基於信息融合的交通波實時檢測與跟蹤方法
2023-09-19 06:41:20
基於信息融合的交通波實時檢測與跟蹤方法
【專利摘要】本方法涉及一種基於信息融合的交通波實時檢測與跟蹤方法。首先獲取交通視頻圖像，然後採用Kalman濾波技術，根據前一時刻交通波狀態最優估計值獲取當前時刻的交通波狀態預測值；然後得到當前時刻交通波位置測量值，在相向攝像機之間的可視區域內，每臺攝像機採用融合Adaboost分類器的複式伸縮窗算法；在相背攝像機之間的盲區內，基於特徵點跟蹤法及交通波估計法進行估計；最後，採用加權平均一致性信息融合算法獲得當前時刻交通波狀態最優估計值，為下一時刻交通波狀態預測做準備，在此過程中通過引入各攝像機測量噪聲權重，並動態調整各攝像機檢測結果可信度來提高交通波定位精度。
【專利說明】基於信息融合的交通波實時檢測與跟蹤方法
【技術領域】
[0001]本發明屬於機器視覺與智能控制領域，具體涉及一種利用計算機技術、圖像處理技術、機器學習技術和模式識別技術等對交通視頻監控目標進行檢測的發明。
【背景技術】
[0002]交叉口路段上車輛排隊與消散過程會產生停車波與啟動波這兩種交通波，停車波為在信號交叉口處紅燈亮時，車輛在停車線前依次停車排隊，隊尾位置從停車線開始逐步向後移動，形成與車流運動方向相反的波。啟動波為綠燈亮後，隊頭車輛開始啟動，隊頭位置從停車線開始逐步向後移動，形成與車流運動相反的波。準確而實時跟蹤包括早晚尖峰時段內的交通波有利於效計算車道排隊長度和停車延誤等交通參數，對進一步優化信號配時方案以緩解交通擁擠具有重要的意義。以往的基於單臺攝像機來檢測和跟蹤排隊車輛的隊尾和隊頭位置來獲取交通參數的方法存在一些固有缺陷，由於攝像機架設高度有限以及車輛本身的高度會使車輛圖像反投影到道路平面上時出現失真。車輛偏離攝像機中心軸程度越大，其檢測結果誤差越大。目標離攝像機越遠，獲得的視頻圖像信息質量越差。同時由於交叉口停車線後車輛相互遮擋嚴重，使得檢測到的隊尾或隊頭實際位置誤差會隨著排隊車輛的增加而增大。雖然衛星遙感圖像檢測車輛排隊可以有效解決車輛遮擋問題，但是由於衛星圖像中每輛車所佔像素很少並且車輛邊緣信息比較模糊，用該方法檢測出來的車輛排隊長度也不準確，且實時性受到衛星遙感數據採集和傳輸的限制。提高車輛隊頭和隊尾跟蹤精度的方法之一是採用高空垂直拍攝，但在實現上存在困難。另外，通過架設在高位置處攝像機跟蹤每輛車的運行軌跡來識別交通波和估計排隊長度的檢測方法也存在一些缺陷，當周圍環境光線比較暗時，很難跟蹤每輛車的運行軌跡，並且攝像機架設高度在許多交通路口也會受到限制。另一種方法是在路段上架設多臺低視角的攝像機，從而構成視頻網絡，並在此基礎上進行信息融合，既可達到路段全覆蓋監視，又可克服攝像機架設高度限制產生的問題，但由於該方法中決策層是最高層次的融合，並且兩攝像機之間沒有協作，通過兩攝像機分別檢測的隊尾消散點無法達成一致，同時各個攝像機對隊尾或者隊頭位置的檢測精度下降也會影響最終的融合結果。
【發明內容】
[0003]為了使對交通波的跟蹤具有更高的精度和魯棒性，克服現有交通波檢測與跟蹤精度低、魯棒性差及視頻網絡決策層融合的缺點，本發明在單視頻交通波檢測基礎上提出基於視頻網絡加權一致性信息融合的交通波(主要包括停車波或啟動波)實時跟蹤方法，從而使任何一臺分布式攝像機都可以對本視野範圍以內及視野範圍以外的交通波進行實時魯棒檢測與跟蹤，對進一步優化交通信號配時方案提供決策依據。具體內容如下:
[0004]一種基於信息融合的交通波實時檢測與跟蹤方法，基於分布式攝像機網絡，所述的分布式攝像機網絡是由一系列按一定方式通信相連的攝像機組成，分布式網絡共η臺攝像機，從道路交叉口開始依次從I到η編號。每兩臺相鄰的攝像機間存在相向關係或相背關係，具有相向關係的兩個攝像機為視野範圍存在重置區域的相向攝像機對，具有相背關係的兩個攝像機為架設在同一位置的視野範圍沒有重疊的相背攝像機對，即二者間存在盲區；每臺攝像機採用I臺計算機作為處理單元，具有獨立運算功能。Ni表示可向攝像機i傳遞信息的攝像機編號集合，當i=l時，&=2，當l〈i〈n時,Ni=U-1, i+Ι},當i=n時,Nn= {n_l}。基於信息融合的交通波實時檢測與跟蹤方法其特徵在於包括以下步驟:
[0005]I)分布式攝像機網絡中的所有攝像機同時拍攝交通視頻；
[0006]2)每臺攝像機採用Kalman濾波預測得到t時刻各自跟蹤到的交通波的狀態預測值以及對應的信息矩陣，計算公式如下，其中，所述的交通波狀態是由交通波的位置與波速構成的向量，
【權利要求】
