基於多攝像機的車輛檢測跟蹤識別系統的製作方法

2023-04-25 01:43:21

專利名稱：基於多攝像機的車輛檢測跟蹤識別系統的製作方法
技術領域：
本發明涉及一種用於交通監控的系統裝置，具體的說，涉及一種基於多攝像機的 車輛檢測跟蹤識別系統。
背景技術：
當前由於經濟高速發展，城市交通也隨著發展迅速，道路上行駛的機動車輛是越 來越多，這給傳統的交通管理帶來各種問題，如某地方區域交通堵塞嚴重、事故頻繁等，為 了解決地面交通迅速發展所引起的各種問題，提出了智能交通系統來替代傳統的交通管 理，智能交通系統是解決上述困境的有效途徑，能夠從根本上解決日益膨脹的地面交通的 諸多問題，它將先進的信息技術、數據傳輸技術、控制技術及計算機處理技術等有機的結合 進行綜合管理處理，使得人、車、路與環境和諧的結合在一起。在智能交通系統中視頻提取作為一項重要技術手段受到越來越多的重視，利用各 種成像系統代替視覺感官作為視覺信息輸入手段，由計算機來代替大腦完成處理。視頻提 取裡包含很多的環境信息，包括位置、車輛形狀大小以及車輛運動狀況等交通中的大量信 肩、ο基於視頻的智能交通系統可以檢測出很多交通參數，包括車流量、車型、道路飽和 度等有關信息。通過獲取道路上的信息，根據道路上的信息來調控道路的車流量，避免出現 交通嚴重堵塞等問題。中國專利局於2008年3月26日公開了公開號為CN101149794A的專利申請文獻， 名稱為基於視頻的車輛檢測跟蹤及系統，該系統包括圖像採集、車輛投影建模、運動車輛 的判別和運動車輛的跟蹤。依據車輛的二值投影模型參數，可從人流中、陰影中、各種非車 輛物體中有效得判別出車輛，並採用MAD算法快速實現對車輛的跟蹤。該系統主要是對車 輛進行辨別和跟蹤，但缺乏對每個路段的監控以及綜合比較統計。

發明內容
本發明主要解決了 由於交通迅速發展，傳統的交通管理難以解決新出現的交通 問題如交通嚴重堵塞、事故頻出，進而提供了一種有助於交通管理的基於多攝像機的車輛 檢測跟蹤識別系統。一種基於多攝像機的車輛檢測跟蹤識別系統，所述車輛檢測跟蹤識別系統包括多個處於不同位置的攝像機，用於對行駛中的車輛進行攝像；檢測模塊，用於對每個攝像機的輸入視頻幀中的車輛進行檢測和定位，得到車輛 位置和尺度信息；跟蹤模塊，用於匹配同一攝像機的不同視頻幀的檢測結果，判斷是否屬於同一車 輛；特徵提取模塊，用於從不同幀中提取同一車輛的視覺特徵；以及識別模塊，用於對車輛的視覺特徵進行匹配，確定車輛在多個攝像機中是否同時出現；所述攝像機的輸出端與檢測模塊的輸入端連接，檢測模塊的輸出端與跟蹤模塊的 輸入端連接，跟蹤模塊的輸出端與特徵提取模塊的輸入端連接，特徵提取模塊的輸出端與 識別模塊的輸入端連接。優選地，所述的檢測模塊、跟蹤模塊、特徵提取模塊和識別模塊集成在一個單片機上。優選地，所述檢測模塊包括預檢測器和精細檢測器兩級檢測器，將視頻圖像劃 分為若干統一大小的掃描窗口，然後對掃描窗口進行檢測。為了構造上述粗細兩級檢測 器，每一級檢測器都通過RealBoost方法從特徵池中優選圖像描述子並構造層級式分 類器。其中RealBoost方法是機器學習領域中比較常用的算法，更具體的技術細節可參 見下述兩個參考文獻"R. E. Schapire and Y. Singer. Improved boosting algorithms using confidence-rated predictions. Machine Learning,1999.