一種有立交橋遮擋的車輛軌跡匹配方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種有立交橋遮擋的車輛軌跡匹配方法，屬于計(jì)算機(jī)視覺(jué)與數(shù)字圖像 處理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 在城市交通問(wèn)題的研究中，道路車流量數(shù)據(jù)、車輛時(shí)空軌跡數(shù)據(jù)對(duì)于探索車輛在 城市道路中的運(yùn)行規(guī)律，解決城市交通問(wèn)題具有重要意義。隨著無(wú)人機(jī)在民用市場(chǎng)的開(kāi)放， 利用無(wú)人機(jī)監(jiān)控城市道路交通運(yùn)行狀況具有很大優(yōu)勢(shì)。無(wú)人機(jī)高空拍攝覆蓋范圍廣，直觀 呈現(xiàn)交通運(yùn)行狀態(tài)，且采集并保存的道路交通運(yùn)行視頻對(duì)于提取車輛時(shí)空軌跡數(shù)據(jù)具有重 大價(jià)值。但在城市路網(wǎng)中，立交橋的存在阻斷了車輛在航拍視頻中跟蹤的連續(xù)性。車輛在駛 入立交橋下后消失在畫面中，此時(shí)目標(biāo)丟失，當(dāng)駛出立交橋后，車輛又重新出現(xiàn)在畫面中。 如何解決有立交橋遮擋的車輛軌跡匹配算法，對(duì)于精確統(tǒng)計(jì)車流量、保持車輛跟蹤的連續(xù) 性、提取連續(xù)的車輛時(shí)空軌跡數(shù)據(jù)至關(guān)重要。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種能夠解決有立交橋遮擋情況下的道路航 拍視頻車輛軌跡匹配方法。
[0004] 一種針對(duì)航拍視頻的有立交橋遮擋的車輛軌跡匹配方法，包括以下步驟：
[0005] (1)檢測(cè)立交橋邊界，確定立交橋區(qū)域，利用Sobel邊緣檢測(cè)結(jié)合霍夫變換確定立 交橋邊緣；
[0006] (2)對(duì)跟蹤車輛提取梯度方向直方圖（H0G)特征，作為該車輛的模板特征；
[0007] (3)根據(jù)當(dāng)前跟蹤車輛的行駛速度，估算出其行駛出立交橋的時(shí)間區(qū)間；
[0008] (4)在立交橋的另一側(cè)檢測(cè)對(duì)應(yīng)的跟蹤車輛。在立交橋的另一側(cè)設(shè)定搜索區(qū)域，當(dāng) 視頻處于步驟（3)估算出的車輛駛出時(shí)間區(qū)間時(shí)，在搜索區(qū)域內(nèi)利用滑動(dòng)窗口法結(jié)合模板 匹配技術(shù)檢測(cè)對(duì)應(yīng)的跟蹤車輛，將檢測(cè)到的車輛坐標(biāo)與之前駛?cè)肓⒔粯虻淖鴺?biāo)串聯(lián)起來(lái)， 實(shí)現(xiàn)車輛軌跡的匹配。
[0009] 步驟（1)中所述的檢測(cè)立交橋邊界的具體步驟如下：
[0010] la)根據(jù)車輛行駛方向確定Sobel邊緣檢測(cè)卷積模板。由于立交橋邊緣方向與車 輛行駛方向垂直，故若在航拍視頻中車輛行駛方向?yàn)樗椒较驎r(shí)（水平方向是指與航拍視 頻圖像水平邊緣平行的車輛行駛方向），Sobel算子的卷積模板Gx為：
[0012] 若航拍視頻中車輛行駛方向?yàn)樨Q直方向時(shí)，Sobel算子的卷積模板Gy為：
[0014] lb)利用Sobel算子檢測(cè)立交橋邊緣，確定立交橋區(qū)域。對(duì)視頻的一幀f (x, y)利 用步驟la)確定的卷積模板進(jìn)行卷積運(yùn)算，設(shè)定邊緣閾值T得到邊緣灰度圖G :
[0015] G = Gx*f or G = Gy*f
[0016] lc)將邊緣灰度圖利用Otsu閾值分割法轉(zhuǎn)化為二值圖像，采用霍夫變換檢測(cè)直 線，計(jì)算檢測(cè)到直線的長(zhǎng)度^，若^大于圖像寬度的1/2,則該直線處于立交橋的邊緣。將 所有滿足條件的直線延長(zhǎng)，最終確定立交橋區(qū)域的邊緣。
[0017] 步驟（2)中所述的提取梯度方向直方圖（H0G)特征的具體步驟如下：
