一种车辆检测跟踪方法和装置 【技术领域】
本发明涉及检测技术领域，特别是涉及一种车辆检测跟踪方法和装置。
背景技术
作为二十一世纪世界道路交通的发展趋势，智能交通系统是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术以及计算机处理技术等有效地集成运用于整个交通运输管理体系，建立起来的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统。其中，交通流量检测是智能交通系统的重要组成部分，能够及时地检测出通过的车辆，并以此为基础准确地统计出某段时间内某段道路的车流量以及车辆本身的运动信息，如车速，车长等。
传统的交通流量检测采用地埋式感应线圈的方法，由于存在施工复杂、维护困难、会破坏路面等缺点，正逐渐被基于视频的检测方法所替代。在交通流量的视频检测中，根据白昼和夜间环境的不同，所使用的方法和目标特征也不相同。其中，白昼进行车辆检测跟踪时，图像能见度高，往往根据混合高斯模型创建道路背景，然后利用前景提取技术、形态学滤波、轮廓跟踪等方法检测出目标区域，利用车辆的灰度或颜色信息作为特征进行目标跟踪。由于夜间道路光线条件复杂，采用普通CCD(Charge-coupled Device，电荷耦合元件)摄像机检测夜间车辆时，很难准确获取车辆的图像；一些发达国家采用安装红外摄像机或者CCD摄像机和红外摄像机相结合的方法获取夜间道路图像，该方法在检测夜间行人时非常有效，但在检测夜间行驶的车辆时，仍然会受到车头灯的强光、地面反射光和环境光线的影响。此外，红外摄像机的价格昂贵，如果昼夜所用摄像机不同，会大幅度地提高硬件成本，限制车辆检测跟踪系统的推广。
目前，现有技术采用普通CCD摄像机拍摄白昼和夜间图像，夜间通过检测图像中的车头灯或车尾灯来检测车辆，可以取得不错的效果。
发明人在实现本发明的过程中，发现现有技术至少存在如下问题：
现有技术在白昼和夜间对车辆进行检测跟踪时，分别采用白昼检测算法和夜间检测算法，无法根据外在场景的变化自适应地切换检测算法，降低了车辆检测的处理速度和跟踪效率，无法满足系统实时性的要求。
【发明内容】
本发明实施例提供一种车辆检测跟踪方法和装置，用于满足车辆监控系统实时性的要求。
本发明实施例提出一种车辆检测跟踪方法，包括以下步骤：
采集车辆的视频图像，并对所述视频图像进行数字化处理和存储；
根据场景亮度的变化调节曝光参数，比较所述曝光参数与预设的曝光门限之间的关系，并根据比较结果选择检测算法，使用所述选择的检测算法处理所述存储的视频图像，对目标车辆进行检测和跟踪。
优选地，所述根据场景亮度的变化调节曝光参数，具体包括：
如果场景亮度大于预设的亮度门限，则减少曝光时间；如果场景亮度小于预设的亮度门限，则增加曝光时间。
优选地，所述检测算法包括白昼检测算法和夜间检测算法，
所述根据比较结果选择检测算法，具体包括：
如果所述曝光参数大于预设的曝光门限，则选择夜间检测算法；如果所述曝光参数小于预设的曝光门限，则选择白昼检测算法。
优选地，所述选择的检测算法为白昼检测算法时，
所述使用选择的检测算法对目标车辆进行检测和跟踪，具体包括：
根据所述采集的视频图像获取初始背景图像中每个像素点的灰度值，建立背景模型，并根据所述像素点的灰度值的改变更新所述背景模型；
使用所述更新的背景模型对当前帧的视频图像进行背景差分，以检测目标车辆，并对检测到的目标车辆进行跟踪。
优选地，所述选择的检测算法为夜间检测算法时，
所述使用选择的检测算法对目标车辆进行检测和跟踪，具体包括：
检测并跟踪所述目标车辆的尾灯，预测帧间的车灯位置。
本发明实施例还提出一种车辆检测跟踪装置，包括：
采集模块，用于采集车辆的视频图像，并对所述视频图像进行数字化处理和存储；
调节模块，用于根据场景亮度的变化调节曝光参数；
选择模块，用于比较所述调节模块调节后的曝光参数与预设的曝光门限之间的关系，并根据比较结果选择检测算法；
监控模块，用于使用所述选择模块选择的检测算法处理所述采集模块存储的视频图像，对目标车辆进行检测和跟踪。
优选地，所述调节模块，具体用于在场景亮度大于预设地亮度门限时，减少曝光时间；在场景亮度小于预设的亮度门限时，增加曝光时间。