，，禾口 "Q.Zhu，S. Avidan, M.C. Yeh, and K. T. Cheng. Fast human detection using a cascade of—histograms of oriented gradients. In CVPR, 2006.，，。在檢測車輛時，檢測器採用一個固定大小的掃描窗口對圖像中所有可能的掃描窗 口進行搜索，但是為了加快速度預檢測器採用8像素為步長進行快速掃描，初步區分出車 輛窗口和非車輛窗口 ；精細檢測器針對預檢測器檢測後的仍然被判斷為車輛的窗口進行檢 測，採用1像素為步長對這些窗口進行精細掃描，最終得到準確的車輛窗口，由車輛窗口得 到車輛位置和尺度信息。為了保證預檢測器在掃描的過程中不因加大掃描步長而遺漏車 輛，訓練過程中對正例訓練樣本加入隨機平移噪聲。優選的，將隨機平移噪聲的最大幅度設 為8個像素。按此方式訓練的預檢測器能夠能對大的掃描步長不敏感；而為了保證精確檢 測器的定位精度，精確檢測器採用的正例訓練樣本是嚴格對齊的。優選的，所述檢測器按照下述具體步驟構造分類器(1)採用局部梯度直方圖特徵表示物體的形狀信息，每一個局部梯度直方圖對應 一個圖像的局部矩形區域，將該矩形區域分為四個子區域，計算圖像的梯度，並將梯度量化 為9個方向，這樣每個子區域便統計得到9維直方圖，4個9維直方圖拼接成一個36維的直 方圖作為該局部梯度直方圖的特徵向量；(2)在一個檢測窗口中均勻採樣出局部矩形區域，每一矩形區域對應一個梯度直 方圖特徵，該些梯度直方圖特徵作為特徵集合；(3)採用RealBoost的學習方法從特徵集合中選擇出對「車輛」和「非車輛」判別 能力最強的特徵，構成分類器；優選地，所述檢測器按以下具體步驟進行檢測(1)依照構造好的分類器，對檢測窗口提取特徵局部梯度直方圖特徵，並計算檢測 器中的分類器輸出值；(2)該掃描窗口由各個分類器依次判別，若其中一個分類器判定輸入為「非車輛」， 則這個圖像塊將直接被判定為「非車輛」，並且不經過後面的分類器；只有當所有的分類器 均將該圖像塊判定為「車輛」時，該掃描窗口才最終被認為是「車輛」。優選地，所述跟蹤模塊的工作方法如下υ相似度定義將t幀的第i個檢測結果表示為，其中X;,乂表示物體所在窗口的左上角像素點在圖像中的位置，<表示物體的窗口寬度
表示該檢測結果的表觀特徵向量即M維彩色直方圖；而將t-Ι幀的
第j個檢測結果表示為，同理
表示該物體在第t-i巾貞所
在的位置和窗口寬度，
表示該檢測結果的表觀特徵向量即M維彩 色直方圖，M是3 16的整數，那麼t和t-Ι幀中的兩個檢測結果的相似性度量表示為 其中4是1 64的實常數，對於$與^它們的相似性採用直方圖交核函數來計 算，具體計算方式如下_
(2)2)初始化緩衝車輛隊列清空，輸出車輛隊列清空，定義車輛駛出當前拍攝範圍 的消失閾值Tl，Tl為大於0且小於1的實常數，車輛在視頻中出現的閾值Τ2，Τ2為大於等 於1的整數，車輛匹配相似度閾值Τ3，Τ3為大於等於1的整數；3)跟蹤方法i.將第t幀的每一個檢測結果和車輛緩衝隊列的所有車輛進行匹配，找到t幀 檢測結果與當前車輛的緩衝隊列中最相似的車輛；如果該最大值與第m輛車的相似度大於 Tl，則判斷為第m輛車在t幀中的位置，將m輛車的信息更新；如果該最大值小於Tl，那麼 此檢測結果作為可能出現在視頻中的新車輛加入到車輛緩衝隊列裡；ii.對車輛的緩衝隊列裡面的所有車輛進行統計，如果當前的車輛在緩衝隊列裡 面連續出現T2幀，那麼認為該車輛是新出現在視頻中的車輛，並將該車輛加入到輸出車輛 隊列裡；如果連續T3幀未出現，那麼則認為該車輛已經駛出該視頻，從緩衝隊列裡面刪除 該車輛，並將輸出隊列裡面的對應的該車輛刪除。