CN103150898B - 一种夜间车辆检测方法、跟踪方法及装置 - Google Patents
一种夜间车辆检测方法、跟踪方法及装置 Download PDFInfo
- Publication number
- CN103150898B CN103150898B CN201310030701.5A CN201310030701A CN103150898B CN 103150898 B CN103150898 B CN 103150898B CN 201310030701 A CN201310030701 A CN 201310030701A CN 103150898 B CN103150898 B CN 103150898B
- Authority
- CN
- China
- Prior art keywords
- car light
- search
- region
- vehicle image
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Lighting Device Outwards From Vehicle And Optical Signal (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种夜间车辆检测方法及装置,以提高夜间车辆检测的准确性;相应地,本发明还提供了一种夜间车辆跟踪方法及装置,以提高夜间车辆追踪的准确性。其中一种夜间车辆检测方法包括:对车辆图像进行标定,得到标定比例;计算所述车辆图像的连通域;利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标进行检测。本发明提供的车辆检测方法,对车灯提取进行了创新性的改进,降低了路面反射光线及道路两旁的路灯产生的路面反射光线对车灯提取造成的干扰,提高了夜间车辆检测的准确性。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种夜间车辆检测方法、跟踪方法及装置。
背景技术
由于道路在夜间的照明条件通常逊于白天,且夜间车体可见度及路面照明度往往不足,车辆目标的大部分信息是不可见或不明显的,而车灯一般突出清晰,且与背景和车体的亮度对比鲜明,因此可以较为准确方便地标示车辆目标,因此在夜间通常采用对车灯检测的方法来实现车辆检测。
然而,夜间环境复杂多样,且车灯本身产生的光晕及路面反射光线,连通夜间道路两旁的路灯产生的路面反射光线等,都会对车灯检测造成很大干扰。因此本领域技术人员迫切需要解决的一个问题是:如何降低夜间非车灯因素的干扰,提高夜间车灯检测的准确性。
车辆检测是在采集的图像中将车辆提取出来,车辆跟踪是根据车辆检测的结果,实现对车辆的跟踪。由此看来,车辆跟踪与车辆检测密不可分,车辆跟踪通常是在车辆检测的基础上得以实现的,若车辆检测的过程中存在一定的错误和瑕疵,很可能会导致车辆跟踪的结果在实现之初就存在一定的错误。因此从车辆跟踪的角度来看,也需要提高车辆检测的准确性,从而保证车辆跟踪的准确性。
发明内容
本发明提供一种夜间车辆检测方法及装置,以提高夜间车辆检测的准确性。
相应地,本发明还提供了一种夜间车辆跟踪方法及装置,以提高夜间车辆追踪的准确性。
为了解决上述问题,本发明公开了一种夜间车辆检测方法,包括:
对车辆图像进行标定,得到标定比例;
计算所述车辆图像的连通域;
利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标进行检测。
可选地,所述获取所述车辆图像的连通域包括:
利用HSV阈值对所述车辆图像进行二值化;
对所述二值化后的车辆图像进行预处理,得到所述车辆图像的连通域,所述预处理包括:腐蚀、膨胀和计算连通域。
可选地,所述尾灯模型包括:尾灯的几何形状阈值、颜色阈值和纹理阈值。
可选地,所述利用尾灯模型对所述连通域进行车灯提取,得到有效车灯包括:
将所述连通域与所述尾灯模型进行匹配,保留符合几何形状阈值、颜色阈值和纹理阈值的连通域作为有效车灯,去除不符合几何形状阈值、颜色阈值和纹理阈值的连通域。
可选地,所述根据所述标定比例对所述有效车灯进行车灯配对包括:
计算所述有效车灯的相似度,所述相似度包括有效车灯的外切矩形的大小和有效车灯的圆弧度;
将所述有效车灯的相似度与配对相似度进行匹配,保留符合配对相似度的有效车灯;
