復(fù)雜場(chǎng)景下車輛跟蹤系統(tǒng)研究

基金項(xiàng)目：江蘇省高等學(xué)校大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目，項(xiàng)目編號(hào)202210900006XJ、202110900004Y；江蘇省高校自然科學(xué)研究面上項(xiàng)目，項(xiàng)目編號(hào)16KJB510007；教育部產(chǎn)學(xué)合作協(xié)同育人項(xiàng)目，項(xiàng)目編號(hào)201901163002、202002094006

0 引言

隨著社會(huì)迅速發(fā)展私家車數(shù)量不斷增長(zhǎng)，頻發(fā)交通事故不僅帶來人身傷害和不良影響^[1]。因此，智能交通系統(tǒng)研究已得到越來越多的關(guān)注^[2]，主要包括道路管控智能化，交通資源最優(yōu)化和管理決策科學(xué)化，集成信息技術(shù)和圖像處理技術(shù)等技術(shù)^[3-4]，重要前提基礎(chǔ)就是實(shí)現(xiàn)車輛跟蹤監(jiān)測(cè)^[5]，通過攝像頭采用圖像處理技術(shù)^[6]，獲得道路車輛行動(dòng)軌跡^[7]。

19 世紀(jì)中期瓦克斯首先提出運(yùn)動(dòng)目標(biāo)跟蹤，19 世紀(jì)60 年代Sittler 提出了目標(biāo)軌跡概念并對(duì)瓦克斯提出的基礎(chǔ)理論進(jìn)行改進(jìn)和補(bǔ)充。10 年后，卡爾曼濾波在目標(biāo)跟蹤領(lǐng)域取得突破后，該技術(shù)才真正走進(jìn)大眾視野并獲得研究人員的普遍關(guān)注^[8]，粒子波跟蹤算法^[9]、Kalman 濾波，Meanshift 算法等經(jīng)典傳統(tǒng)算法^[10] 被相應(yīng)提出。

近年來，隨著機(jī)器學(xué)習(xí)不斷深入^[11-12]，TLD 算法因其可進(jìn)行長(zhǎng)時(shí)間的目標(biāo)跟蹤而得到廣泛應(yīng)用^[13-14]。2012 年的CSK 算法，改進(jìn)了訓(xùn)練樣本集，一定程度上降低了算法運(yùn)行所需的時(shí)間和資源，也提高了目標(biāo)跟蹤的精準(zhǔn)程度；2015 年利用方向梯度直方圖來代替單通道的灰度特征，進(jìn)一步提升運(yùn)行效率和性能^[15]。此外，國(guó)內(nèi)重點(diǎn)大學(xué)和重點(diǎn)研究室如中科院、清華大學(xué)、浙江大學(xué)等紛紛在手勢(shì)識(shí)別、人臉識(shí)別或姿態(tài)識(shí)別等領(lǐng)域取得了重大突破^[16-17]。針對(duì)不同的車輛具有不同的車輛特征，較為常見的車輛跟蹤算法^[18-20]有區(qū)域匹配跟蹤算法、特征匹配算法、輪廓匹配跟蹤算法和3D 跟蹤算法。

然而目前采用的車輛跟蹤技術(shù)大多只適用于特定環(huán)境或場(chǎng)合，實(shí)際道路交通中非常復(fù)雜有很多影響因素，車輛跟蹤要適應(yīng)場(chǎng)景的變化，如光照條件變化；其他物體的干擾如陰影、來往人群、車輛在場(chǎng)景中的鏡面反射等；監(jiān)控場(chǎng)景中的龐大的車輛數(shù)量、車輛進(jìn)出場(chǎng)景、尺度變化、視角變化及物體遮擋等^[21-22]。若在車輛突然拐彎，車身被行人或路邊標(biāo)志牌遮擋，太陽光線在多云季節(jié)因?yàn)樵茖右苿?dòng)而導(dǎo)致光照強(qiáng)度發(fā)生變動(dòng)等復(fù)雜場(chǎng)景下，則無法做到精確跟蹤車輛軌跡。為方便追蹤車輛行動(dòng)軌跡和車輛具體狀況，復(fù)雜場(chǎng)景下的車輛跟蹤系統(tǒng)一直是研究熱點(diǎn)和話題，本文針對(duì)復(fù)雜場(chǎng)景下車輛運(yùn)動(dòng)展開研究，針對(duì)目標(biāo)車輛的跟蹤構(gòu)造相應(yīng)框架和模塊并設(shè)計(jì)算法流程。