優選地，M為9，^為16，閾值Tl取0. 7，閾值T2取3，閾值T3取3。優選地，所述特徵提取模塊的工作方法如下對車輛所在矩形區域進行彩色、灰度和梯度信息的直方圖統計，將車輛所在區域 劃分為4個區域以及16個區域進行直方圖統計，對車輛整體區域和劃分區域分別進行彩 色、灰度和梯度信息的直方圖統計，最終得到21個直方圖，將所得到的直方圖拼接起來組 成長向量表示一個車輛的在不同尺度下的表觀信息；一個車輛的特徵最終表示為 其中t是車輛出現的時間信息即幀編號，H:代表第i個彩色直方圖，其中包括飽 和度直方圖和色調直方圖，Hpy代表第i個亮度直方圖，代表第i個梯度方向直方圖。優選地，所述識別模塊的工作方法如下1)將來自不同尺度的直方圖的匹配結果用不同的權重加權，最後全部相加作為最 終的相似度輸出值，可表示為如下公式
其中代表第i輛車在整體區域中的統計得來的直方圖，/^vdl代表第i輛車 所在區域分成4個區域，由這4個區域中統計得來的直方圖拼接而成的直方圖，代表 第i輛車在分成16個區域，由這16個區域中統計得來的直方圖拼接而成的直方圖。同理 對於第j輛車，也具有類似的定義；2)將兩輛車的相似度定義為
(5)其中，σ,2是100 1600的實常數，MIN函數與公式(2)中的含義相同，代表直方圖 特徵距離度量的交核函數；將攝像機中出現的車輛一一匹配，找到最相像的匹配結果，如果 該匹配結果大於閾值Τ4，閾值Τ4為大於0且小於1的實常數，那麼該車輛就在攝像機中同 時出現；3)從該車出現的前N幀中每一幀提取特徵，上述特徵構成一個特徵集合用於表示
該車，N為一個大於等於1的整數，則第i輛車的特徵表示為集合
；則每輛車
對應了一個由N個視頻幀提取的特徵構成的特徵集合，兩輛車的相似性相應轉化為度量兩 個特徵集合的相似性，採用Hausdorff距離度量兩輛車的相似性，對於第i輛車和第j輛車 的相似性表示為如下公式
) (5)其中m和η的取值範圍都是1 N的整數。優選地，所述識別模塊中，σ)為900，Τ4為0. 5，N為5。本發明通過檢測路面的車流情況，可以為交通管理提供數據支持，交通管理者可 以據此制定合理的分流策略以避免交通事故或交通阻塞。另外，本發明還可以輔助及時的 從兩段視頻中發現同一目標，比如有可疑車輛(丟失的車輛，或者犯罪嫌疑人駕駛的車輛 等等)，或者從系統外部輸入可疑車輛的外觀信息，那麼本系統能夠及時地提供報警，為偵 查違法犯罪車輛提供幫助。


圖1為本發明車輛檢測跟蹤識別系統的模塊結構示意圖；圖2為本發明檢測模塊的工作原理圖；圖3為本發明特徵提取模塊的工作原理圖；圖4為本發明識別模塊的工作原理圖。圖5是本發明的使用狀態圖。
具體實施例方式
下面結合附圖和具體實施方式
對本發明作進一步的說明，但本發明的保護範圍並 不限於此。
參照圖1，一種基於多攝像機的車輛檢測跟蹤識別系統，所述車輛檢測跟蹤識別系 統包括多個處於不同位置的攝像機，用於對行駛中的車輛進行攝像；檢測模塊，用於對每個攝像機的輸入視頻幀中的車輛進行檢測和定位，得到車輛 位置和尺度信息；跟蹤模塊，用於匹配同一攝像機的不同視頻幀的檢測結果，判斷是否屬於同一車 輛；特徵提取模塊，用於從不同幀中提取同一車輛的視覺特徵；以及識別模塊，用於對車輛的視覺特徵進行匹配，確定車輛在多個攝像機中是否 同時出現；所述攝像機的輸出端與檢測模塊的輸入端連接，檢測模塊的輸出端與跟蹤模塊的 輸入端連接，跟蹤模塊的輸出端與特徵提取模塊的輸入端連接，特徵提取模塊的輸出端與 識別模塊的輸入端連接。