車輛追蹤方法和裝置與流程

2023-12-10 02:40:26

本發明涉及車輛安全技術領域，特別是涉及一種車輛追蹤方法和裝置。

背景技術：

目前在基於計算機視覺的車輛識別領域，一般需要檢測到車輛，然後對檢測到的車輛持續追蹤，直至離開視野。實現流程如圖1所示，先進行車輛檢測，然後基於檢測到的初始車輛不斷進行車輛追蹤，如果車輛追蹤失敗，則結束車輛追蹤。

目前的一種車輛追蹤方法，在檢測到車輛後將檢測結果作為初始車輛進行追蹤，後續追蹤過程脫離檢測結果的監督。然而目前的車輛追蹤方法雖然計算量小能夠達到實時性的要求，但長時間的追蹤會導致追蹤的車輛位置與車輛的實際位置逐漸發生偏離，追蹤的準確性較差。

技術實現要素：

基於此，有必要針對目前的車輛追蹤方法實時性差的問題，提供了一種車輛追蹤方法和裝置。

一種車輛追蹤方法，所述方法包括：

在視頻圖像序列中實時追蹤車輛圖像；

定期從所述視頻圖像序列中當前的視頻圖像中檢測出車輛圖像；

獲取當前追蹤的車輛圖像；

根據當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像進行校驗；

當校驗成功時，將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合以修正當前追蹤的車輛圖像。

一種車輛追蹤裝置，所述裝置包括：

追蹤模塊，用於在視頻圖像序列中實時追蹤車輛圖像；

定期檢測模塊，用於定期從所述視頻圖像序列中當前的視頻圖像中檢測出車輛圖像；

獲取模塊，用於獲取當前追蹤的車輛圖像；

校驗模塊，用於根據當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像進行校驗；

修正模塊，用於當校驗成功時，將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合以修正當前追蹤的車輛圖像。

上述車輛追蹤方法和裝置，在視頻圖像序列中實時追蹤車輛圖像，並且定期進行車輛檢測以檢測出相應的車輛圖像，通過將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合來修正當前追蹤的車輛圖像，這樣通過定期修正的方式可以保證車輛追蹤的實時性和準確性。而且在修正前先根據當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像進行校驗，從而根據校驗結果來修正當前追蹤的車輛圖像，可以進一步保證車輛追蹤的準確性。

附圖說明

圖1為目前車輛追蹤方法的流程示意圖；

圖2為一個實施例中車輛追蹤系統的組成示意圖；

圖3為一個實施例中計算機的內部結構示意圖；

圖4為一個實施例中車輛追蹤方法的流程示意圖；

圖5為一個實施例中計算光流的示意圖；

圖6為一個實施例中獲取當前追蹤的車輛圖像的哈希值序列的步驟的流程示意圖；

圖7為一個實施例中獲取當前追蹤的車輛圖像的哈希值序列過程的示意圖；

圖8為另一個實施例中車輛追蹤方法的流程示意圖；

圖9A為一個實施例中計算當前檢測到的車輛圖像與當前追蹤的車輛圖像的重疊度的示意圖；

圖9B為另一個實施例中計算當前檢測到的車輛圖像與當前追蹤的車輛圖像 的重疊度的示意圖；

圖10為一個實施例中車輛追蹤裝置的結構框圖；

圖11為另一個實施例中車輛追蹤裝置的結構框圖；

圖12為一個實施例中獲取模塊的結構框圖。

具體實施方式

為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，並不用於限定本發明。

如圖2所示，在一個實施例中，提供了一種車輛追蹤系統，包括相連接的計算機202和攝像機204。其中攝像機204用於採集圖像獲得視頻流並傳輸給計算機202，計算機202用於根據視頻流進行車輛追蹤。計算機202可以是獨立的物理計算機，也可以是多個物理計算機的集群。

如圖3所示，在一個實施例中，計算機202包括通過系統總線連接的處理器、非易失性存儲介質、內存儲器和視頻接口。其中處理器具有計算功能和控制計算機202工作的功能，該處理器被配置為執行一種車輛追蹤方法。非易失性存儲介質包括磁存儲介質、光存儲介質和快閃記憶體式存儲介質中的至少一種。非易失性存儲介質存儲有作業系統和車輛追蹤裝置，車輛追蹤裝置用於實現一種車輛追蹤方法。內存儲器用於為作業系統和車輛追蹤裝置的運行提供高速緩存。視頻接口用於接收攝像機204傳輸的視頻流。

如圖4所示，在一個實施例中，提供了一種車輛追蹤方法，本實施例以該方法應用於上述圖2和圖3中的計算機202來舉例說明。該方法具體包括如下步驟：

步驟402，在視頻圖像序列中實時追蹤車輛圖像。

車輛可以是汽車或者人力車，汽車包括電動汽車和燃料動力汽車。計算機202在視頻圖像序列中實時追蹤車輛圖像，可使得追蹤到視頻圖像序列中各視頻圖像中的車輛圖像與視頻圖像序列的幀率匹配。計算機202可以通過背景差分算法或者幀間差分算法在視頻圖像序列中實時追蹤車輛圖像。