1 復(fù)雜場(chǎng)景下的車輛跟蹤系統(tǒng)

1.1 系統(tǒng)整體框架

本系統(tǒng)整體框架如圖1所示，控制模塊是整個(gè)系統(tǒng)的核心部件，既包含相應(yīng)的硬件設(shè)施也包含了實(shí)時(shí)算法和離線算法，實(shí)時(shí)算法通過圖像處理進(jìn)行，而離線算法通常使用數(shù)模轉(zhuǎn)換算法；具備數(shù)據(jù)采集、數(shù)據(jù)顯示、存儲(chǔ)歷史信息等功能?？刂颇K還可以通過手機(jī)、液晶顯示屏或LCD 等便攜終端實(shí)現(xiàn)信息的實(shí)時(shí)顯示，而歷史模塊則是通過專門的歷史記錄模塊進(jìn)行存儲(chǔ)。

圖1 系統(tǒng)整體框架圖

數(shù)據(jù)采集功能主要通過攝像頭和激光雷達(dá)捕捉目標(biāo)車輛的行駛軌跡和實(shí)時(shí)位置來完成，之后再將數(shù)據(jù)傳遞給FPGA、單片機(jī)或Arduino平臺(tái)，利用可編程電子平臺(tái)對(duì)采集到的數(shù)據(jù)進(jìn)行處理。主要是車輛在行駛過程中的軌跡、速度、位置等信息，目前常用器件為攝像頭或激光雷達(dá)。激光雷達(dá)探測(cè)范圍廣，精度高，魯棒性好，利用高精地圖可實(shí)現(xiàn)自動(dòng)定位和目標(biāo)跟蹤。

系統(tǒng)利用FPGA、單片機(jī)和Arduino進(jìn)行數(shù)據(jù)處理，并利用歷史模塊存儲(chǔ)數(shù)據(jù)信息。目標(biāo)車輛的歷史信息包括運(yùn)動(dòng)軌跡、車輛狀態(tài)、速度等均保存在歷史模塊中，該模塊可保持?jǐn)?shù)據(jù)歷史信息的嚴(yán)密性、準(zhǔn)確性和完整性。

顯示模塊是在數(shù)據(jù)采集處理后再進(jìn)行的，通常顯示平臺(tái)為L(zhǎng)CD 顯示屏。該系統(tǒng)通過顯示模塊可顯示目標(biāo)車輛具體信息，可顯示由數(shù)據(jù)采集模塊被車輛遮擋的盲區(qū)圖像和目標(biāo)車輛的行駛參數(shù)。對(duì)系統(tǒng)模塊的部分功能利用Proteus 進(jìn)行電路設(shè)計(jì)如圖2 所示。

圖2 電路設(shè)計(jì)圖

整個(gè)過程主要包括五個(gè)方面的計(jì)算：

1）狀態(tài)預(yù)測(cè)

   (1)

其中，X (k ?1| k ?1)是利用上一時(shí)刻所在狀態(tài)預(yù)測(cè)得到的最優(yōu)化結(jié)果，這一步實(shí)際是更新系統(tǒng)結(jié)構(gòu)。

本系統(tǒng)算法流程如圖3 所示，通過算法估計(jì)進(jìn)一步預(yù)測(cè)目標(biāo)車輛位置進(jìn)行跟蹤，可在測(cè)量方差已知的情況下去估計(jì)運(yùn)動(dòng)目標(biāo)的狀態(tài)。首先利用幀差法提取采集目標(biāo)即目標(biāo)車輛并利用Grabcut算法進(jìn)行圖像分割，然后提取采集車輛中的SIFT 特征并建立特征庫(kù)，初始化檢測(cè)車輛的均值和協(xié)方差存儲(chǔ)矩陣。建立特征庫(kù)后進(jìn)行匹配排列再通過聚類估計(jì)某時(shí)刻的序列樣本點(diǎn)，一方面通過狀態(tài)方程得到下一時(shí)刻的樣本點(diǎn)并依次計(jì)算出均值和協(xié)方差，另一方面計(jì)算量測(cè)方程的協(xié)方差矩陣并依次計(jì)算濾波增益、狀態(tài)向量估計(jì)值、狀態(tài)向量的方差，然后輸出狀態(tài)估計(jì)值。對(duì)兩個(gè)方向的測(cè)量值、預(yù)測(cè)值、歷史數(shù)據(jù)值進(jìn)行處理，最后通過比較差值比例選擇合適的輸出值。