将所述符合配对相似度的有效车灯与所述标定比例进行匹配,得到车灯对。
可选地,所述对车辆图像进行标定之前还包括:
判断车辆图像是否为第一帧图像;
当车辆图像为第一帧图像时,对所述车辆图像进行标定;
当车辆图像不为第一帧图像时,调用第一帧图像的标定比例,并执行车灯提取步骤。
本发明还公开了一种夜间车辆跟踪方法,包括:
在第N帧车辆图像中确定原始目标,并根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标;
在第N+1帧车辆图像上获取检测目标;
在第N+1帧车辆图像上以所述跟踪目标的中心位置为中心划定第一搜索区域,并判断所述检测目标是否在所述第一搜索区域内;当所述检测目标在所述第一搜索区域内时,跟踪成功;
当所述检测目标不在所述第一搜索区域内时,以所述跟踪目标的单个尾灯为中心划定第二搜索区域,并判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内;若所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内,则跟踪成功;若所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内,则跟踪失败;
其中,所述检测目标通过以下步骤获得:
对车辆图像进行标定,得到标定比例;
计算所述车辆图像的连通域,并将所述连通域作为疑似车灯;
利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标。
可选地,所述根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标,包括:
对所述原始目标的中心位置进行线性预测,结果作为第N+1帧车辆图像的跟踪目标的中心位置;
对所述原始目标的单个尾灯进行线性预测,结果作为第N+1帧车辆图像的跟踪目标的单个尾灯。
可选地,所述第二搜索区域小于所述第一搜索区域。
可选地,所述判断所述检测目标是否在所述第一搜索区域内包括:
计算所述检测目标的中心位置与所述跟踪目标的中心位置之间的第一权重距离;
若所述第一权重距离小于所述第一搜索区域的区域半径,则判定所述检测目标在所述第一搜索区域内;
若所述第一权重距离大于所述第一搜索区域的区域半径,则判定所述检测目标不在所述第一搜索区域内。
可选地,所述判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内,包括:
计算第N+1帧车辆图像上的疑似车灯与所述跟踪目标的单个尾灯之间的第二权重距离;
若所述第二权重距离小于所述第二搜索区域的区域半径,则判定所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内;
若所述第二权重距离大于所述第二搜索区域的区域半径,则判定所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内。
本发明还公开了一种夜间车辆检测装置,包括:
标定模块,用于对车辆图像进行标定,得到标定比例;
计算模块,用于计算所述车辆图像的连通域;
车灯提取模块,用于利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
车灯配对模块,用于根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
车灯分组模块,用于将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标进行检测。
可选地,所述尾灯模型包括尾灯的几何形状阈值、颜色阈值和纹理阈值。
可选地,所述计算模块包括:
二值化子模块,用于利用HSV阈值对所述车辆图像进行二值化;
预处理子模块,用于对所述二值化后的车辆图像进行预处理,得到所述车辆图像的连通域,所述预处理包括:腐蚀、膨胀和计算连通域。
可选地,所述车灯提取模块将所述连通域与所述尾灯模型进行匹配,保留符合几何形状阈值、颜色阈值和纹理阈值的连通域作为有效车灯,去除不符合几何形状阈值、颜色阈值和纹理阈值的连通域。
本发明还公开了一种夜间车辆跟踪装置,包括:
目标确定模块,用于在第N帧车辆图像中确定原始目标,并根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标;