[0018] 2a)對(duì)待跟蹤車輛圖像的顏色空間進(jìn)行歸一化，并采用中心對(duì)稱的一維點(diǎn)模版 [-1，0, 1]進(jìn)行卷積運(yùn)算，得到每個(gè)像素點(diǎn)的X、Y方向的梯度幅值Gx、Gy，則該像素點(diǎn)的梯度 大小
，梯度方向?yàn)镈 = arctan(Gy/Gx);
[0019] 2b)將待跟蹤車輛圖像整體劃分成相同大小的單元格（Cell)，單元格數(shù)量依單元 格的尺寸而定；在每一個(gè)單元格內(nèi)按照梯度方向統(tǒng)計(jì)一維梯度方向直方圖向量，方法為：
[0020] 每個(gè)單元格內(nèi)的每個(gè)像素均有梯度大小值和梯度方向值與之對(duì)應(yīng)，將單元格內(nèi)每 個(gè)像素的梯度方向0°~180°按照20°的間隔劃分為9個(gè)區(qū)間，即：0°~20°，20°~ 40°，依次類推；如：一個(gè)單元格中的某個(gè)像素的梯度方向是10°，那么它屬于0°~20° 區(qū)間，在該區(qū)間上加上像素的梯度值，統(tǒng)計(jì)單元格內(nèi)的所有像素，從而構(gòu)成梯度方向直方圖 向量，是9維的，9個(gè)區(qū)間。隨后將像素的梯度方向D映射到9個(gè)區(qū)間上，并以梯度幅值作 為權(quán)值，構(gòu)成單元格的梯度方向直方圖向量H1= [h u h2,. . . hs，h9]，其中匕為每個(gè)區(qū)間的權(quán) 值；
[0021] 2c)將待跟蹤車輛圖像整體劃分成包含多個(gè)相鄰單元格的相同大小的矩形區(qū)塊 (Block)，區(qū)塊間可以重疊。將區(qū)塊內(nèi)所有單元格的一維梯度方向直方圖向量私串聯(lián)起來(lái) 構(gòu)成串聯(lián)向量[氏，氏，...，札]，η為區(qū)塊內(nèi)單元格的數(shù)量，采用L2-Norm方式對(duì)串聯(lián)向量 [4? · · ·，Hn]進(jìn)行歸一化處理構(gòu)成區(qū)塊特征向量Fi= [f ;，f2, · · ·，fj，其中m = ηΧ9·
[0022] 2d)將待跟蹤車輛圖像中所有的區(qū)塊特征向量Fi串聯(lián)起來(lái)構(gòu)成梯度方向直方圖特 征向量，即所跟蹤車輛的模板特征向量Vf;
[0023] 步驟（3)中所述的估算車輛行駛出立交橋的時(shí)間區(qū)間的具體方法如下：
[0024] 由車輛的跟蹤數(shù)據(jù)可以實(shí)時(shí)估算出車輛在駛?cè)霕蛳聲r(shí)的行駛速度v(piXel S/ frame)與加速度a(pixels/frame2)。假設(shè)車輛在立交橋下做勾加速運(yùn)動(dòng)，即以初始速度v、 加速度a駛過(guò)橋下，根據(jù)步驟（1)得到的立交橋邊緣直線，可以計(jì)算出橋?qū)挒閟，那么依據(jù)s =vt+0. 5at2可計(jì)算出駛出時(shí)刻t。將區(qū)間[t-fps, t+fps]作為車輛行駛出立交橋的時(shí)間 區(qū)間，其中fps(frames/s)為視頻的幀率。
[0025] 步驟⑷中所述的檢測(cè)對(duì)應(yīng)跟蹤車輛的具體步驟如下：
[0026] 4a)在立交橋車輛駛出的一側(cè)設(shè)定搜索區(qū)域；
[0027] 4b)利用滑動(dòng)窗口法遍歷搜索區(qū)域，利用步驟（2)所述方法提取每個(gè)窗口的梯度 方向直方圖（H0G)特征向量
[0028] 4c)計(jì)算模板特征向量Vf與滑動(dòng)窗口特征向量#的相似度d :
[0030] 其中
：表示對(duì)向量Vf與V；'的差采用L2-Norm的方式進(jìn)行歸一化，而 I I Vf I I表示對(duì)向量v f本身進(jìn)行L2-Norm歸一化。
[0031] 相似度最大的窗口即為所跟蹤的車輛，將檢測(cè)到的車輛坐標(biāo)與駛?cè)肓⒔粯驎r(shí)的坐 標(biāo)串聯(lián)起來(lái)實(shí)現(xiàn)跟蹤車輛軌跡的匹配。
[0032] 本發(fā)明的優(yōu)點(diǎn)在于：