其中背景差分算法通過將視頻圖像序列中當前的視頻圖像與背景圖像做差分運算從而獲得追蹤的車輛圖像。建立背景圖像時，可以採用中值法背景建模，具體可以取視頻圖像序列中一段時間內連續的N個視頻圖像，把這N個視頻圖像對應位置的像素點灰度值按升序或降序排列，然後取位於中間的灰度值作為背景圖像中相應像素點的灰度值。

其中幀間差分算法通過對視頻圖像序列中相鄰幀做差分運算，利用視頻圖像序列中相鄰幀的強相關性進行變化檢測，從而檢測出運動車輛。幀間差分算法通過直接比較相鄰幀的視頻圖像對應像素點的灰度值的不同，然後通過選取閾值來提取視頻圖像序列中的車輛運動區域，從而獲得追蹤的車輛圖像。

步驟404，定期從視頻圖像序列中當前的視頻圖像中檢測出車輛圖像。

具體地，定期是指每隔預設時間間隔或者每到預設時間點，預設時間間隔比如1至5秒，尤其可選2秒。視頻圖像序列中當前的視頻圖像，是指視頻圖像序列中在定期執行檢測車輛圖像的動作的當時的視頻圖像。檢測某圖像中的車輛圖像所花費的時間一般要多於追蹤該圖像中的車輛圖像所花費的時間。

在一個實施例中，步驟404包括：定期利用經過車輛圖像樣本和非車輛圖像樣本訓練的分類器從視頻圖像序列中當前的視頻圖像中檢測出車輛圖像。這裡通過模式識別從視頻圖像中檢測出初始的車輛圖像。模式識別是指對表徵事物或現象的各種形式的(數值的、文字的和邏輯關係的)信息進行處理和分析，以對事物或現象進行描述、辨認和分類的過程。

具體地，計算機202可以將視頻圖像序列中當前的視頻圖像劃分為多個窗口圖像，利用經過車輛圖像樣本和非車輛圖像樣本訓練的分類器對每個窗口圖像進行分類，找到判別為屬於車輛圖像樣本一類的窗口圖像以確定車輛圖像。

在一個實施例中，計算機202可以對視頻圖像序列中當前的視頻圖像提取特徵後再劃分為多個窗口圖像，然後利用上述分類器對每個窗口圖像進行分類。

在一個實施例中，可將視頻圖像序列中當前的視頻圖像劃分為多個窗口圖像後，對每個窗口圖像提取特徵後再利用上述分類器對每個窗口圖像進行分類。

其中提取的特徵可以是HOG(Histogram of Oriented Gradient，方向梯度直方圖)、SIFT(Scale-Invariant Feature Transform，尺度不變特徵轉換)或者SURF (Speeded Up Robost Features，加速穩健特徵)等。分類器可以採用SVM(Support Vector Machine，支持向量機)分類器、級聯分類器(如Adaboost分類器)或者人工神經網絡分類器等。

在一個實施例中，在將視頻圖像序列中當前的視頻圖像劃分窗口圖像時，可以使用預設尺寸的窗口劃分出相同尺寸的窗口圖像，然後對窗口圖像進行分類，將判定為屬於車輛圖像樣本一類的並且相鄰的窗口圖像組成車輛圖像。

在一個實施例中，在將視頻圖像序列中當前的視頻圖像劃分窗口圖像時，可以使用多個尺度的窗口劃分出不同尺度的窗口圖像，然後對這些窗口圖像進行模式識別後，將判定為屬於車輛圖像樣本一類的窗口圖像作為車輛圖像。若判定存在多個屬於車輛圖像樣本一類的窗口圖像且存在重疊，則將重疊的多個窗口圖像融合後作為車輛圖像。融合窗口圖像可採用計算融合的窗口圖像的位置的平均值或者加權平均值。

步驟406，獲取當前追蹤的車輛圖像。

具體地，當前追蹤的車輛圖像是指在定期執行檢測車輛圖像的動作的當時從視頻圖像序列中追蹤到的車輛圖像。

步驟408，根據當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像進行校驗。若校驗成功，則執行步驟410；若校驗失敗，則執行步驟412。

具體地，這裡進行校驗具體是進行一致性校驗，一致性校驗並不要求當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像完全一致，而是將兩者差距控制在合理範圍內。定期檢測車輛圖像也就是周期性地檢測車輛圖像，前次定期檢測時追蹤到的車輛圖像，是指在周期性地檢測車輛圖像的過程中，相對於本周期的前一周期檢測車輛圖像時追蹤到的車輛圖像。