优选地，所述检测算法包括白昼检测算法和夜间检测算法，
所述选择模块，具体用于在所述曝光参数大于预设的曝光门限时，选择夜间检测算法；在所述曝光参数小于预设的曝光门限时，选择白昼检测算法。
优选地，所述选择的检测算法为白昼检测算法时，
所述监控模块，具体用于根据所述采集的视频图像获取初始背景图像中每个像素点的灰度值，建立背景模型，并根据所述像素点的灰度值的改变更新所述背景模型；使用所述更新的背景模型对当前帧的视频图像进行背景差分，以检测目标车辆，并对检测到的目标车辆进行跟踪。
优选地，所述选择的检测算法为夜间检测算法时，
所述监控模块，具体用于检测并跟踪所述目标车辆的尾灯，预测帧间的车灯位置。
本发明实施例的技术方案具有以下优点，因为充分利用摄像机的曝光参数与外在场景之间的关系，选择采用白昼检测算法或者夜晚检测算法，解决了原有监控系统无法自适应的缺点，有效地满足了全天候监控的需求，避免了复杂的场景判断，处理速度较高，能够满足实时性要求，提高跟踪效率，便于应用到实时跟踪场景中。
【附图说明】
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一中的一种车辆检测跟踪方法流程图；
图2为本发明实施例二中的一种车辆检测跟踪方法流程图；
图3为本发明实施例三中的白昼场景下车辆检测跟踪方法流程图；
图4为本发明实施例四中的夜间场景下车辆检测跟踪方法流程图；
图5为本发明实施例五中的一种车辆检测跟踪装置结构示意图。
【具体实施方式】
本发明实施例提供了一种基于摄像机曝光参数的昼夜自适应的车辆检测方法和装置，根据外在场景光强度的变化自适应地调节曝光参数，并设置一个合理的曝光门限，根据曝光门限与曝光参数的关系有效判断现场的外在场景状况，选择检测算法进行车辆的检测和跟踪。其中，夜间检测算法通过分析车尾灯中R、G、B三个色彩分量，可以在夜间彩色图像中检测出车尾灯，并通过对车尾灯进行连续的跟踪，得到车尾灯的运动信息，再结合同一辆车上车尾灯之间存在固定的位置关系等先验知识，可以对图像中的车尾灯进行匹配，将属于同一辆车的车尾灯归在一起，充分利用了颜色信息，不需要计算形态算子，减小了计算量，使得检测速度明显提高，能够满足实时性要求。本发明还采用对称性测度方法作为判决依据，判断检测出的尾灯之间的纵坐标的聚合度，来进行车灯的配对。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，为本发明实施例一中的一种车辆检测跟踪方法流程图，包括以下步骤：
步骤101，采集车辆的视频图像，并对该视频图像进行数字化处理和存储。
步骤102，根据场景亮度的变化调节曝光参数，比较该曝光参数与预设的曝光门限之间的关系，并根据比较结果选择检测算法，使用选择的检测算法处理存储的视频图像，对目标车辆进行检测和跟踪。
具体地，如果场景亮度大于预设的亮度门限，则减少曝光时间；如果场景亮度小于预设的亮度门限，则增加曝光时间。如果曝光参数大于预设的曝光门限，则选择夜间检测算法对目标车辆进行检测和跟踪；如果曝光参数小于预设的曝光门限，则选择白昼检测算法对目标车辆进行检测和跟踪。
本发明实施例的技术方案具有以下优点，因为充分利用摄像机的曝光参数与外在场景之间的关系，选择采用白昼检测算法或者夜晚检测算法，解决了原有监控系统无法自适应的缺点，有效地满足了全天候监控的需求，避免了复杂的场景判断，处理速度较高，能够满足实时性要求，提高跟踪效率，便于应用到实时跟踪场景中。
如图2所示，为本发明实施例二中的一种车辆检测跟踪方法流程图，包括以下步骤：
步骤201，采集车辆的视频图像，并对该视频图像进行数字化处理和存储。
具体地，可以利用摄像头采集车辆的视频图像并对该视频图像进行数字化，由图像采集系统将CCD摄像机摄取的路段上行驶车辆的视频图像按序列连续捕捉下来并经A/D(Analog to Digital，模拟量到数字量)转换、数字化后存入帧存储器中。采集视频图像前，还需要通过系统初始化对系统参数进行设定，该系统参数包括每秒采集图像的帧数和图像二值化的阈值等。