检测目标获取模块,用于在第N+1帧车辆图像上获取检测目标;
第一追踪模块,用于在第N+1帧车辆图像上以所述跟踪目标的中心位置为中心划定第一搜索区域,并判断所述检测目标是否在所述第一搜索区域内;当所述检测目标在所述第一搜索区域内时,跟踪成功;
第二追踪模块,用于当所述检测目标不在所述第一搜索区域内时,以所述跟踪目标的单个尾灯为中心划定第二搜索区域,并判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内;若所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内,则跟踪成功;若所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内,则跟踪失败;
其中,所述检测目标获取模块包括:
标定子模块,用于对车辆图像进行标定,得到标定比例;
计算子模块,用于计算所述车辆图像的连通域,并将所述连通域作为疑似车灯;
车灯提取子模块,用于利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
车灯配对子模块,用于根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
车灯分组子模块,用于将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标。
与现有技术相比,本发明包括以下优点:
本发明实施例提供的车辆检测方法,对车灯提取进行了创新性的改进,根据尾灯的几何形状、颜色、纹理等特征建立了一种新的尾灯模型,并根据该模型进行车灯提取,降低了路面反射光线及道路两旁的路灯产生的路面反射光线对车灯提取造成的干扰,提高了车灯提取的准确率,进而提高了夜间车辆检测的准确性。
本发明实施例提供的车辆跟踪方法,设计了单车灯二次跟踪机制,可以重拾在第一搜索区域跟丢的目标,提高夜间车辆的跟踪准确率,同时还可以修正部分车灯错配的情况。在单车灯二次跟踪机制中,跟踪目标不再是车灯对,而是单个的车灯,例如单独的左车灯或右车灯;与单个车灯匹配的不再是检测目标(车灯对),而是在车灯检测的时候计算连通域得到的疑似车灯,扩大了作为跟踪目标匹配的目标数量,从而降低了检测目标错误导致的漏跟踪率和错跟踪率。二次跟踪机制作为辅助方式,与第一搜索区域的跟踪相辅相成,实现最终的跟踪效果。
附图说明
图1是本发明实施例一种夜间车辆检测方法的流程图;
图2是本发明实施例的车辆图像的示意图;
图3是本发明实施例图2的车辆图像的二值化效果示意图;
图4是本发明实施例二值化后的车辆图像示意图;
图5是本发明实施例腐蚀效果示意图;
图6是本发明实施例膨胀效果示意图;
图7是本发明实施例连通域的外接矩形示意图;
图8是本发明实施例车灯提取的结果示意图;
图9是本发明实施例一种夜间车辆检测装置的结构框图;
图10是本发明实施例一种夜间车辆跟踪方法的流程图;
图11是本发明实施例一种夜间车辆跟踪装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,示出了本发明一种夜间车辆检测方法的流程图,本实施例具体可以包括以下步骤:
步骤100,对车辆图像进行标定,得到标定比例;
对车辆图像进行标定,是为了得到三维现实空间中的实际车辆和二维车辆图像之间的比例尺,也就是上述标定比例。本步骤100得到标定比例通常在第一帧图像中完成,得到的标定比例是实现车辆检测的车灯提取步骤、车灯配对步骤和车灯分组步骤的先决条件。
标定比例就是实际车辆的长度在车辆图像上对应几个像素。本实施例可以通过测量十字路口的斑马线的长度,然后采集十字路口的图像,计算得到实际的斑马线长度在图像上对应多少像素,即得到标定比例。通过上述方法得到的标定比例同样适用于车辆。当然也可以直接测量实际车辆的长度,然后采集车辆图像,同样可以得到标定比例。例如得到的标定比例为:实际中的一米对应图像中的10个像素。
步骤102,计算所述车辆图像的连通域;
本实施例中获取所述车辆图像的连通域包括以下子步骤:
子步骤1,利用HSV阈值对所述车辆图像进行二值化;
