復雜場(chǎng)景下車(chē)輛跟蹤系統研究

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

0 引言

隨著(zhù)社會(huì )迅速發(fā)展私家車(chē)數量不斷增長(cháng)，頻發(fā)交通事故不僅帶來(lái)人身傷害和不良影響^[1]。因此，智能交通系統研究已得到越來(lái)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]，重要前提基礎就是實(shí)現車(chē)輛跟蹤監測^[5]，通過(guò)攝像頭采用圖像處理技術(shù)^[6]，獲得道路車(chē)輛行動(dòng)軌跡^[7]。

19 世紀中期瓦克斯首先提出運動(dòng)目標跟蹤，19 世紀60 年代Sittler 提出了目標軌跡概念并對瓦克斯提出的基礎理論進(jìn)行改進(jìn)和補充。10 年后，卡爾曼濾波在目標跟蹤領(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)典傳統算法^[10] 被相應提出。

近年來(lái)，隨著(zhù)機器學(xué)習不斷深入^[11-12]，TLD 算法因其可進(jìn)行長(cháng)時(shí)間的目標跟蹤而得到廣泛應用^[13-14]。2012 年的CSK 算法，改進(jìn)了訓練樣本集，一定程度上降低了算法運行所需的時(shí)間和資源，也提高了目標跟蹤的精準程度；2015 年利用方向梯度直方圖來(lái)代替單通道的灰度特征，進(jìn)一步提升運行效率和性能^[15]。此外，國內重點(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)等紛紛在手勢識別、人臉識別或姿態(tài)識別等領(lǐng)域取得了重大突破^[16-17]。針對不同的車(chē)輛具有不同的車(chē)輛特征，較為常見(jiàn)的車(chē)輛跟蹤算法^[18-20]有區域匹配跟蹤算法、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(chē)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雜有很多影響因素，車(chē)輛跟蹤要適應場(chǎng)景的變化，如光照條件變化；其他物體的干擾如陰影、來(lái)往人群、車(chē)輛在場(chǎng)景中的鏡面反射等；監控場(chǎng)景中的龐大的車(chē)輛數量、車(chē)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(chē)輛突然拐彎，車(chē)身被行人或路邊標志牌遮擋，太陽(yáng)光線(xiàn)在多云季節因為云層移動(dòng)而導致光照強度發(fā)生變動(dòng)等復雜場(chǎng)景下，則無(wú)法做到精確跟蹤車(chē)輛軌跡。為方便追蹤車(chē)輛行動(dòng)軌跡和車(chē)輛具體狀況，復雜場(chǎng)景下的車(chē)輛跟蹤系統一直是研究熱點(diǎn)和話(huà)題，本文針對復雜場(chǎng)景下車(chē)輛運動(dòng)展開(kāi)研究，針對目標車(chē)輛的跟蹤構造相應框架和模塊并設計算法流程。

1 復雜場(chǎng)景下的車(chē)輛跟蹤系統

1.1 系統整體框架

本系統整體框架如圖1所示，控制模塊是整個(gè)系統的核心部件，既包含相應的硬件設施也包含了實(shí)時(shí)算法和離線(xiàn)算法，實(shí)時(shí)算法通過(guò)圖像處理進(jìn)行，而離線(xiàn)算法通常使用數模轉換算法；具備數據采集、數據顯示、存儲歷史信息等功能?？刂颇K還可以通過(guò)手機、液晶顯示屏或LCD 等便攜終端實(shí)現信息的實(shí)時(shí)顯示，而歷史模塊則是通過(guò)專(zhuān)門(mén)的歷史記錄模塊進(jìn)行存儲。

圖1 系統整體框架圖

數據采集功能主要通過(guò)攝像頭和激光雷達捕捉目標車(chē)輛的行駛軌跡和實(shí)時(shí)位置來(lái)完成，之后再將數據傳遞給FPGA、單片機或Arduino平臺，利用可編程電子平臺對采集到的數據進(jìn)行處理。主要是車(chē)輛在行駛過(guò)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。激光雷達探測范圍廣，精度高，魯棒性好，利用高精地圖可實(shí)現自動(dòng)定位和目標跟蹤。

系統利用FPGA、單片機和Arduino進(jìn)行數據處理，并利用歷史模塊存儲數據信息。目標車(chē)輛的歷史信息包括運動(dòng)軌跡、車(chē)輛狀態(tài)、速度等均保存在歷史模塊中，該模塊可保持數據歷史信息的嚴密性、準確性和完整性。

顯示模塊是在數據采集處理后再進(jìn)行的，通常顯示平臺為L(cháng)CD 顯示屏。該系統通過(guò)顯示模塊可顯示目標車(chē)輛具體信息，可顯示由數據采集模塊被車(chē)輛遮擋的盲區圖像和目標車(chē)輛的行駛參數。對系統模塊的部分功能利用Proteus 進(jìn)行電路設計如圖2 所示。

圖2 電路設計圖

整個(gè)過(guò)程主要包括五個(gè)方面的計算：

1）狀態(tài)預測

   (1)

