鄧塏鏞　唐佳林

摘 要：智能交通系統(tǒng)中車輛跟蹤模塊的準確性非常重要，其跟蹤結果直接影響車流量、違章事件、交通事故的統(tǒng)計與分析結果?；诮煌ㄜ囕v，該文對目標特征跟蹤法、動態(tài)輪廓跟蹤法、區(qū)域中心點匹配跟蹤法分別進行分析選取，并對效果最好的方法進行了實現(xiàn)和效果對比，從而為日后的車輛跟蹤提供一種切實可行的算法以提高跟蹤的效率。

關鍵詞：車輛目標 跟蹤算法 智能交通 效率

中圖分類號：TP39 文獻標識碼：A 文章編號：1672-3791（2015）04（b）-0218-01

隨著城市現(xiàn)代化進程的加快，汽車數(shù)量日益增多，為了能時刻監(jiān)察路面擁擠、違章行為、交通事故等狀況，智能交通系統(tǒng)被普及使用。其中車輛跟蹤是智能交通中的至關重要的模塊，車輛跟蹤算法的選取與實現(xiàn)過程都會直接影響車輛跟蹤的效率。

1 車輛目標跟蹤算法的比較與選取

運動目標跟蹤就是在視頻的每一幅圖像中確定出運動目標的位置，并把不同幀中同一目標對應起來。常用的跟蹤算法有目標特征法、動態(tài)輪廓法、區(qū)域中心點匹配法。

目標特征法是在相鄰的兩幀圖像中利用線、點、面積等個體特征來跟蹤運動目標。一般以運動目標的質心距離和幾何面積作為目標匹配模板，然后把后續(xù)圖像中的目標特征與模板特征進行比較，把差別小的確定為目標，從而達到跟蹤的目的[1]。此方法算法簡單，不用區(qū)分目標的幾何形狀，但當目標被遮擋時則無法識別，導致跟蹤失敗。

動態(tài)輪廓法是先在人工選定的位置上勾勒出目標的輪廓曲線，當目標運動時，輪廓線會有能量變化，當能量向極小值變化時，目標輪廓則逐漸收斂，根據(jù)反復迭代能量函數(shù)，確定跟蹤目標輪廓[2]。此方法計算復雜度低，但目標輪廓的精度受初始位置的影響，初始化難度大。而該研究的對象是車輛，攝像頭所拍攝到的車輛二維輪廓也會隨時間推移而改變，嚴重影響本方法對目標的鎖定。

區(qū)域中心點匹配法是把對當前幀圖像通過運動物體分割檢測出運動區(qū)域，并以其中心點建立跟蹤區(qū)域模板，然后將當前幀的運動物體與跟蹤區(qū)域模板進行匹配，尋找出與模板區(qū)相似性最大點的位置，并以此點為中心定義新的搜索區(qū)窗口，最后利用當前幀已跟蹤上的區(qū)域的參數(shù)預測下一幀中運動區(qū)域的位置。此方法能動態(tài)地維護一幅背景圖像，通過前景圖像和背景圖像之間的差值來確定運動區(qū)域，適合對大范圍、復雜場景下進行目標跟蹤，具有較強的實時性。

根據(jù)以上算法的對比，該研究確定使用區(qū)域中心點匹配跟蹤法進行車輛目標的跟蹤。

2 區(qū)域中心點匹配跟蹤算法的實現(xiàn)

該系統(tǒng)的算法程序采用 Visual C ++ 與OpenCV圖像開發(fā)包進行實現(xiàn)，以下是區(qū)域中心點匹配跟蹤算法的實現(xiàn)過程。

2.1 設置檢測帶，對車輛連通域初始化

車輛目標在系統(tǒng)前期檢測中所得到的目標區(qū)域可設置為一個連通域，連通域在二維圖中呈矩形，系統(tǒng)可確定連通域的近似長、寬和中心點坐標位置。設置檢測帶是對剛進入視頻區(qū)域的車輛進行初始記錄。該監(jiān)控視頻背景為左下行、右上行的多車道馬路，因此檢測帶應分別設置在圖像的左上部和右下部，檢測帶長度應覆蓋同向車道的總寬，檢測帶寬度則根據(jù)連通域中心點大小和車輛速度而定[3]。連續(xù)運動的車輛目標每經過檢測帶，檢測帶會記錄車輛連通域中心點的坐標位置、時間，給予編號和累加數(shù)目。如果速度較慢的車輛在相鄰兩幀圖像中，中心點都停留在檢測帶里，系統(tǒng)就會判別相鄰兩次的中心點坐標位置差是否如果小于一定像素數(shù)，如果是則認為是同一輛車，否則為兩輛車。

2.2 預測目標車輛下一幀的位置區(qū)域

車輛被初始定位后，系統(tǒng)就開始預測它在下一幀圖像中的運動區(qū)域?？紤]交通事件中車輛隨時會向各個方向運動，預測區(qū)域應該是從當前車輛連通域向前后左右延伸適當?shù)木嚯x，以一個外接矩形作為車輛下一幀的運動預測范圍。

2.3 在預測區(qū)域內尋找和匹配車輛連通域

當進入下一幀圖像時，系統(tǒng)要在預測區(qū)域內尋找新的車輛連通域并與上一幀目標車輛的連通域模版進行匹配。匹配時要求相鄰兩幀圖像車輛連通域的中心點橫、縱坐標之差、連通域的高、寬之差（四個量）分別小于各自的預設閾值[4]。只有全部滿足條件才能成功匹配，系統(tǒng)則完成相鄰兩幀圖像的目標跟蹤，并更新連通域；如果不滿足任一條件，即跟蹤失敗，系統(tǒng)要清空其跟蹤的信息。

2.4 實現(xiàn)效果

系統(tǒng)對一段為時7分鐘的公路監(jiān)控視頻（320×240）進行車輛跟蹤，處理速度達到實時25幀/秒。圖1為區(qū)域中心點匹配法的跟蹤效果圖，黃色框為檢測帶，綠色框為車輛連通域標記框，并有編號。該研究把另外兩種方法也逐個切換使用，比較效果，如表1所示。針對車輛目標的跟蹤，動態(tài)輪廓法的跟蹤準確率最低，目標特征法有所改善，區(qū)域中心點匹配法的跟蹤效率最高。

3 結語

該研究利用區(qū)域中心點匹配跟蹤法，能在局部預測區(qū)域內完成車輛目標的跟蹤，避免出現(xiàn)整個圖像中所有車輛的匹配混淆問題，極大提高了車輛跟蹤的準確率，縮小跟蹤時間，進一步提高智能交通系統(tǒng)對車輛目標的跟蹤精度。

參考文獻

[1] 楊彪.一種用于多攝像頭無重疊視域環(huán)境下的車輛跟蹤系統(tǒng)[J].現(xiàn)代交通技術，2014（3）：54-58.

[2] 劉永濤，喬潔.基于openCV的車輛自動跟蹤系統(tǒng)的設計與實現(xiàn)[J].汽車實用技術，2013（2）：23-26.

[3] ?？ǎ溃?圖像處理.分析與機器視覺[M].北京：清華大學出版社，2011：99-100.

[4] 王鑫，徐立中.圖像目標跟蹤技術[M].北京：人民郵電出版社，2012：82-85.