具體在校驗時可計算當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像的相似度，若相似度大於等於預設相似度則校驗成功；若相似度小於預設相似度則校驗失敗。如果前次定期檢測時追蹤到的車輛圖像經過修正，則前次定期檢測時追蹤到的車輛圖像指的就是經過修正的車輛圖像。

在一個實施例中，步驟408包括：獲取當前追蹤的車輛圖像的哈希值序列；根據前次定期檢測時追蹤到的車輛圖像的哈希值序列和獲取的哈希值序列進行 校驗。

車輛圖像的哈希值序列也可以稱為該車輛圖像的指紋，是對該車輛圖像進行哈希運算所獲得的固定長度的二進位數值序列。具體地，預先存儲前次定期檢測時追蹤到的車輛圖像的哈希值序列，在獲取到當前追蹤的車輛圖像的哈希值序列後，將獲取的哈希值序列與前次定期檢測時追蹤到的車輛圖像的哈希值序列比較以實現校驗。其中前次定期檢測時追蹤到的車輛圖像的哈希值序列初始時可根據初始的車輛圖像生成，並在後續過程中根據追蹤的車輛圖像更新前次定期檢測時追蹤到的車輛圖像的哈希值序列。

在一個實施例中，步驟408包括：比較獲取的哈希值序列與前次定期檢測時追蹤到的車輛圖像的哈希值序列是否相同；若相同則校驗成功，若不相同則校驗失敗。

在一個實施例中，步驟408包括：比較獲取的哈希值序列與前次定期檢測時追蹤到的車輛圖像的哈希值序列中相應位置處不相同的數值數量是否小於等於預設數量閾值；若是，則校驗成功；若否，則校驗失敗。比如假設獲取的哈希值序列為10011000，前次定期檢測時追蹤到的車輛圖像的哈希值序列為10111011，且預設數量閾值為2；由於獲取的哈希值序列與前次定期檢測時追蹤到的車輛圖像的哈希值序列中相應位置第3、7和8位數值不同，不相同的數值數量為3大於2，則校驗失敗。

本實施例中，通過對獲取的哈希值序列進行校驗，首次將感知哈希值應用車輛追蹤領域，可以快速確定當前追蹤的車輛圖像是否有效。若校驗成功，說明當前追蹤的車輛圖像是有效的，即使有偏差也在可以修正的範圍內。

步驟410，將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合以修正當前追蹤的車輛圖像。

進一步地，將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合來進行修正，將融合後的車輛圖像作為修正的當前追蹤的車輛圖像。修正車輛圖像後，根據修正的車輛圖像來繼續在上述視頻圖像之後的視頻圖像序列中實時追蹤車輛圖像。將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合，是指將當前檢測到的車輛圖像的部分或全部信息，與當前追蹤的車輛圖像的部分或全部信息 進行結合。

其中將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合，具體可以計算當前檢測到的車輛圖像的位置與當前追蹤的車輛圖像的位置的中間值，從而將該中間值位置的圖像作為融合後的圖像。或者可以計算當前檢測到的車輛圖像的位置與當前追蹤的車輛圖像的位置的加權平均值，從而將該加權平均值位置的圖像作為融合後的圖像，且計算加權平均值時當前檢測到的車輛圖像的權重可大於當前追蹤的車輛圖像的權重。

在一個實施例中，步驟408包括：獲取當前追蹤的車輛圖像的哈希值序列；根據前次定期檢測時追蹤到的車輛圖像的哈希值序列和獲取的哈希值序列進行校驗。該方法還包括：當校驗成功時，根據修正的車輛圖像更新前次定期檢測時追蹤到的車輛圖像的哈希值序列。

根據修正的車輛圖像更新前次定期檢測時追蹤到的車輛圖像的哈希值序列，具體將根據修正的車輛圖像生成的哈希值序列作為前次定期檢測時追蹤到的車輛圖像的哈希值序列，這樣下次在進行校驗時使用的就是該根據修正的車輛圖像更新的前次定期檢測時追蹤到的車輛圖像的哈希值序列。且根據修正的車輛圖像生成哈希值的方式與步驟406中當前追蹤的車輛圖像的哈希值序列的生成方式是相同的。通過更新前次定期檢測時追蹤到的車輛圖像的哈希值序列可以使得後續追蹤過程中的指紋校驗更加準確。

步驟412，結束車輛追蹤。

具體地，若對獲取的哈希值序列的校驗失敗，說明當前追蹤的車輛圖像已經不是真實車輛的圖像，或者與真實車輛的圖像偏差太大，則可以直接結束車輛追蹤。結束車輛追蹤後可以繼續執行上述步驟402來重新發起追蹤。

上述車輛追蹤方法，可適用於持續的車輛追蹤，在視頻圖像序列中實時追蹤車輛圖像，並且定期進行車輛檢測以檢測出相應的車輛圖像，通過將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合來修正當前追蹤的車輛圖像，這樣通過定期修正的方式可以保證車輛追蹤的實時性和準確性。而且在修正前先根據當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像進行校驗，從而根據校驗結果來修正當前追蹤的車輛圖像，可以進一步保證車輛追蹤的準確性。