所述的檢測模塊、跟蹤模塊、特徵提取模塊和識別模塊集成在一個單片機上。參照圖2，輸入圖像經重採樣裝置採樣為多個尺度圖像，在每個尺度上以同樣大小 的窗口(例如100X100像素)掃描所有的位置。所述檢測模塊包括預檢測器和精細檢測 器兩個檢測器，這兩個檢測器均採用RealB00St方法學習方法構造層級分類器。在檢測過 程中，預檢測器採用8像素為步長進行粗略而快速掃描，初步區分出車輛窗口和非車輛窗 口 ；精細檢測器採用1像素為步長進行精細掃描，最終得到準確的車輛窗口，由車輛窗口得 到車輛位置和尺度信息。本專利的檢測器按以下具體步驟進行檢測(1)依照構造好的分類器，對檢測窗口提取特徵局部梯度直方圖特徵，並計算檢測 器中的分類器輸出值；(2)該掃描窗口由各個分類器依次判別，若其中一個分類器判定輸入為「非車輛」， 則這個圖像塊將直接被判定為「非車輛」，並且不經過後面的分類器；只有當所有的分類器 均將該圖像塊判定為「車輛」時，該掃描窗口才最終被認為是「車輛」。所述跟蹤模塊的工作方法如下υ相似度定義將t幀的第i個檢測結果表示為，其中
X;,乂表示物體所在窗口的左上角像素點在圖像中的位置，4表示物體的窗口寬度，
劣
4表示該檢測結果的表觀特徵向量即《維彩色直方圖；而將t-1
中貞的第j個檢測結果表示為
同理χ , y'-1, s 表示物體所在，
麼t和t-i幀中的兩個檢測結果的相似性度量表示為 其中σ 為16，對於<與^它們的相似性採用直方圖交核函數來計算，具體計算
方式如下2)初始化緩衝車輛隊列清空，輸出車輛隊列清空，定義車輛駛出當前拍攝範圍 的消失閾值Tl，車輛在視頻中出現的閾值T2，車輛匹配相似度閾值T3 ；閾值Tl取0. 7，閾值 T2取3，閾值T3取3。3)跟蹤方法iii.將第t幀的每一個檢測結果和車輛緩衝隊列的所有車輛進行匹配，找到t幀 檢測結果與當前車輛的緩衝隊列中最相似的車輛；如果該最大值與第m輛車的相似度大於 Tl，則判斷為第m輛車在t幀中的位置，將m輛車的信息更新；如果該最大值小於Tl，那麼 此檢測結果作為可能出現在視頻中的新車輛加入到車輛緩衝隊列裡；iv.對車輛的緩衝隊列裡面的所有車輛進行統計，如果當前的車輛在緩衝隊列裡 面連續出現T2幀，那麼認為該車輛是新出現在視頻中的車輛，並將該車輛加入到輸出車輛 隊列裡；如果連續T3幀未出現，那麼則認為該車輛已經駛出該視頻，從緩衝隊列裡面刪除 該車輛，並將輸出隊列裡面的對應的該車輛刪除。參照圖3，所述特徵提取模塊的工作方法如下將車輛所在區域劃分一個區域，對該區域進行彩色、灰度和梯度信息的直方圖統 計，得到車輛區域在較低尺度的表觀信息；將車輛所在區域劃分為4個區域以及16個區域 進行直方圖統計，對車輛整體區域和劃分區域分別統計直方圖，最終得到21個直方圖，將 所得到的直方圖拼接起來組成長向量表示一個車輛的在不同尺度下的表觀信息，最終這21 個直方圖拼接起來的長向量表示一個車輛的在不同尺度下的表觀信息；一個車輛的特徵最
終表示為=H2 ,…,Η2 ,H1 ,H\...,H21) (3)其中 t 是