步骤202，对采集到的视频图像进行预处理。
具体地，由于动态采集的视频图像存在模糊和噪声干扰等问题，需要进行滤波、降噪、灰度变换和二值化等预处理。
步骤203，当场景亮度大于预设的亮度门限时，减少曝光时间；当场景亮度小于预设的亮度门限时，增加曝光时间。
其中，相应于白昼和夜晚，摄像机的曝光参数也不一样。
步骤204，比较曝光参数与预设的曝光门限之间的关系，如果曝光参数大于预设的曝光门限，则执行步骤205；如果曝光参数小于预设的曝光门限，则执行步骤206。
步骤205，选择夜间检测算法。
具体地，由于夜晚检测采用尾灯技术，不会有大灯直射摄像头引起参数剧烈的变换。同时，为了避免噪声和异常干扰，可以设置状态切换计数器，当场景从白昼切换到夜间，即由白昼检测算法切换到夜间检测算法时，通过状态切换计数器进行计时，当采集到的视频图像持续N帧且场景没有发生切换后，确认选择的检测算法。
步骤206，选择白昼检测算法。
具体地，当场景从夜间切换到白昼，即由夜间检测算法切换到白昼检测算法时，通过状态切换计数器进行计时，当采集到的视频图像持续N帧且场景没有发生切换后，确认选择的检测算法。
步骤207，使用选择的检测算法处理存储的视频图像，对目标车辆进行检测和跟踪。
需要说明的是，本发明方法可以根据实际需要对各个步骤顺序进行调整。
本发明实施例的技术方案具有以下优点，因为充分利用摄像机的曝光参数与外在场景之间的关系，选择采用白昼检测算法或者夜晚检测算法，解决了原有监控系统无法自适应的缺点，有效地满足了全天候监控的需求，避免了复杂的场景判断，处理速度较高，能够满足实时性要求，提高跟踪效率，可用于实时条件下的目标跟踪，效率高，稳定性好，方便嵌入前端系统中，节省硬件成本。
如图3所示，为本发明实施例三中的白昼场景下车辆检测跟踪方法流程图，选择的检测算法为白昼检测算法，该方法包括以下步骤：
步骤301，根据采集的视频图像获取初始背景图像中每个像素点的灰度值，建立背景模型。
具体地，可以根据从采集到的若干帧视频图像得出初始背景图象中每个像素点灰度值。在建立背景模型的过程中，可以在场景没有运动目标的情况下获取背景图像，但是在实际应用中，大多数场景的监控，例如道路的监控，都很难保证视频场景中没有运动的车辆或物体出现，因此无法满足场景没有运动目标的要求，而需要采用一种能够在场景中存在运动目标的情况下获取背景图像的方法。
本发明实施例采用基于高斯统计模型的建模方法，在视频序列图像中，每个像素点的灰度值是符合高斯分布的，因此可以通过以下公式计算前n帧图像的(x，y)点的均值和均方差：
μn(x,y)=1-nnμn-1(x,y)+1nfn(x,y)---(3-1)]]>
σn2(x,y)=1n-1Σi=1n(fn(x,y)-μn-1(x,y))2---(3-2)]]>
其中，μn(x，y)和σn(x，y)分别表示前n帧图像的(x，y)点的均值和均方差。
进一步地，可以利用有限帧图像通过以下公式建立背景模型：
B0(x,y)=1mΣi=1mfik(x,y)---(3-3)]]>
其中，fik(x，y)满足|fik(x，y)-μn(x，y)|≤βσn(x，y)，β为预先设定的常量，帧数较多时，可设置为1。
步骤302，根据像素点的灰度值的改变更新背景模型。
具体地，随着光照强度等环境因素的改变，背景模型必须进行及时更新。本发明实施例采用以下更新策略，首先利用当前帧与前一帧进行帧差，当两帧相差后某像素点的灰度值大于某个阈值时，则判断该像素点为运动前景区域点；否则，则判断该像素点为背景区域点。
进一步地，对运动前景区域点进行保留，对背景区域点采用下面的公式进行更新：
Bk(x，y)＝αBk-1(x，y)+(1-α)fk(x，y) (3-4)
其中，Bk(x，y)为第k帧时刻的背景模型；α为更新速率，用于表示背景模型的更新快慢，且0≤α≤1。
步骤303，使用更新的背景模型对当前帧的视频图像进行背景差分，以检测目标车辆。
具体地，使用更新的背景模型Bk(x，y)对当前帧进行背景差分，大于某一阈值T的图像点即为运动目标的点，具体公式如下：
M(x,y)=1,|Bk-1(x,y)-fk(x,y)|>T0,,|Bk-1(x,y)-fk(x,y)|≤T---(3-5)]]>