在一個實施例中，在步驟402之前，還包括：從指定視頻圖像中檢測出初始的車輛圖像；根據初始的車輛圖像生成哈希值序列作為前次定期檢測時追蹤到的車輛圖像的哈希值序列；且步驟402包括：根據初始的車輛圖像，在指定視頻圖像之後的視頻圖像序列中實時追蹤車輛圖像。

具體地，指定視頻圖像在視頻圖像序列之前，該指定視頻圖像可以是視頻流中的任意視頻圖像。從該指定視頻圖像中檢測出的初始的車輛圖像將用來指導後續在該指定視頻圖像之後的視頻圖像序列中所實時進行的車輛圖像的追蹤。根據初始的車輛圖像生成的哈希值序列用來對後續車輛圖像的追蹤過程中當前追蹤的車輛圖像的哈希值序列進行校驗。

在一個實施例中，從指定視頻圖像中檢測出初始的車輛圖像包括：利用經過車輛圖像樣本和非車輛圖像樣本訓練的分類器從指定視頻圖像中檢測出初始的車輛圖像。具體可以參照上述步驟402的詳細描述，這裡不再贅述。

本實施例適用於啟動車輛追蹤並持續進行車輛追蹤的情形，具體先利用車輛檢測的技術從視頻圖像中檢測出初始的車輛圖像進而根據該初始的車輛圖像來實時追蹤車輛圖像，並且定期進行車輛檢測來修正追蹤的車輛圖像，保證了車輛追蹤的實時性和準確性。

在一個實施例中，步驟402包括：通過光流算法在視頻圖像序列中實時追蹤車輛圖像。

具體地，光流可以體現時變圖像中車輛運動的速度，光流是一種二維瞬時速度場，光流的二維速度矢量是可見的三維速度矢量在成像平面上的投影。為圖像中的每一個像素點賦予一個速度矢量，這就形成了一個圖像運動場。在車輛運動的一個特定時刻，圖像上的點與三維車輛上的點一一對應，這種對應關係可由投影關係得到。

根據各個像素點的速度矢量特徵，可以對圖像進行動態分析。如果圖像中沒有運動車輛，則光流矢量在整個圖像區域是連續變化的，當車輛和背景存在相對運動時，運動車輛所形成的速度矢量的大小和方向必然與車輛鄰域的背景速度矢量不同，從而可以據此檢測出運動車輛的位置和形狀。對於背景與車輛均運動的情形，也可以利用光流很好地區分前進的車輛和後退的背景，得到車 輛和背景各自的三維運動信息。

光流的計算基於目標移動的光學特性的兩個假設：(1)，運動目標的灰度在很短的間隔時間內保持不變；(2)，目標鄰域內的速度向量場變化是緩慢的。對在同一個運動目標上，可以認為它有剛體特性，同一目標每個像素任意時刻的運動速度的大小和方向是一致的，根據這個特性可以檢測出目標的形狀。

在車輛追蹤應用場景，幀率為30FPS(Frames Per Second，每秒傳輸幀數)，且本車與前車均在運動中，相對運動速度較小，相鄰幀之間位移變化小、亮度變化小，完全符合光流算法的假設。所以，可以採用光流算法找到車輛在圖像中的光流場，從而實現對車輛的追蹤。

參照圖5，假定時刻t處一像素點的坐標為(x，y)，x和y分別為該像素點的橫坐標和縱坐標，該像素點由於目標的運動在t+dt時刻出現在圖像坐標的(x+dx，y+dy)，在t時刻該像素的灰度值為I(x，y，t)，在t+dt時刻的灰度值為I(x+dx，y+dy，t+dt)。dx、dy和dt中的d表示求導數，dt很小，根據假設認為此像素點在移動過程中像素灰度值不變，即像素點的光流可用以下公式(2)表示：

I(x+dx，y+dy，t+dt)＝I(x，y，t) 公式(1)

將公式(1)好用泰勒級數展開，可得到以下公式(2)：

公式(2)

表示求偏微分，令則公式(2)變形為公式(3)：

Ixdx+Iydy+Itdt＝0 公式(3)

假設被追蹤像素點的速度向量為：令則有：

公式(4)

根據上面的假設，在一個小鄰域內，亮度是恆定的，則有：

公式(5)

令則有：

公式(6)

在車輛的追蹤過程中，通過對追蹤的像素點鄰域內的像素點的迭代，使得最小，就可以計算出光流這裡可以採用最小二乘法求解。

利用光流算法追蹤車輛具有速度快，在短時間內的追蹤效果好等特點，但長時間追蹤會發生偏差，需要定期檢測車輛圖像，並將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合來修正當前追蹤的車輛圖像。定期檢測時每隔2秒進行一次車輛檢測效果較佳。

