基于粒子滤波的交通视频车辆跟踪和计数方法

蔡丽娟

摘要：本文提出了一种基于粒子滤波的交通视频车辆跟踪和计数方法。该方法采用图像处理模式，利用粒子滤波和运动相关性原理，分析视频中凸形形状和背景信息，确定待测车辆轮廓，计算分组视频中的车辆粒子。当在一辆车被确定后，使用集中在粒子位置窗口的颜色直方图相似性进行车辆的跟踪和计数。

关键词：图像处理 粒子簇 车辆计算 车辆跟踪

1 概述

交通智能系统可以有效改善交通状况，帮助用户选择最佳路径并帮助政府合理实现交通规划。车辆数据在交通管理规划中非常重要，比如车流量、速度和轨道占用率等。通常，我们采用安装感应线圈、超声波传感器等方法来获得这些信息。但这些方法费时费力，且实现复杂、成本高。基于此，成本低、易操作等特点的视频处理方法在业内推广起来，但如何准确、高效提取视频中的有效信息，是研究人员必须解决的难题。

本文提出一种简单、易实现的视频车辆跟踪和计数方法，其核心是依据粒子理论[1]，视频中属于同一车辆的粒子具有运动空间和位置相干性的特点进行分组，其难点在

于一是光照和背景迅速变化，如何获得前景；二是被跟踪车辆的多样性识别；三是被其他车辆或障碍物遮挡时跟踪。

2 基于粒子滤波的检测算法

同一辆车粒子的判别条件是：①空间相干性，即属于同一辆车的颗粒彼此接近，而属于不同车辆的粒子簇间有一定的间隔。②时间连贯性，在给定帧初始位置的车辆在下一帧中不会消失，且车距保持在一定的范围内。③属于同一车辆的颗粒应该具有相同的移动方向和相似的移动速度。

粒簇分组的依据是它们的空间位置和运动矢量，后续帧的聚类中心延展可以保证粒子的时间相干性。通过验证这些粒簇的形状和背景相似性来检测车辆，用直方图的相似性来跟踪该车辆。最后，计算粒簇与虚拟线条的交汇次数来进行车辆统计。

2.1 背景和粒子的获取

以大小为240×320像素的视频为例，它被分为若干3000帧的块。如果这些块的背景没有发生明显的变化，我们认为是相同背景的视频。

第一步，去除背景噪音。该步骤不需要任何背景信息，这是因为根据阈值，在空间中保持静止的粒子会被当做与车辆无关的噪声被删掉。第二步，将从9×9的像素视窗中得到的颜色直方图与已知的背景颜色进行比较，与背景有相似直方图的粒子被丢弃。图片1显示了从实验视频中所获得的粒子和粒子滤波处理的结果。将集中于每个粒子窗口与下一帧中集中于搜索区域像素的窗口做比较，通过采用块与穷尽搜索匹配，使每个粒子合成估计运动矢量。

2.2 粒簇分组

本文使用K-means算法[2]对视频帧中的粒子进行分组，以确定初始簇数。假设Nmin是一辆车必须有的最少粒簇数，则每帧中最大簇数为Nparticles/Nmin，其中Nparticles为帧中的粒子总数。但由于空间粒子间距离和粒子位移，有纹理的大型汽车可能会被误认有很多粒簇。同时，在车辆具有相同的速度和彼此靠近情况下，车辆的粒子具有相似的空间位置和运动矢量，可能会被误认为同一车辆。因此，对于难确定的粒子簇，需要信息融合。首先，处理视频帧得到背景；然后，考虑由两簇粒子形成的凸集区域，对不同的灰度图片应用不同的距离阈值。接下来，使用二进制图像处理消除这些区域中的噪声或者极小区域。当两个形心之间的欧几里得距离小于该粒子和它们各自的簇的质心之间的最大距离的总和时，触发粒子簇合并。当两车靠得很近并以相同的速度朝着同一方向运动时，易将其误认为一辆车。因此，当发现大规模粒子群形成凸集区域过大时，需将粒子群重新聚类分割。如图1中所示，集群合并和簇集分裂。