其中，M为运动区域分割的二值图矩阵，M(x，y)＝1表示运动前景区域，M(x，y)＝0表示背景区域。
步骤304，对检测到的目标车辆进行跟踪。
具体地，可以利用目标车辆的颜色或边缘特征，采用Meanshift等跟踪方法对目标车辆进行跟踪。
需要说明的是，本发明方法可以根据实际需要对各个步骤顺序进行调整。
本发明实施例的技术方案具有以下优点，白昼检测算法算法充分利用视频序列图像中，每个像素点的灰度值符合高斯分布的特点进行高斯建模，然后进行前景提取，完成车辆的检测，方法简单实用，实时性好。
如图4所示，为本发明实施例四中的夜间场景下车辆检测跟踪方法流程图，选择的检测算法为夜间检测算法，该方法包括以下步骤：
步骤401，检测目标车辆的尾灯。
具体地，本发明实施例使用CCD彩色摄像机，获取的彩色图像中各种颜色是由RGB(Red Green Blue，红绿蓝)三基色构成的，由于夜间光线较暗，车体的颜色信息不能准确获得，但是红色车尾灯的颜色信息能够被摄像机准确地捕捉下来。根据三基色理论，通过分析车尾灯中R、G、B的各自的色彩分量，可以在夜间彩色图像中检测出车尾灯，并且将车尾灯、交通信号灯和路灯等其他光源区分开来。
由于道路上各种车辆的车尾灯数量不一样，因此，不能简单地通过将车尾灯数量除以2来统计车流量。通过对车尾灯进行连续的跟踪，得到车尾灯的运动信息，再结合同一辆车上车尾灯之间存在固定的位置关系等先验知识，可以对图像中的车尾灯进行匹配，将属于同一辆车的车尾灯归在一起，可以准确地统计出车流量。
在上述检测过程中，摄像机是朝着车辆驶离的方向拍摄，图像受车头强光和地面反光的影响很小，而且充分利用了颜色信息，不需要计算形态算子，减小了计算量，使得检测速度明显提高，能够满足实时性要求。
通过对夜间图像色彩直方图的分析可知，利用R、G、B三个色彩通道的对应点灰度值的特征，可以将车尾灯从夜间图像中分离出来。假设图像中像素i的颜色空间向量为{Ri，Gi，Bi}，则定义像素i的偏红水平ri为：
ri=Gi+Bi2Ri---(4-1)]]>
其中，ri越小，表明像素i越偏向红色，如果像素i属于车尾灯，则ri∈[0，1]。
虽然利用公式(4-1)可以精确地计算图像中每点的偏红水平，以判断该点是否属于车尾灯，但是运算量较大。实际应用中，只需考虑图像中某一区域的偏红水平，就可以确定车尾灯的位置，定义区域S的偏红水平rs为：
rs=Σi∈S(Gi+Bi)2Σi∈SRi---(4-2)]]>
利用公式(4-2)，对于可能的车尾灯区域，只需进行一次乘法和一次除法运算，显然比对图像中所有点都直接用使用公式(4-1)计算偏红水平的运算量小。
目标车辆的尾灯算法具体包括以下步骤：
A、检测夜间图像中每个像素的R通道，如果Ri≥RTh，则保留该像点颜色空间向量；否则，将该点颜色空间向量置为0。其中，I为原始图像为，RTh为R通道门限，经过处理，图像中将只剩下偏红色的光斑和白色。
B、使用公式(4-2)计算步骤A处理后的图像中光斑区域的偏红水平rS，如果rS≥rTh，则保留该像点颜色空间向量；否则，将该点颜色空间向量置为0。其中，rTh为颜色偏红的门限，经过处理，图像中仅剩下真正的车尾灯区域及其可能的倒影。
C、帧间车灯配对。
对于车辆尾灯而言，通常情况下，两侧尾灯在高度方向上的位置是一致的，两个尾灯过中心点连线与水平方向夹角应很小，理想状态是为0。此外，在水平方向两侧尾灯具有一定对称性的。基于以上分析，本发明实施例采用对称性测度方法作为判决依据，判断检测出的尾灯之间的纵坐标的聚合度，然后水平方向起，从左到右，俩俩配对，组合成为一个车辆目标并得到其中心位置{Cxi，Cyi}，i＝1，..，n。
步骤402，跟踪目标车辆的尾灯。
其中，运动目标的跟踪是一个复杂的过程，首先需要对新的运动目标进行初始化，得到运动目标的初始化运动参数，同时还要对已经初始化的运动目标在下一帧中搜索最佳匹配。由于将运动目标作为点来寻找匹配过于简化，容易造成许多错误的判断，因此，本发明实施例将运动区域用外接矩形来表示，相当于对外接矩形进行匹配跟踪，将运动目标符号化之后，使判断更加准确，结果更加可信。