如圖6所示，在一個實施例中，獲取當前追蹤的車輛圖像的哈希值序列的步驟具體包括如下步驟：

步驟602，將當前追蹤的車輛圖像調整為預設尺寸。

具體地，將當前追蹤的車輛圖像調整為預設尺寸，可以使得後續計算出的哈希值序列的長度是固定的。預設尺寸可以根據需要設定，比如10×10像素點、8×8像素點或者7×7像素點。

在一個實施例中，預設尺寸小於當前追蹤的車輛圖像的尺寸，這樣步驟602中在調整當前追蹤的車輛圖像時，將當前追蹤的車輛圖像縮小為預設尺寸。這樣利用縮小圖像可以快速去除高頻和細節，摒棄不同尺寸所帶來的圖像差異。

步驟604，將調整後的車輛圖像各像素點的像素值轉換為二進位的數值。

具體地，計算機202計算調整後的車輛圖像所有像素點的像素值的平均值，從而將調整後的車輛圖像中各像素點的像素值與平均值比較，將大於等於該平均值的像素值和小於該平均值的像素值分別轉換為不同的二進位數值。比如將大於等於該平均值的像素值轉換為1，將小於該平均值的像素值轉換為0。

在一個實施例中，計算機202還可以將調整後的車輛圖像各像素點的像素值分別與預設值比較，將大於等於該平均值的像素值和小於該平均值的像素值分別轉換為不同的二進位數值。預設值比如可以取128。

在一個實施例中，計算機202還可以在將調整後的車輛圖像轉換為灰度圖 後，再將灰度圖各像素點的像素值轉換為二進位的數值。

步驟606，將轉換的數值按照預設順序組合以形成當前追蹤的車輛圖像的哈希值序列。

具體地，轉換的數值分別與調整後的車輛圖像各像素點對應，可以按照任意的預設順序來組合各個轉換的數值，只要求各哈希值序列在生成時採用相同的預設順序。該任意的預設順序可以是一個預設尺寸的圖像的所有像素點能夠組成的所有順序中的任意一個。預設順序比如可以是逐行從左到右或者逐列從上到下。

這樣在執行上述步驟408時，可以比較獲取的哈希值序列與前次定期檢測時追蹤到的車輛圖像的哈希值序列中相應位置處不相同的數值數量是否小於等於預設數量閾值；若是，則校驗成功；若否，則校驗失敗。預設數量閾值比如可以是5至10中的值。

本實施例中，通過上述步驟602至步驟606可以非常快速地計算出當前追蹤的車輛圖像的哈希值序列，該哈希值序列可以很好地體現出當前追蹤的車輛圖像的特徵，這樣在執行步驟408時就可以準確、快速地進行指紋校驗，從而進一步提高車輛追蹤的實時性。

舉例說明，參照圖7，將當前追蹤的車輛圖像轉化為灰度圖702，將該灰度圖702的尺寸縮小到8×8像素點，獲得圖像704。計算圖像704的64個像素點的灰度值的平均值，然後將圖像704的64個像素點的灰度值分別與該平均值比較，將大於或等於平均值的灰度值記為二進位數值1，將小於該平均值的灰度值記為二進位數值0，得到8×8的二進位數值陣列706。將二進位數值陣列706中的各二進位數值按照預設順序組合，比如按照從第一行開始逐行從左到右的順序進行組合，形成哈希值序列。

如圖8所示，在一個實施例中，提供了一種車輛追蹤方法，具體包括如下步驟：

步驟802，在視頻圖像序列中實時追蹤車輛圖像。

具體地，可以通過背景差分算法、幀間差分算法或者光流算法在視頻圖像序列中實時追蹤車輛圖像。

在一個實施例中，在步驟802之前，還包括：從指定視頻圖像中檢測出初始的車輛圖像；根據初始的車輛圖像生成哈希值序列作為前次定期檢測時追蹤到的車輛圖像的哈希值序列；步驟802包括：根據初始的車輛圖像，在指定視頻圖像之後的視頻圖像序列中實時追蹤車輛圖像。

步驟804，定期從視頻圖像序列中當前的視頻圖像中檢測出車輛圖像。

步驟806，獲取當前追蹤的車輛圖像的哈希值序列。步驟806在步驟814之前執行，在一個實施例中，步驟806可以在步驟808或者步驟810之後執行。

步驟808，獲取當前檢測到的車輛圖像與當前追蹤的車輛圖像的重疊度。

具體地，重疊度是指當前檢測到的車輛圖像與當前追蹤的車輛圖像這兩者的交集與併集的比值，可以用以下公式(7)來表示；

公式(7)

其中，Degree_overlap表示重疊度，Pic_detect表示當前檢測到的車輛圖像，Pic_track表示當前追蹤的車輛圖像，Pic_detect∩Pic_track表示當前檢測到的車輛圖像與當前追蹤的車輛圖像的交集，Pic_detect∪Pic_track表示當前檢測到的車輛圖像與當前追蹤的車輛圖像的併集。