2.3 车辆的检测和跟踪

本文依据颜色直方图的相似度原理来实现车辆追踪，对车辆构成的粒簇凸集，通过9x9像素视窗计算区域颜色直方图，并在运动向量指引下由前一帧下移动到当前帧。在此区域逐渐地扩大规模以覆盖更多的粒子。计算出与前一帧或者已处理的帧中各个像素视窗相对应的颜色直方图。并将当前帧中区域颜色直方图与前一帧中的各个颜色直方图相比较，利用巴氏系数计算相似度，如公式（1）所示

s（h1，h2）=■■（1）

式中，s是标准化直方图h1和h2的相似度，L是颜色粒子区域数量。

当粒簇凸集相似度大于0.8时，认为当前帧粒子簇与前一帧相应簇代表同一车辆，不满足此条件，认为是不同车辆。在追踪过程中，根据前一帧中粒簇，与当前帧中拥有最大相似度粒簇进行一一对应的标记。如果粒簇在对应过程中，出现了非一一对应的情况，相交区域的每一个粒簇的相似度都要用公式2中的马氏距离来测试，以确定对应关系。将间距最短的粒簇选为一组。

Md（x）=■（2）

式中x=（x1，x2，…，xn）T是带有空间位置信息和运动矢量的粒子，μ=（μ1，μ2，…，μn）T是平均值，S是x的协方差矩阵。

2.4 车辆计数

■

图1 车辆粒子合并、分裂与计数过程

车辆计数是在代表车辆的粒簇凸集通过虚拟线条过程中实现的。当一辆车通过全部虚拟线条时，车辆计数便增加一次，如图1所示。

3 实验分析

本实验通过虚拟线条与粒簇凸集的交汇次数来计算车流量，并与Kim[3]算法进行对比。

实验环境配置为CPU英特尔酷睿i5-2400和金士顿DDR3代8G内存，通过Matlab7.13进行处理，每个画面的平均处理时间为7.18s。对视频中每个车道的车辆实际数目、车辆实验计数以及两数目的偏差进行分析。本方法平均相对偏差-4.9%，比实际数目少53辆；用Kim所提的方法所测得车辆数比实际多66辆，比实际高6.1%；两种方法效果相近。当涉及到识别大型车辆时，本文提出的方法比Kim中的方法要好。这是因为在不同背景中检测车辆时，确保了属于同一车辆的粒子能够合并到一个粒子簇中。对于背景相似或粒子簇彼此空间距离很远的车辆可能被误分或看成多辆车。本方法把大型车辆最多分成两个或三个车，而Kim方法会分成五个以上的车辆，导致了更大误差。

4 结束语

近年来，视频车辆跟踪作为城市智能交通系统（ITS）的一个关键技术受到关注。针对传统测量方式可能导致跟踪过程的不准确性，本文提出了一种基于粒子滤波的车辆跟踪计数方法，该算法利用基于重要区域的目标颜色直方图统计模型对视频车辆目标进行建模，对车辆的运行轨迹进行校正，实现了局部线性滤波，实现了在保持跟踪系统整体上的非线性、非高斯性的同时，兼顾其局部的线性高斯特性。实验结果表明，本文方法与传统方法相比，即使在复杂的环境下，也能够较准确地对车辆进行跟踪。

参考文献：

[1]Tian，B.Video processing techniques for traffic flow monitoring：Survey[J].Intelligent Transportation Systems（ITSC），pp.1103 1108，5-7，2011.

[2]Kanungo，T.Anefficient k-mean sclustering algorithm： analysisand implementation[J].Pattern Analysis and Machine Intelligence， IEEE Transactionson， vol.24， no.7， pp.881-892，

2002.

[3]KimZ.W.Real time object tracking based on dynamic feature grouping with background subtraction[J].Computer

Vision and Pattern Recognition，2008，vol1（5），pp.1-8，23-28，

2008.