型，并更新現(xiàn)有的模型。由于每幀圖像上的目標(biāo)大小根據(jù)標(biāo)定被更新，系統(tǒng)能夠自適應(yīng)尺度跟蹤，使得車輛跟蹤更準(zhǔn)確。

本發(fā)明實施例還提供了一種基于視頻的車輛跟蹤裝置，參考圖3，為本發(fā)明實施例提供的一種基于視頻的車輛跟蹤裝置結(jié)構(gòu)示意圖。其中，所述裝置可以包括：初始化模塊310，目標(biāo)位置更新模塊320和模型更新模塊330；

所述初始化模塊310，用于預(yù)先確定視頻中用于車輛追蹤的第一幀圖像，并利用所述第一幀圖像初始化模型。

所述目標(biāo)位置更新模塊320包括第一獲取子模塊321、提取特征子模塊322、目標(biāo)位置更新子模塊323、判斷子模塊324和第一觸發(fā)子模塊325；

所述第一獲取子模塊321，用于將所述視頻中的下一幀圖像作為當(dāng)前處理圖像，獲取所述當(dāng)前處理圖像的上一幀圖像上確定的搜索范圍；

所述提取特征子模塊322，用于提取所述當(dāng)前處理圖像上所述搜索范圍內(nèi)的圖像特征，并根據(jù)所述圖像特征，得到特征循環(huán)矩陣；

所述目標(biāo)位置更新子模塊323，用于利用所述特征循環(huán)矩陣與當(dāng)前的模型進行匹配，得到匹配度矩陣；并利用所述匹配度矩陣中匹配度值最高且匹配度值超過預(yù)設(shè)閾值的位置更新所述目標(biāo)位置；

所述判斷子模塊324，用于判斷所述目標(biāo)位置是否超出所述視頻的監(jiān)視范圍；

所述第一觸發(fā)子模塊325，用于在所述判斷子模塊的結(jié)果為否時，觸發(fā)所述模型更新模塊。

所述模型更新模塊330包括第一確定子模塊331，提取特征子模塊322、模型更新子模塊332和第二觸發(fā)子模塊333；

所述第一確定子模塊331，用于根據(jù)拍攝所述視頻的設(shè)備的標(biāo)定參數(shù)，重新確定所述目標(biāo)大?。桓鶕?jù)預(yù)先確定的目標(biāo)大小與搜索范圍的比例關(guān)系，重新確定所述當(dāng)前處理圖像上的搜索范圍；

所述提取特征子模塊322，用于提取所述當(dāng)前處理圖像上的搜索范圍內(nèi)的圖像特征，并根據(jù)所述圖像特征，得到特征循環(huán)矩陣；

所述模型更新子模塊332，用于利用所述特征循環(huán)矩陣生成模型，并利用所述模型更新現(xiàn)有的模型；

所述第二觸發(fā)子模塊333，用于在所述模型更新子模塊更新現(xiàn)有的模型后，觸發(fā)所述目標(biāo)位置更新模塊。

參考圖4，為本發(fā)明實施例提供的一種初始化模塊310的結(jié)構(gòu)示意圖，所述初始化模塊310包括：

第二確定子模塊410，用于獲取所述第一幀圖像上的目標(biāo)位置、目標(biāo)大小，并根據(jù)預(yù)先確定的目標(biāo)大小與搜索范圍的比例關(guān)系，確定所述第一幀圖像上的搜索范圍；

第一初始化子模塊420，用于提取所述第一幀圖像上的搜索范圍內(nèi)的圖像特征，根據(jù)所述圖像特征，得到特征循環(huán)矩陣，并利用所述特征循環(huán)矩陣初始化模型。

其中，所述第一初始化子模塊420，包括：

提取子模塊421，用于提取所述第一幀圖像上的搜索范圍內(nèi)的圖像特征；

第一轉(zhuǎn)換子模塊422，用于根據(jù)所述圖像特征生成特征矩陣，將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣后，使用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣；

第二初始化子模塊423，用于利用所述特征循環(huán)矩陣初始化模型。

一種優(yōu)選的實施方式中，所述提取特征子模塊322，包括：

第二轉(zhuǎn)換走模塊，用于根據(jù)所述圖像特征生成特征矩陣，將所述特征矩陣轉(zhuǎn)換成循環(huán)矩陣后，使用FFT快速傅里葉變換將所述循環(huán)矩陣映射到傅里葉空間，得到特征循環(huán)矩陣。

另外，所述裝置還可以包括：

確定模塊，用于獲取所述視頻中的目標(biāo)速度，并根據(jù)所述目標(biāo)速度確定目標(biāo)大小與搜索范圍的比例關(guān)系。

本發(fā)明實施例提供的一種基于視頻的車輛跟蹤裝置中，預(yù)先確定視頻中用于車輛追蹤的第一幀圖像，并利用所述第一幀圖像初始化模型。順序執(zhí)行所述視頻中的各幀圖像，在處理當(dāng)前幀圖像時，利用上一幀圖像上確定的搜索范圍，提取當(dāng)前幀圖像上所述搜索范圍內(nèi)的圖像特征，生成特征循環(huán)矩陣后，與當(dāng)前的模型進行匹配，得到匹配度矩陣。根據(jù)匹配度矩陣上各個位置的匹配度值更新目標(biāo)位置，實現(xiàn)車輛追蹤。

另外，在生成各幀圖像對應(yīng)的模型之前，首先根據(jù)標(biāo)定重新確定目標(biāo)大小，并根據(jù)目標(biāo)大小與搜索范圍的比例關(guān)系，縮放上一幀圖像確定的搜索范圍。在完成縮放后的搜索范圍的基礎(chǔ)上，提取當(dāng)前幀圖像上所述搜索范圍內(nèi)的圖像特征，根據(jù)圖像特征最終生成模型，并更新現(xiàn)有的模型。由于每幀圖像上的目標(biāo)大小根據(jù)標(biāo)定被更新，系統(tǒng)能夠自適應(yīng)尺度跟蹤，使得車輛跟蹤更準(zhǔn)確。

對于裝置實施例而言，由于其基本對應(yīng)于方法實施例，所以相關(guān)之處參見方法實施例的部分說明即可。以上所描述的裝置實施例僅僅是示意性的，其中所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡(luò)單元上。可以根據(jù)實際的需要選擇其中的部分或者全部模塊來實現(xiàn)本實施例方案的目的。本領(lǐng)域普通技術(shù)人員在不付出創(chuàng)造性勞動的情況下，即可以理解并實施。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

以上對本發(fā)明實施例所提供的一種基于視頻的車輛跟蹤方法及裝置進行了詳細(xì)介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實施方式及應(yīng)用范圍上均會有改變之處，綜上所述，本說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。