本实施例的应用场景主要在十字路口上,检测目标通常设定为车辆尾灯。车辆尾灯具有两个明显的特征:一是亮度信息,夜间的尾灯亮度高,且与周围环境的亮度差很大;二是HSV(H-色相,S饱和度,V-亮度)信息,三维现实空间中尾灯的颜色一般为红色,中心亮度最高,且亮度向外逐渐降低。然而,由于数字图像像素颜色值的局限(数字图像的颜色信息RGB的取值范围是[0,255]),造成图像的颜色信息与现实颜色信息出现偏差,所以在二维图像中尾灯的颜色信息则显示为:中心部分亮度最高、显现黄色信息,且亮度向外逐渐降低的同时显示红色信息。基于上述尾灯的特征,本实施例利用HSV阈值对图2所示的车辆图像进行二值化处理,该步骤的二值化效果如图3所示。
子步骤2,对所述二值化后的车辆图像进行预处理,得到所述车辆图像的连通域,所述预处理包括:腐蚀、膨胀和计算连通域。
一般来说,直接进行二值化之后的车灯前景是不规则的,而且图像会存在噪声,这是由路面反光或者光照变化引起的。所以对二值化后的车辆图像进行预处理,本实施例中先用3×3结构单元对图4所示的二值化后的车辆图像进行腐蚀,腐蚀效果如图5所示;再用7×7结构单元对图4所示的腐蚀后的图像进行膨胀,膨胀效果如图6所示,这样就得到了更符合车灯原型的前景。
本步骤102中计算得到的连通域可以作为疑似车灯。
步骤104,利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
本实施例中所选用的尾灯模型具体可以包括:尾灯的几何形状阈值、颜色阈值和纹理阈值。上述阈值是通过对大量的图片进行处理之后得到的。具体可以通过对大量尾灯图像进行分析研究,提取出尾灯的三种有效特征:HSV颜色特征、几何特征和纹理特征,其中HSV颜色特征指尾灯区域中心为黄色、四周围为红色的特征;几何特征指车灯区域的外切矩形的大小;纹理特征指中心亮度大、亮度向外逐渐降低的特征。处理主要包括提取尾灯彩色图像区域、二值图像区域;记录尾灯彩色区域中心的HSV值和四周围的HSV值、二值区域的矩形尺寸、彩色区域中四周亮度的衰减度(纹理特征);分别对大量HSV值、尺寸值和衰减度(纹理特征)进行数据统计,获得有效的HSV阈值、尺寸阈值和衰减度(纹理特征)阈值。
本实施例中利用尾灯模型对所述连通域进行车灯提取,得到有效车灯具体可以包括:
将所述连通域与所述尾灯模型进行匹配,保留符合几何形状阈值、颜色阈值和纹理阈值的连通域作为有效车灯,去除不符合几何形状阈值、颜色阈值和纹理阈值的连通域。
具体实现的时候,可以依据连通域的几何形状、颜色值和纹理值建立一个检测模型,判断其几何形状是否在尾灯模型的几何形状阈值的范围内,判断其颜色值是否在尾灯模型的颜色阈值的范围内,判断其纹理值是否在尾灯模型的纹理阈值的范围内,当几何形状、颜色值和纹理值都在尾灯模型的阈值范围内时,保留该检测模型,否则去除该检测模型。
步骤104车灯提取的结果如图8所示,可以看出通过尾灯模型的去噪,有效的排除了噪声的干扰,例如图8中线圈内的噪声干扰,在与尾灯模型进行匹配之后,被排除。
需要说明的是,上述尾灯模型的阈值都是一个范围,指示几何形状值、颜色值和纹理值应当属于的范围,在对具体的车辆图像进行处理之后会得到具体的值,例如:几何形状、颜色值以及纹理值。
步骤106,根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
车灯配对是指将相似性较高的两个车灯归为一组,作为车灯对。对车灯进行配对,是为了确定哪些车灯是属于同一辆车的。一般来说车灯是成对出现的,同属一辆车的两个车灯之间的距离应在一定的范围之内。本实施例中根据所述标定比例对所述有效车灯进行车灯配对具体可以包括以下子步骤:
子步骤1,计算所述有效车灯的相似度,所述相似度包括有效车灯的外切矩形的大小和有效车灯的圆弧度;
计算步骤102中得到的连通域的外切矩形的大小和步骤104中得到的有效车灯的圆弧度。有效车灯的圆弧度是指,有效车灯接近圆形的程度。
子步骤2,将所述有效车灯的相似度与配对相似度进行匹配,保留符合配对相似度的有效车灯;
配对相似度包含成功配对的车灯所要满足的外切矩形的大小相差范围和圆弧度相差范围,如果两个有效车灯的外切矩形大小的差值在配对相似度的范围内,同时这两个有效车灯的圆弧度的差值也在配对相似度的范围内,则保留着两个有效车灯,初步配对成功。
子步骤3,将所述符合配对相似度的有效车灯与所述标定比例进行匹配,得到车灯对。
由于三维现实中一对车灯之间的距离是有一个固定范围的,依据这一固定范围根据标定比例可以计算出对应到车辆图像中对应的像素范围。例如,标定比例是现实中1米对应车辆图像上的10个像素,那么现实中车灯之间的距离1~1.5米对应车辆图像上的10~15个像素,也就是说初步配对成功的两个有效车灯之间的像素差要在10~15个像素的范围内,如果符合则配对成功,作为车灯对。