車輛出現的時間信息即幀編號，巧-是第i個彩色直方圖，其中包括飽和度直方圖和色調 直方圖，巧ray是第i個亮度直方圖，巧g是第i個梯度方向直方圖。參照圖4，所述識別模塊的工作方法如下4)將來自不同尺度的直方圖的匹配結果用不同的權重加權，最後全部相加作為最 終的相似度輸出值，可表示為如下公式寧!,孖。=去寧L礎，孖LJ+去耶;―，孖LJ +去寧;-2，孖「2) ⑷其中代表第i輛車在整體區域中的統計得來的直方圖，代表第i輛車 所在區域分成4個區域，由這4個區域中統計得來的直方圖拼接而成的直方圖，代表 第i輛車在分成16個區域，由這16個區域中統計得來的直方圖拼接而成的直方圖。同理 對於第j輛車，也具有類似的定義。5)將兩輛車的相似度定義為
Sim{F\FJ) = e σ' ^MIN(H1colorMLor) ^IN(H 1^Hjgray) xMIN(H'og,HJog) (5)其中，σ,2設為900，MIN函數與公式⑵中的含義相同，代表直方圖特徵距離度量的 交核函數；將攝像機中出現的車輛一一匹配，找到最相像的匹配結果，如果該匹配結果大於閾值T4(T4為0. 5)，那麼該車輛就在攝像機中同時出現；6)從該車出現的前N幀中每幀中分別提取該車的特徵構成一個特徵集合用於表
示該車，N為大於1的整數，通常設為5，則第i輛車的特徵表示為集合[？K,...,《1;那麼，
每輛車對應了 N個視頻幀的特徵構成的特徵集合，兩輛車的相似性相應轉化為度量兩個特 徵集合的相似性，採用Hausdorff距離度量兩輛車的相似性，對於第i輛車和第j輛車的相
似性表示為如下公式 參照圖5，本發明使用時，攝像機ι和攝像機2分別架設於兩個不同位置(如天橋 1和天橋2)，攝像機1採集經過天橋1的車輛，傳送給該系統，該系統對天橋1的車輛進行 檢測跟蹤，並且提取該車輛的特徵；同時，該系統也檢測和跟蹤經過天橋2的車輛，並對每 一輛車進行特徵提取。該系統利用車輛特徵對經過天橋1和天橋2的車輛進行匹配，識別 出同時經過這天橋1和天橋2的車輛。
權利要求
一種基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於所述車輛檢測跟蹤識別系統包括多個處於不同位置的攝像機，用於對行駛中的車輛進行攝像；檢測模塊，用於對每個攝像機的輸入視頻幀中的車輛進行檢測和定位，得到車輛位置和尺度信息；跟蹤模塊，用於匹配同一攝像機的不同視頻幀的檢測結果，判斷是否屬於同一車輛；特徵提取模塊，用於從不同幀中提取同一車輛的視覺特徵；以及識別模塊，用於對車輛的視覺特徵進行匹配，確定車輛在多個攝像機中是否同時出現；所述攝像機的輸出端與檢測模塊的輸入端連接，檢測模塊的輸出端與跟蹤模塊的輸入端連接，跟蹤模塊的輸出端與特徵提取模塊的輸入端連接，特徵提取模塊的輸出端與識別模塊的輸入端連接。
2.根據權利要求1所述基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於所述的 檢測模塊、跟蹤模塊、特徵提取模塊和識別模塊集成在一個單片機上。
3.根據權利要求1所述基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於所述檢 測模塊包括預檢測器和精細檢測器兩個檢測器，將視頻圖像劃分為若干統一大小的掃描窗 口，然後對掃描窗口進行檢測；預檢測器和精細檢測器都通過RealBoost學習方法構造層 級分類器；預檢測器採用8個像素為步長進行快速掃描，初步區分出車輛窗口和非車輛窗 口 ；精細檢測器針對預檢測器檢測後的仍然被判斷為車輛的窗口進行檢測，採用1個像素 為步長對這些窗口進行精細掃描，最終得到準確的車輛窗口，由車輛窗口得到車輛位置和 尺度信息。