參照圖9A，當前檢測到的車輛圖像為區域902，當前追蹤的車輛圖像為區域904，則區域902和區域904的交集為區域906，表示區域902和區域904重疊的部分，區域902和區域904的併集表示兩者總共佔用的區域大小。這樣通過計算區域902和區域904兩者的交集與該兩者的併集的比值可以計算出重疊度。

再參照圖9B，每隔2秒從視頻圖像序列中當前的視頻圖像中檢測出車輛圖像，其中在T秒處追蹤到的車輛圖像用實線矩形框907表示，在T+2秒處追蹤到車輛圖像用實線矩形框907′表示，在T+2秒處檢測到車輛圖像用虛線矩形框908表示。在計算重疊度時，矩形框907′和矩形框908的交集等於圖9B中陰影部分的面積，矩形框907′和矩形框908的併集等於兩者面積的和減去陰影部分的面積，將矩形框907′和矩形框908的交集除以併集便獲得T+2秒處當 前檢測到的車輛圖像與當前追蹤的車輛圖像的重疊度。

步驟810，比較重疊度與預設重疊度閾值。若重疊度大於等於預設重疊度閾值，則執行步驟812；若重疊度小於預設重疊度閾值，則執行步驟814。

具體地，重疊度表示當前檢測到的車輛圖像與當前追蹤的車輛圖像的重疊程度。重疊度越高，說明當前檢測到的車輛圖像與當前追蹤的車輛圖像越接近，追蹤到的車輛圖像的可信度越高。重疊度越低，說明當前檢測到的車輛圖像與當前追蹤的車輛圖像偏差越大，追蹤到的車輛圖像的可信度越低。預設重疊度閾值可以根據精度和實時性需求進行選擇，比如預設重疊度閾值可選80％.

步驟812，根據當前追蹤的車輛圖像更新前次定期檢測時追蹤到的車輛圖像的哈希值序列，根據當前追蹤的車輛圖像繼續在視頻圖像序列中實時追蹤車輛圖像。

具體地，當重疊度大於或等於預設重疊度閾值時，說明當前追蹤的車輛圖像與當前檢測到的車輛圖像非常接近，不需要對當前追蹤的車輛圖像進行修正，可直接根據當前追蹤的車輛圖像繼續在視頻圖像序列中實時追蹤車輛圖像。這樣可以節省修正的時間，提高車輛追蹤的效率。

根據當前追蹤的車輛圖像更新前次定期檢測時追蹤到的車輛圖像的哈希值序列，以提供下一次指紋校驗的依據。具體地，可將當前追蹤的車輛圖像的哈希值序列替換掉前次定期檢測時追蹤到的車輛圖像的哈希值序列，以實現更新前次定期檢測時追蹤到的車輛圖像的哈希值序列。

步驟814，根據前次定期檢測時追蹤到的車輛圖像的哈希值序列和獲取的哈希值序列進行校驗。若校驗成功，則執行步驟816；若校驗失敗，則執行步驟820。

具體地，當重疊度小於預設重疊度閾值時，說明當前追蹤的車輛圖像與當前檢測到的車輛圖像存在偏差，需要進一步通過對獲取的哈希值序列進行校驗來確定是否可通過修正的方式來繼續追蹤。在持續的車輛追蹤過程中，前次定期檢測時追蹤到的車輛圖像的哈希值序列是上一次定期的車輛檢測時所追蹤的車輛圖像的哈希值序列，通過前次定期檢測時追蹤到的車輛圖像的哈希值序列對獲取的哈希值序列進行校驗，可以判斷出本次與上一次相比偏差的大小。

步驟816，將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合以修正當前追蹤的車輛圖像。

具體地，當對獲取的哈希值序列校驗成功時，說明當前追蹤的車輛圖像是可修正的，此時將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合後作為修正後的當前追蹤的車輛圖像。

步驟818，根據修正的車輛圖像更新前次定期檢測時追蹤到的車輛圖像的哈希值序列，根據修正的車輛圖像繼續在視頻圖像序列中實時追蹤車輛圖像。

步驟820，結束車輛追蹤。具體地，若根據前次定期檢測時追蹤到的車輛圖像的哈希值序列對獲取的哈希值序列進行校驗且校驗失敗，說明本次追蹤的車輛圖像與上一次相比偏差太大，追蹤的結果已經不可信，此時可直接結束車輛追蹤。

本實施例中，通過比較重疊度與預設重疊度閾值，可以得出當前檢測到的車輛圖像與當前追蹤的車輛圖像是否匹配。而根據前次定期檢測時追蹤到的車輛圖像的哈希值序列對獲取的哈希值序列進行校驗，可以得出本次追蹤的車輛圖像與上次檢測到車輛圖像時所追蹤的車輛圖像是否匹配。這樣可以保證車輛追蹤過程持續、穩定以及實時地進行，滿足車輛追蹤的實際應用需求。車輛追蹤具體可以應用到行車記錄、車輛監控以及車載設備的自動報警等領域。

