改进差分阈值和位移匹配模型的车辆跟踪算法

鲁鹏程，许志明，瞿文政，刘少江，倪伟传，万智萍

(中山大学新华学院，广东 广州 510520)

0 引 言

移动目标跟踪是一种结合计算机视觉、模式识别、视频编码、图像处理等多个领域的综合性技术，在智能交通、野外物种保护、城市安防监控等方面都具有重要作用[1-2]。尤其在智能交通系统领域，移动目标跟踪系统常用于违法违规车辆的行驶轨迹追踪。由于越来越多的城市道路已经采用联网的监控系统，对道路的交通情况进行实时监视[3-4]。当出现肇事车辆逃逸时，传统的追查方法是通过监控录像查找肇事车辆的外形特征、车牌号码以及移动轨迹，再通过这些信息来对该肇事车辆进行搜查，然而当遇到一些不可抗拒的环境因素，例如大雨大雾等天气，监控图像往往捕捉不到肇事车辆的车牌号码以及一些外形特征，从而加大了对肇事车辆的追查难度[5]。

而目标跟踪系统通过对采集到的监控图像进行算法处理，可以锁定移动目标，在监控界面可以清楚地显示车辆的移动轨迹，给执法部门开展整治交通违法违规活动带来了诸多方便。

在移动目标跟踪领域，刘智等提出了一种基于失真激励式机会模糊控制的视频跟踪机制，在分析跟踪目标的差异性和目标移动速度的随机性的基础上，以激励模糊集群用户的机会逻辑控制为目标，提出了基于失真激励的视频跟踪机制及其系统架构[6]。易诗等提出一种基于改进TLD的自动目标跟踪方法，该算法是一种高效的视觉跟踪算法，将所跟踪物体形心作为图像定位参考点，提取物体定位信息，通过定位信息运用比例-积分-微分控制算法控制摄像头舵机云台转向，使摄像头快速、灵活、精确地自动跟踪指定物体[7]。蔡宗平等提出一种基于模糊自适应CKF的目标跟踪算法，利用模糊推理系统实时调整容积卡尔曼滤波的量测噪声协方差阵权值，从而修正量测噪声协方差阵，使其逐步接近真实噪声值，进而提高目标跟踪算法的自适应能力[8]。杨红红等提出一种基于稀疏约束深度学习的交通目标跟踪算法，该算法采用去噪自编码神经网络对包含正负样本的训练集进行特征提取，将网络的输出作为Logistics分类器的输入，学习获得车辆分类器，并采用粒子滤波在线跟踪目标[9]。

上述移动目标跟踪算法可以准确地对监控录像上的移动目标进行实时跟踪，但仅有文献[9]可以针对移动车辆进行跟踪，即具有移动车辆和移动行人的区别能力，而其他算法会对所有移动目标进行同时检测和跟踪，无法应用于专用的移动车辆检测跟踪系统。目前的移动车辆检测跟踪算法较少，尽管文献[9]能够检测并跟踪移动车辆目标，但无法对多个移动车辆进行标识，这样在追踪特定的肇事车辆时，会在监控图像的查找上带来一定的难度。因此，文中设计了一种基于改进差分阈值和位移匹配模型的车辆跟踪系统，该系统可以检测并跟踪移动目标，并且通过阈值的调整，还可以只针对移动车辆目标进行跟踪。在多目标标识跟踪的问题上，该算法可以实现对多个目标进行数字标识，对于在监控图像上查找特定的移动车辆带来了方便。

1 对差分和阈值检测法的改进

传统的差分和阈值方法在检测移动目标时，是通过监控图像当前帧与前一帧进行匹配，这两帧图像不同的地方会在当前帧图像产生白色像素，并且预先指定了一个阈值，当白色像素的数量大于阈值时，会把它指示为一个移动事件，为了突出显示运动区域，往往会给这些白色像素添加颜色[10-11]。然而大多数的监控摄像头都会产生噪声图像，噪声在每一帧上分布的区域不同，当采用差分和阈值检测法时，会将一些噪声较集中的区域误检为移动目标，导致检测精度降低[12-13]。因此需要对现有的差分阈值检测法进行改进，使其在存在噪声的条件下仍然能够准确地检测出移动目标。

在视频监控系统中，每一帧上的图像噪声都具有随机分布性，即前后帧的噪声像素点的分布基本无规律可寻。而目标车辆在移动过程中形状不会发生变化，即前后帧的目标车辆上的像素点与中心像素点的距离均值相同。以前一帧为匹配模板，在后一帧中得到了白色像素，假设这些白色像素组成了N个簇，假设簇j(j∈N)有m个像素点，像素点xi(i=1,2,…,m)的重量为g(xi)，建立有关xi的函数w(cj|xi)，w(cj|xi)表示xi以cj作为簇中心所构成的集合。接着计算该簇中心点cj的位置：

(1)

计算簇j的像素点与中心像素点cj的距离均值，得到：

(2)