1.基於信息融合的交通波實時檢測與跟蹤方法，基於分布式攝像機網絡，所述的分布式攝像機網絡是由一系列按一定方式通信相連的攝像機組成，分布式網絡共有η臺攝像機，從道路交叉口開始依次從I到η編號；每兩臺相鄰的攝像機間存在相向關係或相背關係，具有相向關係的兩臺攝像機為視野範圍存在重疊區域的相向攝像機對，具有相背關係的兩個攝像機為架設在同一位置的視野範圍沒有重疊的相背攝像機對，即二者間存在盲區；每臺攝像機採用I臺計算機作為處理單元，具有獨立運算功能；隊表示可向攝像機i傳遞信息的攝像機編號集合，當i=l時，&=2，當l〈i〈n時,Ni=U-1, i+Ι},當i=n時,Nn= {n_l}，其特徵在於包括以下步驟: 1)分布式攝像機網絡中的所有攝像機冋時拍攝交通視頻； 2)每臺攝像機採用Kalman濾波預測得到t時刻各自跟蹤到的交通波狀態預測值以及對應的預測信息矩陣，計算公式如下，其中，所述的交通波包括停車波或啟動波，交通波狀態是由交通波的位置與波速構成的向量， 其中，場為第i臺攝像機採用Kalman濾波預測得到的t時刻的交通波狀態預測值， W,{t)為第i臺攝像機在t時刻計算得到的預測信息矩陣，為第i臺攝像機計算得到的t-ι時刻的交通波狀態最優估計值， 命(I)為第i臺攝像機計算得到的t-Ι時刻的最優信息矩陣， Φ= O I為狀態轉換矩陣， Q為狀態轉換噪聲的協方差矩陣； 3)計算每臺攝像機t時刻的交通波位置測量值Zi(t)，具體為: 當第i臺攝像機預測得到的t時刻的交通波狀態預測值無⑴在該攝像機可視區域內時，則採用融合Adaboost分類器的複式伸縮窗算法獲取攝像機i在可視範圍內在t時刻的交通波位置測量值Zi (t)； 當第i臺攝像機在t時刻預測得到的交通波狀態預測值巧⑴在第i臺攝像機所屬的相背攝像機對形成的盲區內時，根據Adaboost分類器檢測出的車輛頭部和尾部候選區域內的特徵點，對特徵點進行分組，將時空特性相同的特徵點分在一組，並對相同組內特徵點進行三角剖分形成網格圖，採用特徵點跟蹤方法對車輛進行跟蹤，計算感興趣車輛進入與駛出盲區的速度變化，進而根據交通波估計法估計盲區內t時刻的交通波位置測量值Zi (t)； .4)採用加權平均一致性信息融合方法，通過迭代得到t時刻的交通波狀態最優估計值 和最優信息矩陣旁⑴，具體如下: .4.1)計算攝像機t時刻檢測結果可信度a(t)，在分布式網絡中，第奇數(2m+l)臺攝像機為其視野範圍內面對車輛頭部的攝像機，第偶數(2m+2)臺為其視野範圍內面對車輛尾部的攝像機，t時刻面對車輛頭部的攝像機檢測結果可信度為a2m+1 (t),面對車輛尾部的攝像機檢測結果可信度為a2m+2 (t)，m從O開始取值；在初始時刻將所有攝像機檢測結果可信度設為預設值I，如果根據權利要求步驟3)中通過某臺攝像機無法獲取初始時刻停車波位置測量值，則將這臺攝像機的檢測結果可信度設為O ;動態調整攝像機檢測結果可信度過程中，只調節視野範圍內面對車輛尾部的攝像機檢測結果可信度a2m+2(t)，包含以下步驟:第一步，提取第2m+2臺攝像機視野範圍內隊尾靜止車輛不被後面的車輛遮擋時該車尾部的特徵點網格圖及停車波位置測量值； 第二步，比較當前時刻車輛尾部特徵點網格圖結構與未發生遮擋時特徵點網格圖結構是否相同，判斷是否有新車加入隊尾，以調整第2m+2臺攝像機t時刻的檢測結果可信度a2m+2(t)，判斷過程分以下兩種情況: 第I種情況:特徵點網格圖的結構未發生變化，說明沒有新車加入隊尾，調整方法分以下幾步: 第一步，設可信度a2ni+2(t)的調整範圍為[1，10]，調節步長用I表示； 第二步，判斷t時刻停車波位置測量值相對於t-Ι時刻停車波位置測量值的移動方向與t-Ι時刻停車波狀態最優估計值相對於t-2時刻停車波狀態最優估計值的移動方向是否相同；相同，則減小a2m+2(t)，調節步長大於0，小於0.5 ;不相同則增大a2m+2(t)，調節步長大於0，小於0.5; 第2種情況:特徵點網格圖的結構發生變化，說明有新車即將加入隊尾，並對原來隊尾靜止車輛產生遮擋，調整方法分以下幾步: 第一步，設可信度a2ni+2(t)的調整範圍為[0.1, I],調節步長用I表示； 第二步，判斷當前停車波位置測量值是否比未發生遮擋時停車波位置測量值減小，是則減小a2m+2 (t),調節步長大於O,小於0.1 ;否則增大a2m+2 (t),調節步長大於O,小於0.1 ； `4.2)初始化一致性信息向量4(0和一致性信息矩陣<(O，計算公式如下:
【文檔編號】G06K9/62GK103440499SQ201310389154
【公開日】2013年12月11日 申請日期:2013年8月30日 優先權日:2013年8月30日
【發明者】張媛, 楊德亮, 陳陽舟, 辛樂 申請人:北京工業大學