其中，X (k ?1| k ?1)是利用上一時(shí)刻所在狀態(tài)預測得到的最優(yōu)化結果，這一步實(shí)際是更新系統結構。

本系統算法流程如圖3 所示，通過(guò)算法估計進(jìn)一步預測目標車(chē)輛位置進(jìn)行跟蹤，可在測量方差已知的情況下去估計運動(dòng)目標的狀態(tài)。首先利用幀差法提取采集目標即目標車(chē)輛并利用Grabcut算法進(jìn)行圖像分割，然后提取采集車(chē)輛中的SIFT 特征并建立特征庫，初始化檢測車(chē)輛的均值和協(xié)方差存儲矩陣。建立特征庫后進(jìn)行匹配排列再通過(guò)聚類(lèi)估計某時(shí)刻的序列樣本點(diǎn)，一方面通過(guò)狀態(tài)方程得到下一時(shí)刻的樣本點(diǎn)并依次計算出均值和協(xié)方差，另一方面計算量測方程的協(xié)方差矩陣并依次計算濾波增益、狀態(tài)向量估計值、狀態(tài)向量的方差，然后輸出狀態(tài)估計值。對兩個(gè)方向的測量值、預測值、歷史數據值進(jìn)行處理，最后通過(guò)比較差值比例選擇合適的輸出值。

圖3 系統算法流程圖

目標車(chē)輛在行駛過(guò)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，則對當前所在幀和下一幀的圖像進(jìn)行差分運算，提取目標車(chē)輛所有數據信息，其流程如圖 4 所示。算法按過(guò)程分為圖像初始化的過(guò)程和迭代的過(guò)程。此算法在系統中利用Grabcut切割算法對采集對象的像素點(diǎn)即目標車(chē)輛進(jìn)行圖像分割。系統初始化圖像分割完成后，進(jìn)入迭代分割區，系統對迭代區域中未知分割像素點(diǎn)的能量值進(jìn)行重新分配。

圖4 幀差法提取采集對象

首先對目標車(chē)輛的SIFT特征進(jìn)行提取并建立特征庫，然后匹配排列特征庫，再進(jìn)行聚類(lèi)估計序列樣本點(diǎn)。針對兩個(gè)時(shí)刻對目標車(chē)輛跟蹤進(jìn)行比較選擇。首先，計算m時(shí)刻樣本點(diǎn)的量測方程的協(xié)方差矩陣、狀態(tài)向量和量測向量的協(xié)方差矩陣、濾波增益、狀態(tài)向量估計值和狀態(tài)向量的方差。再者通過(guò)初始化目標車(chē)輛存儲歷史數據和協(xié)方差矩陣，得到并計算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)刻得到的測量值、預測值和歷史數據值，對預測值、歷史數據值、測量值三者之間的差值進(jìn)行比例分析。若差值比例高，輸出測量值和歷史值；若差值比例不高，則輸出測量值和預測值。

2 結束語(yǔ)

本文主要研究了復雜環(huán)境下如何對車(chē)輛進(jìn)行跟蹤和檢測，本文首先對國內外研究現狀做出了大量研究，分析了實(shí)現車(chē)輛跟蹤檢測的研究意義，然后介紹了車(chē)輛跟蹤中常用的一些算法，并在此基礎上針對車(chē)輛跟蹤中的難點(diǎn)進(jìn)行相應的算法改進(jìn)。針對車(chē)輛在跟蹤過(guò)程中容易發(fā)生“姿態(tài)變化”導致跟蹤難以實(shí)現，本文引入SIFT算法提取目標特征點(diǎn)，為保證SIFT 所提取的興趣點(diǎn)位于圖片前景，利用Grabcut 算法對圖片進(jìn)行背景分離處理，此外加入BIRCH 算法實(shí)現目標車(chē)輛的聚類(lèi)估計。本課題后續研究的內容將準備在如下方面繼續深入研究，一是在使用SIFT 算法提取目標特征點(diǎn)的基礎上，進(jìn)一步引入車(chē)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(lèi)攝像頭實(shí)現車(chē)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：

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

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

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

[4] 宋國浩. 基于機器視覺(jué)的智能車(chē)輛跟蹤方法研究與應用[D]. 太原:中北大學(xué), 2017.

[5] 施毅等. 基于時(shí)空馬爾可夫隨機場(chǎng)模型的車(chē)輛跟蹤算法研究[J].土木工程學(xué)報, 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(chē)輛跟蹤算法[J]. 系統仿真學(xué)報, 2007, 19(7): 1519-1522.

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

[8] 袁基煒, 史忠科. 一種基于灰色預測模型GM(1,1)的運動(dòng)車(chē)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(chē)輛跟蹤算法研究[D].濟南:山東師范大學(xué), 2018.

[10] 顧鵬笠. 基于機器學(xué)習的車(chē)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)習的車(chē)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)習的農業(yè)車(chē)輛路徑跟蹤控制[J]. 自動(dòng)化學(xué)報, 2014, 40(02): 368-372.

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

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

[15] 權義萍,等. 基于Mean-Shift的卡爾曼粒子濾波車(chē)輛跟蹤算法研究[J]. 計算機應用與軟件, 2014(9): 236-239,252.

[16] 李文輝, 陳昱昊, 王瑩. 自適應的免疫粒子濾波車(chē)輛跟蹤算法[J]. 吉林大學(xué)學(xué)報（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車(chē)輛的跟蹤研究[J]. 電子世界, 2013(3): 1-2.

[18] 李娟. 基于數據融合的危險駕駛行為識別與車(chē)輛跟蹤算法研究[D]. 武漢:武漢工程大學(xué), 2017.

[19] 紀筱鵬, 魏志強. 基于輪廓特征及擴展Kalman濾波的車(chē)輛跟蹤方法研究[J]. 中國圖象圖形學(xué)報A, 2011, 16(2): 267-272.

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

[21] 楊敏,等. 一種基于運動(dòng)目標檢測的視覺(jué)車(chē)輛跟蹤方法[J]. 北京理工大學(xué)學(xué)報, 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(lái)源于《電子產(chǎn)品世界》雜志2023年7月期）