由于移动车辆在前后帧图像上的位置不相同，因此在进行匹配时该车辆区域所形成的白色像素点会得到两个簇，这两个簇的距离均值非常相近。为了尽可能地排除图像噪声，不采用统计图像上总的白色像素是否超过阈值来判定移动事件的方法，而是统计各簇的白色像素点，并设定一个阈值T，当簇的白色像素点少于阈值T，则忽略这些簇和它的像素点，通过对阈值T的合理设定，还可以过滤掉行人目标，因为行人目标移速较低，前后帧匹配后产生的白色像素点也较少。当簇的白色像素点高于T时，指示它为一个移动事件，并统计所有剩下的簇的距离均值[14-15]。

接着是对不同移动车辆的区别和标识，通过对不同车辆进行标识，可以在监控画面很好地区分不同的跟踪目标，实现多目标车辆的实时跟踪，这里对移动车辆的标识需要用到各簇的距离均值。根据统计到的各簇的距离均值，选择出距离均值相等的簇，不是绝对相等，有个容许误差[-σ,σ]。把这些距离均值相等的簇放到同一组中。假设共得到k个组，用qi表示第i(i≤k)组，qi组里可能有两个或多个簇，多个簇是由于监控画面存在着多个形状相似的移动车辆。为了准确地对前后帧同个移动车辆进行标识，采用了一种移速匹配模型。

2 位移匹配模型

由于监控录像的帧率一般会达到20 FPS到25 FPS(低于20 FPS会影响录像视频的流畅度)。以时速为100 km/h的车速计算，前后帧的相同移动车辆在实际背景的位移只有(1.08 m,1.39 m)，可以看出前后帧相同车辆在帧间的实际位移会非常小。即使同一组中多个簇的距离均值相等，但簇间在实际背景的位移较大，则可以判定为不同车辆。因此，以监控道路所允许的最高时速，假设为Rkm/h，配合监控录像帧率，假设为hFPS，则实际位移的最大值为：

(3)

当qi组里距离均值相等的两个簇，其实际位移低于位移阈值LT时，则可以判定前后帧这两个移动车辆为同一个目标，并对其进行标识。在文中系统中采用不同数字对不同的跟踪目标进行标识。

算法流程如图1所示。

图1 算法流程

3 实验仿真

实验仿真部分采用C#对算法进行编程，通过程序将算法编写为系统软件，并且在仿真硬件平台配置为：Intel酷睿i5 6200u处理器，主频2.4 GHz，内存8 G，显存2 G，操作系统为Windows7的PC平台上运行。对于监控图像的采集，采用的仿真图像来源于国外开源的摄像头地址：http://129.186.47.239/axis-cgi/mjpg/video.cgi?resolution=352x240。

图2和图3为该算法在白天的条件下对移动车辆的跟踪效果。图3为阈值取T=10(T为数值，无单位)时算法的跟踪效果，从图2中可以看出，该算法能够正确地检测到移动车辆，并且忽略掉了对移动行人的跟踪，对多个车辆目标还采用了数字进行标识。图3为阈值取T=4时算法的跟踪效果。从图3可以看出，该算法能够同时检查出移动的车辆，还有一个移动至公交车的行人，但只对移动车辆进行标识。图3相比图2能够检测出移动的行人，是因为阈值T的取值较小，只限制了对噪声像素点的过滤。从图2和图3的跟踪效果来看，该系统在白天的条件下能够很好地对多移动目标进行检测跟踪，并且可以通过设置阈值来使系统只针对移动车辆进行检测跟踪。

图2 白天条件下检测并跟踪多移动车辆

图3 白天条件下检测并跟踪多移动目标

图4和图5为该算法在夜晚的条件下对移动车辆的跟踪效果。对夜晚的移动车辆进行跟踪，主要是考验该算法的鲁棒性，检测该算法是否能完成全天候的多目标跟踪任务，以适应于实际应用的需求。图4为阈值T=10时算法的跟踪效果。从图中可以看出，由于设置了较高的阈值，该算法只检测并标识了移动的公交车，但是对移动至公交车的行人并没有进行检测。而图5为阈值取T=4时算法的跟踪效果。在图5中，该算法检测并跟踪了多个移动车辆目标，并且同时检测出了行人，但不进行标识。结合图2～5的效果来看，该算法不仅能在白天的条件下对多个移动车辆目标进行检测跟踪，在夜晚也能够准确地检测移动车辆并跟踪。因此该算法具有较好的实践应用性，在智能交通监控领域具有一定的应用前景。

图4 夜晚条件下检测并跟踪移动车辆

图5 夜晚条件下检测并跟踪多移动目标

4 结束语

为了有效检测多个移动目标车辆并进行标识跟踪，提出一种基于改进差分阈值和位移匹配模型的移动车辆跟踪算法。基于对差分和阈值检测法的改进，可以有效过滤掉图像噪声对移动目标检测的影响，并且还可以通过进一步调整阈值来过滤移动的行人，只检测并跟踪移动车辆。为了对多个移动车辆进行标识，采用了位移匹配模型来确定不同帧图像上的同一目标，实现系统可以准确实时地跟踪多个移动车辆目标。在仿真实验部分，对白天和夜晚的监控图像都采用算法进行处理，得到的移动车辆目标检测及跟踪效果良好，在智能交通监控领域具有较好的应用前景。