[0033] (1)本發(fā)明針對(duì)道路航拍視頻中出現(xiàn)的立交橋遮擋影響車輛跟蹤連續(xù)性的問(wèn)題， 通過(guò)在立交橋的另一側(cè)檢測(cè)對(duì)應(yīng)的車輛，最后將坐標(biāo)串聯(lián)起來(lái)，實(shí)現(xiàn)了車輛軌跡的精確匹 配，解決了立交橋的遮擋，保證了車輛跟蹤的連續(xù)性；
[0034] (2)本發(fā)明采用基于梯度方向直方圖特征（H0G)的模板匹配技術(shù)，通過(guò)提取滑動(dòng) 窗口內(nèi)圖像的H0G特征向量，與對(duì)應(yīng)的車輛模板H0G特征向量進(jìn)行匹配比對(duì)實(shí)現(xiàn)了對(duì)特定 車輛的精確定位，提高了軌跡匹配的準(zhǔn)確性與穩(wěn)定性；
[0035] (3)本發(fā)明通過(guò)立交橋區(qū)域的檢測(cè)，明確了車輛的駛出區(qū)域，進(jìn)而縮小了駛出立交 橋車輛的檢測(cè)范圍，降低了檢測(cè)時(shí)間，同時(shí)得到的立交橋?qū)挾葦?shù)據(jù)可以用來(lái)估算車輛駛出 立交橋的時(shí)間；
[0036] (4)本發(fā)明通過(guò)估算車輛駛出立交橋的時(shí)間，避免了相同車型的干擾，保證了車輛 軌跡的正確匹配，提高了算法整體的魯棒性。
【附圖說(shuō)明】
[0037] 圖1是本發(fā)明實(shí)施例提供的有立交橋遮擋的車輛軌跡匹配方法流程圖；
[0038] 圖2是本發(fā)明實(shí)施例中檢測(cè)立交橋邊界的示意圖；
[0039] 圖3是本發(fā)明實(shí)施例中提取車輛梯度方向直方圖特征示意圖；
[0040] 圖4是本發(fā)明實(shí)施例中在搜索區(qū)域內(nèi)進(jìn)行特征模板匹配的示意圖；
【具體實(shí)施方式】
[0041] 下面將結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。
[0042] 圖1展示了本發(fā)明提供的一種針對(duì)道路航拍視頻的有立交橋遮擋的車輛軌跡匹 配算法的執(zhí)行流程圖。在本發(fā)明中，車輛軌跡匹配指的是把同一車輛在駛?cè)肓⒔粯蚯暗淖?標(biāo)和駛出立交橋的坐標(biāo)連接起來(lái)，保證車輛軌跡跟蹤的連續(xù)性，同時(shí)也確保車流量統(tǒng)計(jì)的 正確。其中的關(guān)鍵技術(shù)在于如何能夠在立交橋駛出的一側(cè)準(zhǔn)確地匹配到之前的車輛。本 發(fā)明通過(guò)檢測(cè)立交橋邊界，確定立交橋區(qū)域，針對(duì)性地把圖像區(qū)域分為兩部分。在車輛駛 出區(qū)域利用提取的H0G特征模板進(jìn)行車輛模板匹配檢測(cè)，從而將跟蹤車輛對(duì)應(yīng)起來(lái)。具體 地，在本實(shí)施中，選用一段存在立交橋遮擋的道路航拍視頻，拍攝高度為150m，視頻分辨率 為1920*1080像素。本實(shí)施例提供的一種針對(duì)有立交橋遮擋的車輛軌跡匹配算法的具體實(shí) 施步驟如下：
[0043] 步驟1 :檢測(cè)立交橋邊界，確定立交橋區(qū)域
[0044] 通過(guò)檢測(cè)立交橋的邊緣確定立交橋區(qū)域、立交橋的寬度，能夠大體確定車輛駛出 立交橋的位置和時(shí)間。檢測(cè)立交橋邊界的具體步驟如下：
[0045] la)根據(jù)車輛行駛方向確定Sobel邊緣檢測(cè)卷積模板。由于立交橋邊緣方向與車 輛行駛方向垂直，故若車輛行駛方向?yàn)樗椒较驎r(shí)，Sobel算子的卷積模板6：(為：
[0047] 若車輛行駛方向?yàn)樨Q直方向時(shí)，Sobel算子的卷積模板Gy為：
[0049] lb)利用Sobel算子檢測(cè)立交橋邊緣，確定立交橋區(qū)域。對(duì)原圖像f (X，y)利用步 驟la)確定的卷積模板進(jìn)行卷積運(yùn)算，設(shè)定邊緣閾值T得到邊緣灰度圖G :
[0050] G = Gx*f or G = Gx*f
[0051] 本實(shí)施例選用的道路航拍視頻中，車輛沿水平方向行駛，立交橋的邊緣為豎直方 向，故選取Gx卷積模板過(guò)濾掉水平邊緣，得到邊緣灰度圖像。
[0052] lc)將邊緣灰度圖利用Otsu閾值分割法轉(zhuǎn)化為二值圖像（圖2 (a)所示