圖3 系統(tǒng)算法流程圖

目標(biāo)車輛在行駛過程中，攝像頭角度位置不會(huì)發(fā)生變化，則每一幀圖片中的位置都不相同，則對(duì)當(dāng)前所在幀和下一幀的圖像進(jìn)行差分運(yùn)算，提取目標(biāo)車輛所有數(shù)據(jù)信息，其流程如圖 4 所示。算法按過程分為圖像初始化的過程和迭代的過程。此算法在系統(tǒng)中利用Grabcut切割算法對(duì)采集對(duì)象的像素點(diǎn)即目標(biāo)車輛進(jìn)行圖像分割。系統(tǒng)初始化圖像分割完成后，進(jìn)入迭代分割區(qū)，系統(tǒng)對(duì)迭代區(qū)域中未知分割像素點(diǎn)的能量值進(jìn)行重新分配。

圖4 幀差法提取采集對(duì)象

首先對(duì)目標(biāo)車輛的SIFT特征進(jìn)行提取并建立特征庫(kù)，然后匹配排列特征庫(kù)，再進(jìn)行聚類估計(jì)序列樣本點(diǎn)。針對(duì)兩個(gè)時(shí)刻對(duì)目標(biāo)車輛跟蹤進(jìn)行比較選擇。首先，計(jì)算m時(shí)刻樣本點(diǎn)的量測(cè)方程的協(xié)方差矩陣、狀態(tài)向量和量測(cè)向量的協(xié)方差矩陣、濾波增益、狀態(tài)向量估計(jì)值和狀態(tài)向量的方差。再者通過初始化目標(biāo)車輛存儲(chǔ)歷史數(shù)據(jù)和協(xié)方差矩陣，得到并計(jì)算m+1時(shí)刻樣本點(diǎn)的均值和協(xié)方差。最后處理兩個(gè)時(shí)刻得到的測(cè)量值、預(yù)測(cè)值和歷史數(shù)據(jù)值，對(duì)預(yù)測(cè)值、歷史數(shù)據(jù)值、測(cè)量值三者之間的差值進(jìn)行比例分析。若差值比例高，輸出測(cè)量值和歷史值；若差值比例不高，則輸出測(cè)量值和預(yù)測(cè)值。

2 結(jié)束語

本文主要研究了復(fù)雜環(huán)境下如何對(duì)車輛進(jìn)行跟蹤和檢測(cè)，本文首先對(duì)國(guó)內(nèi)外研究現(xiàn)狀做出了大量研究，分析了實(shí)現(xiàn)車輛跟蹤檢測(cè)的研究意義，然后介紹了車輛跟蹤中常用的一些算法，并在此基礎(chǔ)上針對(duì)車輛跟蹤中的難點(diǎn)進(jìn)行相應(yīng)的算法改進(jìn)。針對(duì)車輛在跟蹤過程中容易發(fā)生“姿態(tài)變化”導(dǎo)致跟蹤難以實(shí)現(xiàn)，本文引入SIFT算法提取目標(biāo)特征點(diǎn)，為保證SIFT 所提取的興趣點(diǎn)位于圖片前景，利用Grabcut 算法對(duì)圖片進(jìn)行背景分離處理，此外加入BIRCH 算法實(shí)現(xiàn)目標(biāo)車輛的聚類估計(jì)。本課題后續(xù)研究的內(nèi)容將準(zhǔn)備在如下方面繼續(xù)深入研究，一是在使用SIFT 算法提取目標(biāo)特征點(diǎn)的基礎(chǔ)上，進(jìn)一步引入車輛自身特征進(jìn)行深層次分析。二是在日常生活中，攝像頭多是可以變換拍攝角度的，利用這類攝像頭實(shí)現(xiàn)車輛動(dòng)態(tài)跟蹤更為困難，這也是本課題后期將拓展研究的地方。

參考文獻(xiàn)：

[1] 程騰, 等. 一種基于數(shù)字圖像相關(guān)的高精度車輛跟蹤算法[J]. 汽車工程, 2018, 40(8): 942-946,980.