如圖10所示，在一個實施例中，提供了一種車輛追蹤裝置1000，具有實現上述各個實施例的車輛追蹤方法的功能模塊。該車輛追蹤裝置1000包括：追蹤模塊1001、定期檢測模塊1002、獲取模塊1003、校驗模塊1004和修正模塊1005。

追蹤模塊1001，用於在視頻圖像序列中實時追蹤車輛圖像。

追蹤模塊1001可用於在視頻圖像序列中實時追蹤車輛圖像，使得追蹤到視頻圖像序列中各視頻圖像中的車輛圖像與視頻圖像序列的幀率匹配。追蹤模塊1001可用於通過背景差分算法、幀間差分算法或者光流算法在視頻圖像序列中實時追蹤車輛圖像。

定期檢測模塊1002，用於定期從視頻圖像序列中當前的視頻圖像中檢測出車輛圖像。

具體地，定期檢測模塊1002可用於定期利用經過車輛圖像樣本和非車輛圖像樣本訓練的分類器從視頻圖像序列中當前的視頻圖像中檢測出車輛圖像。進一步地，定期檢測模塊1002可用於對視頻圖像序列中當前的視頻圖像提取特徵後再劃分為多個窗口圖像，然後利用上述分類器對每個窗口圖像進行分類。定期檢測模塊1002還可用於將視頻圖像序列中當前的視頻圖像劃分為多個窗口圖像後，對每個窗口圖像提取特徵後再利用上述分類器對每個窗口圖像進行分類。

在一個實施例中，定期檢測模塊1002可用於在將視頻圖像序列中當前的視頻圖像劃分窗口圖像時，可以使用預設尺寸的窗口劃分出相同尺寸的窗口圖像，然後對窗口圖像進行分類，將判定為屬於車輛圖像樣本一類的並且相鄰的窗口圖像組成車輛圖像。

在一個實施例中，定期檢測模塊1002可用於在將視頻圖像序列中當前的視頻圖像劃分窗口圖像時，可以使用多個尺度的窗口劃分出不同尺度的窗口圖像，然後對這些窗口圖像進行模式識別後，將判定為屬於車輛圖像樣本一類的窗口圖像作為車輛圖像。若判定存在多個屬於車輛圖像樣本一類的窗口圖像且存在重疊，則將重疊的多個窗口圖像融合後作為車輛圖像。融合窗口圖像可採用計算融合的窗口圖像的位置的平均值或者加權平均值。

獲取模塊1003，用於獲取當前追蹤的車輛圖像。具體地，當前追蹤的車輛圖像是指在定期執行檢測車輛圖像的動作的當時從視頻圖像序列中追蹤到的車輛圖像。

校驗模塊1004，用於根據當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像進行校驗。

修正模塊1005，用於當校驗成功時，將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合以修正當前追蹤的車輛圖像。

具體地，修正模塊1005可用於將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合來進行修正，將融合後的車輛圖像作為修正的當前追蹤的車輛圖像。修正車輛圖像後，根據修正的車輛圖像來繼續在上述視頻圖像之後的視頻圖像序列中實時追蹤車輛圖像。

其中將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合，具體可以計算 當前檢測到的車輛圖像的位置與當前追蹤的車輛圖像的位置的中間值，從而將該中間值位置的圖像作為融合後的圖像。或者可以計算當前檢測到的車輛圖像的位置與當前追蹤的車輛圖像的位置的加權平均值，從而將該加權平均值位置的圖像作為融合後的圖像，且計算加權平均值時當前檢測到的車輛圖像的權重可大於當前追蹤的車輛圖像的權重。

參照圖11，在一個實施例中，獲取模塊1003具體用於獲取當前追蹤的車輛圖像的哈希值序列；校驗模塊1004具體用於根據前次定期檢測時追蹤到的車輛圖像的哈希值序列和獲取的哈希值序列進行校驗。車輛追蹤裝置1000還包括哈希值序列處理模塊1006，用於當校驗成功時，根據修正的車輛圖像更新前次定期檢測時追蹤到的車輛圖像的哈希值序列。

具體地，在一個實施例中，校驗模塊1004可用於比較獲取的哈希值序列與前次定期檢測時追蹤到的車輛圖像的哈希值序列是否相同；若相同則校驗成功，若不相同則校驗失敗。

在一個實施例中，校驗模塊1004可用於比較獲取的哈希值序列與前次定期檢測時追蹤到的車輛圖像的哈希值序列中相應位置處不相同的數值數量是否小於等於預設數量閾值；若是，則校驗成功；若否，則校驗失敗。