4.根據權利要求1所述的基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於所述 檢測器按照下述具體步驟構造分類器(1)採用局部梯度直方圖特徵表示物體的形狀信息，每一個局部梯度直方圖對應一個 圖像的局部矩形區域，將該矩形區域分為四個子區域，計算圖像的梯度，並將梯度量化為9 個方向，這樣每個子區域便統計得到9維直方圖，4個9維直方圖拼接成一個36維的直方圖 作為該局部梯度直方圖的特徵向量；(2)在一個檢測窗口中均勻採樣出局部矩形區域，每一矩形區域對應一個梯度直方圖 特徵，該些梯度直方圖特徵構成特徵集合；(3)採用RealBoost的學習方法從特徵集合中選擇出對「車輛」和「非車輛」判別能力 最強的特徵，構成分類器；所述檢測器按以下具體步驟進行檢測(1)依照構造好的分類器，對檢測窗口提取特徵局部梯度直方圖特徵，並計算檢測器中 的分類器輸出值；(2)該掃描窗口由各個分類器依次判別，若其中一個分類器判定輸入為「非車輛」，則這 個圖像塊將直接被判定為「非車輛」，並且不經過後面的分類器；只有當所有的分類器均將 該圖像塊判定為「車輛」時，該掃描窗口才最終被認為是「車輛」。
5.根據權利要求1所述的基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於，所述 跟蹤模塊的工作方法如下1)相似度定義將第t幀的第i個檢測結果表示為(X丨，沁屹劣)，其中少； 表示物體所在窗口的左上角像素點在圖像中的位置，乂表示物體的窗口寬度， 4 = P^K2,…，<Mj表示該檢測結果的表觀特徵向量即M維彩色直方圖；而將第t-Ι幀 的第j個檢測結果表示為(X^1,;^1,^-1,^1)，同理χ)-1,義1,·^1表示物體在第t-i幀所在的位置和窗口寬度，A'1 = [a'} ,a;.., a'jM j表示該檢測結果的表觀特徵向量即M維彩色直方圖，M是3 16的整數，那麼第t和第t-Ι幀中的兩個檢測結果的相似性度量表示 為St.ht(i,j) = e^χ MINiAnAt:1)⑴其中是1 64的實常數，對於<與Jj.它們的相似性採用直方圖交核函數來計算， 具體計算方式如下MINiAtnAt;1) =(2)2)初始化緩衝車輛隊列清空，輸出車輛隊列清空，定義車輛駛出當前拍攝範圍的消 失閾值Tl，Tl為大於0且小於1的實常數，車輛在視頻中出現的閾值T2，T2為大於等於1 的整數，車輛匹配相似度閾值T3，T3為大於等於1的整數；3)跟蹤方法i.將第t幀的每一個檢測結果和車輛緩衝隊列的所有車輛進行匹配，找到t幀檢測結 果與當前車輛的緩衝隊列中最相似的車輛；如果該最大值與第m輛車的相似度大於Tl，則 判斷為第m輛車在t幀中的位置，將m輛車的信息更新；如果該最大值小於Tl，那麼此檢測 結果作為可能出現在視頻中的新車輛加入到車輛緩衝隊列裡； .對車輛的緩衝隊列裡面的所有車輛進行統計，如果當前的車輛在緩衝隊列裡面連 續出現T2幀，那麼認為該車輛是新出現在視頻中的車輛，並將該車輛加入到輸出車輛隊列 裡；如果連續T3幀未出現，那麼則認為該車輛已經駛出該視頻，從緩衝隊列裡面刪除該車 輛，並將輸出隊列裡面的對應的該車輛刪除。
6.根據權利要求5所述的基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於M為 9，^為16，閾值Tl取0. 7，閾值T2取3，閾值T3取3。