[2] 侯瀟瀟. UKF和小波變換結(jié)合的車輛跟蹤算法的研究[D]. 淮南:安徽理工大學(xué), 2017.

[3] 吳寧強(qiáng), 等. 重載AGV車輛跟蹤算法和運(yùn)動(dòng)特性研究[J]. 重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)版）, 2018, 32(10): 53-57.

[4] 宋國(guó)浩. 基于機(jī)器視覺的智能車輛跟蹤方法研究與應(yīng)用[D]. 太原:中北大學(xué), 2017.

[5] 施毅等. 基于時(shí)空馬爾可夫隨機(jī)場(chǎng)模型的車輛跟蹤算法研究[J].土木工程學(xué)報(bào), 2007, 40(1): 74-78.

[6] 林明秀, 劉偉佳, 徐心和. 基于模板匹配的多模式車輛跟蹤算法[J]. 系統(tǒng)仿真學(xué)報(bào), 2007, 19(7): 1519-1522.

[7] 周俊靜, 段建民, 楊光祖. 基于改進(jìn)的確定性目標(biāo)關(guān)聯(lián)的車輛跟蹤方法[J]. 模式識(shí)別與人工智能, 2014(1): 89-95.

[8] 袁基煒, 史忠科. 一種基于灰色預(yù)測(cè)模型GM(1,1)的運(yùn)動(dòng)車輛跟蹤方法[J]. 控制與決策, 2006(3): 300-304.

[9] 郭新新. 基于粒子濾波的車輛跟蹤算法研究[D].濟(jì)南:山東師范大學(xué), 2018.

[10] 顧鵬笠. 基于機(jī)器學(xué)習(xí)的車輛跟蹤與道路場(chǎng)景理解研究[D]. 杭州:浙江科技學(xué)院, 2019.

[11] 陳夢(mèng). 基于深度學(xué)習(xí)的車輛跟蹤的研究[D]. 南京:南京郵電大學(xué), 2018.

[12] 卜旭輝,等. 基于迭代學(xué)習(xí)的農(nóng)業(yè)車輛路徑跟蹤控制[J]. 自動(dòng)化學(xué)報(bào), 2014, 40(02): 368-372.

[13] 張帥領(lǐng). 基于TLD的視頻目標(biāo)跟蹤算法的研究[D]. 西安:西安電子科技大學(xué), 2014.

[14] 李敏敏. 基于TLD模型的目標(biāo)跟蹤方法[D]. 西安:西安電子科技大學(xué), 2013.

[15] 權(quán)義萍,等. 基于Mean-Shift的卡爾曼粒子濾波車輛跟蹤算法研究[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2014(9): 236-239,252.

[16] 李文輝, 陳昱昊, 王瑩. 自適應(yīng)的免疫粒子濾波車輛跟蹤算法[J]. 吉林大學(xué)學(xué)報(bào)（理學(xué)版）, 2016, 54(5): 1055-1063.

[17] 范玉貞, 李海軍. 基于改進(jìn)分水嶺算法的多目標(biāo)車輛的跟蹤研究[J]. 電子世界, 2013(3): 1-2.

[18] 李娟. 基于數(shù)據(jù)融合的危險(xiǎn)駕駛行為識(shí)別與車輛跟蹤算法研究[D]. 武漢:武漢工程大學(xué), 2017.

[19] 紀(jì)筱鵬, 魏志強(qiáng). 基于輪廓特征及擴(kuò)展Kalman濾波的車輛跟蹤方法研究[J]. 中國(guó)圖象圖形學(xué)報(bào)A, 2011, 16(2): 267-272.

[20] 童寶鋒. 基于視覺傳感器的前方車輛跟蹤定位方法研究[D]. 長(zhǎng)春:吉林大學(xué), 2014.

[21] 楊敏,等. 一種基于運(yùn)動(dòng)目標(biāo)檢測(cè)的視覺車輛跟蹤方法[J]. 北京理工大學(xué)學(xué)報(bào), 2014, 34(4): 370-375.

[22] KOLLNIG H, H H NAGEL, M OTTE. Association of motion verbs with vehicle movements extracted from dense optical flow fields[A]. Computer Vision - ECCV’94, Third European Conference on Computer Vision, Stockholm, Sweden, May 2-6, 1994, Proceedings, Volume II[C]. 1994.

（本文來源于《電子產(chǎn)品世界》雜志2023年7月期）