在一個實施例中，追蹤模塊1001還用於通過幀間差分算法或者光流算法在視頻圖像序列中實時追蹤車輛圖像。

如圖11所示，在一個實施例中，車輛追蹤裝置1000還包括：初始檢測模塊1007，用於從指定視頻圖像中檢測出初始的車輛圖像。

哈希值序列處理模塊1006還用於根據初始的車輛圖像生成哈希值序列作為前次定期檢測時追蹤到的車輛圖像的哈希值序列。

追蹤模塊1001還用於根據初始的車輛圖像，在指定視頻圖像之後的視頻圖像序列中實時追蹤車輛圖像。

在一個實施例中，車輛追蹤裝置1000還包括：重疊度獲取模塊1008和比較模塊1009。

重疊度獲取模塊1008，用於獲取當前檢測到的車輛圖像與當前追蹤的車輛圖像的重疊度。

比較模塊1009，用於比較重疊度與預設重疊度閾值。

校驗模塊1004還用於當重疊度小於預設重疊度閾值時，根據前次定期檢測時追蹤到的車輛圖像的哈希值序列和獲取的哈希值序列進行校驗。

在一個實施例中，哈希值序列處理模塊1006還用於當重疊度大於等於預設重疊度閾值時，根據當前追蹤的車輛圖像更新前次定期檢測時追蹤到的車輛圖像的哈希值序列。

追蹤模塊1001還用於當重疊度大於等於預設重疊度閾值時，根據當前追蹤的車輛圖像繼續在視頻圖像序列中實時追蹤車輛圖像。

追蹤模塊1001還用於當校驗成功時，根據修正的車輛圖像繼續在視頻圖像序列中實時追蹤車輛圖像。

如圖12所示，在一個實施例中，獲取模塊1003包括：尺寸調整模塊1003a、數值轉換模塊1003b和數值組合模塊1003c。

尺寸調整模塊1003a，用於將當前追蹤的車輛圖像調整為預設尺寸。

具體地，將當前追蹤的車輛圖像調整為預設尺寸，可以使得後續計算出的哈希值序列的長度是固定的。

在一個實施例中，預設尺寸小於當前追蹤的車輛圖像的尺寸。尺寸調整模塊1003a可用於將當前追蹤的車輛圖像縮小為預設尺寸。這樣利用縮小圖像可以快速去除高頻和細節，摒棄不同尺寸所帶來的圖像差異。

數值轉換模塊1003b，用於將調整後的車輛圖像各像素點的像素值轉換為二進位的數值。

具體地，數值轉換模塊1003b可用於計算調整後的車輛圖像所有像素點的像素值的平均值，從而將調整後的車輛圖像中各像素點的像素值與平均值比較，將大於等於該平均值的像素值和小於該平均值的像素值分別轉換為不同的二進位數值。

在一個實施例中，數值轉換模塊1003b還可用於將調整後的車輛圖像各像素點的像素值分別與預設值比較，將大於等於該平均值的像素值和小於該平均值的像素值分別轉換為不同的二進位數值。預設值比如可以取128。

數值組合模塊1003c，用於將轉換的數值按照預設順序組合以形成當前追蹤 的車輛圖像的哈希值序列。

具體地，轉換的數值分別與調整後的車輛圖像各像素點對應，數值組合模塊1003c可用於按照任意的預設順序來組合各個轉換的數值，只要求各哈希值序列在生成時採用相同的預設順序。該任意的預設順序可以是一個預設尺寸的圖像的所有像素點能夠組成的所有順序中的任意一個。預設順序比如可以是逐行從左到右或者逐列從上到下。

上述車輛追蹤裝置1000，在視頻圖像序列中實時追蹤車輛圖像，並且定期進行車輛檢測以檢測出相應的車輛圖像，通過將當前檢測到的車輛圖像與當前追蹤的車輛圖像融合來修正當前追蹤的車輛圖像，這樣通過定期修正的方式可以保證車輛追蹤的實時性和準確性。而且在修正前先根據當前追蹤的車輛圖像和前次定期檢測時追蹤到的車輛圖像進行校驗，從而根據校驗結果來修正當前追蹤的車輛圖像，可以進一步保證車輛追蹤的準確性。

本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過電腦程式來指令相關的硬體來完成，的程序可存儲於一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，的存儲介質可為磁碟、光碟、只讀存儲記憶體(Read-Only Memory，ROM)等非易失性存儲介質，或隨機存儲記憶體(Random Access Memory，RAM)等。

以上所述實施例的各技術特徵可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術特徵所有可能的組合都進行描述，然而，只要這些技術特徵的組合不存在矛盾，都應當認為是本說明書記載的範圍。

以上所述實施例僅表達了本發明的幾種實施方式，其描述較為具體和詳細，但並不能因此而理解為對發明專利範圍的限制。應當指出的是，對於本領域的普通技術人員來說，在不脫離本發明構思的前提下，還可以做出若干變形和改進，這些都屬於本發明的保護範圍。因此，本發明專利的保護範圍應以所附權利要求為準。