7.根據權利要求1所述的基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於所述 特徵提取模塊的工作方法如下對車輛所在矩形區域進行彩色、灰度和梯度信息的直方圖統計，將車輛所在區域劃分 為4個區域以及16個區域進行直方圖統計，對車輛整體區域和劃分區域分別進行彩色、灰 度和梯度信息的直方圖統計，最終得到21個直方圖，將所得到的直方圖拼接起來組成長向 量表示一個車輛的在不同尺度下的表觀信息；一個車輛的特徵最終表示為 F = (^H\。lor,Hlilor,.. =。」H:,H 二,...,H7^Hlg,H:,...,Η2:〉(3)其中t表示車輛出現的時間信息即幀編號，ff:。!。r代表第i個彩色直方圖，其中包括飽和 度直方圖和色調直方圖，巧ray代表第i個亮度直方圖，巧g代表第i個梯度方向直方圖。
8.根據權利要求1所述的基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於所述 識別模塊的工作方法如下1)將來自不同尺度的直方圖的匹配結果用不同的權重加權，最後全部相加作為最終的 相似度輸出值，可表示為如下公式HLJ + ^XHLmHLJ + ^XHl^,Wleven) (4)其中HL^o代表第i輛車在整體區域中的統計得來的直方圖，HLin代表第i輛車所在 區域分成4個區域，由這4個區域中統計得來的直方圖拼接而成的直方圖，胡-2代表第i 輛車在分成16個區域，由這16個區域中統計得來的直方圖拼接而成的直方圖；對於第j輛 車具有類似定義；2)將兩輛車的相似度定義為 (h-hfSim(F\FJ) = e σ' χMIN(H1color,H^olor) xMIN(H'gmy,HJgray)xMIN(H'og,Hig) (5)其中，σ,2是100 1600的實常數，MIN函數與公式(2)中的含義相同，代表直方圖特徵 距離度量的交核函數；將攝像機中出現的車輛一一匹配，找到最相像的匹配結果，如果該匹 配結果大於閾值Τ4，閾值Τ4為大於0且小於1的實常數，那麼該車輛就在攝像機中同時出 現；3)從該車出現的前N幀中每一幀提取特徵，上述特徵構成一個特徵集合用於表示該車，N為一個大於等於1的整數，則第i輛車的特徵表示為集合p/,。+ ..,Fj測每輛車對應了一個由N個視頻幀提取的特徵構成的特徵集合，兩輛車的相似性相應轉化為度量兩個 特徵集合的相似性，採用Hausdorff距離度量兩輛車的相似性，對於第i輛車和第j輛車的 相似性表示為如下公式Score = max I max mini Sim(F^ ,FnJ)\max mini Sim{Fl ,F7))) (5)\ m η 、, m η 、『)其中m和η的取值範圍都是1 N的整數。
9.根據權利要求8所述的基於多攝像機的車輛檢測跟蹤識別系統，其特徵在於所述 識別模塊中，σ,2為900，Τ4為0. 5，N為5。
全文摘要
本發明涉及一種基於多攝像機的車輛檢測跟蹤識別系統，包括多個處於不同位置的攝像機，檢測模塊，跟蹤模塊，特徵提取模塊以及識別模塊。所述攝像機的輸出端與檢測模塊的輸入端連接，檢測模塊的輸出端與跟蹤模塊的輸入端連接，跟蹤模塊的輸出端與特徵提取模塊的輸入端連接，特徵提取模塊的輸出端與識別模塊的輸入端連接。本發明通過檢測路面的車流情況，可以為交通管理提供數據支持，交通管理者可以據此制定合理的分流策略以避免交通事故或交通阻塞。
文檔編號H04N7/18GK101916383SQ201010262480
公開日2010年12月15日 申請日期2010年8月25日 優先權日2010年8月25日
發明者徐慧英, 朱信忠, 趙建民, 鄭偉 申請人:浙江師範大學;朱信忠