本发明实施例使用最邻近似法对车辆序列进行关联跟踪，使用方便且需要已知的信息少。由于无法估计新出现的目标的运动参数，因此，直接根据该目标与前一帧目标链中的各个目标在空间上的邻近性以及大小的差异程度，在整个帧中找最佳的匹配，如果匹配程度超过一定的阈值，则将该匹配关系作为该运动矩形在下一帧中的延续，记录为相同的运动标号；否则，确认为新目标。同时，检测前一帧目标链中未得到匹配的目标，采用位置预测模块进行预测，如果超出图像边缘，视为目标消失；否则，进行预测，并将其写入当前帧的目标链中，并标志该参数为预测结果，如果连续三帧都属于预测结果，则判定为目标丢失。
步骤403，预测帧间的车灯位置。
具体地，由于高速车辆在设置的视野内出现的时间很短，相当于滤波器初始化需要的时间，因此，本发明实施例不采用传统的α-β滤波或者Kalman滤波。此外，由于车辆帧间移动最大范围Scale是容易估计的，假设视频帧率f为25，公路限速的上限maxV为144km/h，即40m/s，车辆最小车长L为2m，则
Scale<maxVf=1.6m<L---(4-3)]]>
由以上推论可知，下一帧车灯对位置必然在当前车灯对位置前向L距离，且在该距离内不会存在其他车辆的车灯。所以，对于车灯对的跟踪是简单易行的，只要将上述距离作为目标预测范围即可。另外，由于车辆必须在视频中至少存在三、四帧才能被算法检测到，公式(4-3)还给出了视野设置的最小长度。
需要说明的是，本发明方法可以根据实际需要对各个步骤顺序进行调整。
本发明实施例的技术方案具有以下优点，夜间检测算法充分利用车灯的颜色信息和运动信息，采用空间对称策略进行尾灯配对，识别出单个目标车辆；同时，为避免车辆尾灯遮挡的情况，引入位置预测的功能，有效避免目标丢失，解决了传统算法中计算形态学算子时耗时多和准确度不高的问题。
如图5所示，为本发明实施例五中的一种车辆检测跟踪装置结构示意图，包括：
采集模块510，用于采集车辆的视频图像，并对所述视频图像进行数字化处理和存储。
调节模块520，用于根据场景亮度的变化调节曝光参数。
具体地，上述调节模块520，具体用于在场景亮度大于预设的亮度门限时，减少曝光时间；在场景亮度小于预设的亮度门限时，增加曝光时间。
选择模块530，用于比较调节模块520调节后的曝光参数与预设的曝光门限之间的关系，并根据比较结果选择检测算法。
其中，上述检测算法包括白昼检测算法和夜间检测算法，上述选择模块530，具体用于在所述曝光参数大于预设的曝光门限时，选择夜间检测算法；在所述曝光参数小于预设的曝光门限时，选择白昼检测算法。
监控模块540，用于使用选择模块530选择的检测算法处理采集模块510存储的视频图像，对目标车辆进行检测和跟踪。
具体地，上述选择的检测算法为白昼检测算法时，上述监控模块540，具体用于根据所述采集的视频图像获取初始背景图像中每个像素点的灰度值，建立背景模型，并根据所述像素点的灰度值的改变更新所述背景模型；使用所述更新的背景模型对当前帧的视频图像进行背景差分，以检测目标车辆，并对检测到的目标车辆进行跟踪。
上述选择的检测算法为夜间检测算法时，上述监控模块540，具体用于检测并跟踪所述目标车辆的尾灯，预测帧间的车灯位置。
本发明实施例的技术方案具有以下优点，因为充分利用摄像机的曝光参数与外在场景之间的关系，选择采用白昼检测算法或者夜晚检测算法，解决了原有监控系统无法自适应的缺点，有效地满足了全天候监控的需求，避免了复杂的场景判断，处理速度较高，能够满足实时性要求，提高跟踪效率，可用于实时条件下的目标跟踪。同时，装置模块结构清晰，各部分分工明确，独立性强，提高了整体的稳定性和可靠性。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台终端设备(可以是手机，个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以集成于一体，也可以分离部署，可以合并为一个模块，也可以进一步拆分成多个子模块。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。