步骤108,将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标进行检测。
属于同一辆车的车灯对包括尾灯对、前灯对、装饰灯对等,在车辆检测的时候,对尾灯进行检测可以获得比较好的效果,而且步骤102中进行HSV阈值二值化可以基于尾灯的特征进行的,因此将车灯对中的的尾灯对选出来作为检测目标进行检测。
需要说明的是,在本发明的一种优选实施例中,步骤100对车辆图像进行标定之前还包括:
判断车辆图像是否为第一帧图像;
当车辆图像为第一帧图像时,对所述车辆图像进行标定;
当车辆图像不为第一帧图像时,调用第一帧图像的标定比例,并执行车灯提取步骤。
本实施例提供的车辆检测方法,对车灯提取进行了创新性的改进,根据尾灯的几何形状、颜色、纹理等特征建立了一种新的尾灯模型,并根据该模型进行车灯提取,降低了路面反射光线及道路两旁的路灯产生的路面反射光线对车灯提取造成的干扰,提高了车灯提取的准确率,进而提高了夜间车辆检测的准确性。
基于上述夜间车辆检测的方法实施例的描述,本发明提供了相应的夜间车辆检测装置的实施例,具体如下:
参照图9,示出了本发明一种夜间车辆检测装置的结构框图,本实施例具体可以包括:标定模块10、计算模块12、车灯提取模块14、车灯配对模块16和车灯分组模块18,其中:
标定模块10,用于对车辆图像进行标定,得到标定比例;
计算模块12,用于计算所述车辆图像的连通域;
本实施例中计算模块12具体可以包括以下子模块:
二值化子模块,用于利用HSV阈值对所述车辆图像进行二值化;
预处理子模块,用于对所述二值化后的车辆图像进行预处理,得到所述车辆图像的连通域,所述预处理包括:腐蚀、膨胀和计算连通域。
车灯提取模块14,用于利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
本实施例中所述尾灯模型具体可以包括:尾灯的几何形状阈值、颜色阈值和纹理阈值。
本实施例中车灯提取模块14将所述连通域与所述尾灯模型进行匹配,保留符合几何形状阈值、颜色阈值和纹理阈值的连通域作为有效车灯,去除不符合几何形状阈值、颜色阈值和纹理阈值的连通域。
车灯配对模块16,用于根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
车灯分组模块18,用于将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标进行检测。
对于夜间车辆检测的装置实施例而言,由于其与夜间车辆检测的方法实施例基本相似,所以描述的比较简单,相关之处参见图1夜间车辆检测的方法实施例的部分说明即可。
基于上述夜间车辆检测的方法实施例的描述,本发明提供了相应的夜间车辆跟踪方法的实施例,具体如下:
参照图10示出了本发明一种夜间车辆跟踪方法的流程图,本实施例具体可以包括以下步骤:
步骤200,在第N帧车辆图像中确定原始目标,并根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标;
在进行车辆追踪的时候,车辆在帧间移动的最大范围时可以估计出来的,例如,若视频帧率f为25fps,公路限速的上限maxV为144km/h(即40m/s),车辆最小车长L为2m,则
所以,可以较为简单的估计出下一帧车灯对位置是在当前车灯对位置前向L距离内,且在这个距离内不会存在其他车辆的车灯。车灯对在下一帧可能出现的位置在当前帧的位置的S领域范围内,在该范围内,找到上一帧车灯目标在当前帧的关联车灯对,实现车辆基于车灯对的跟踪。
本实施例中可以首先对第N帧车辆图像进行车辆检测,得到第N帧车辆图像的检测目标,然后在这些检测目标中选择一个或多个检测目标作为原始目标,也就是需要跟踪的目标。
对第N帧车辆图像进行车辆检测的具体步骤可以参照图1所示的夜间车辆检测方法的实施例中步骤100-步骤108的相关描述,本实施例在此不作赘述。当前,也可以采取其他车辆检测的方法获得第N帧车辆图像的检测目标,本实施例在此不做限制。
本实施例中根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标,具体可以包括以下子步骤:
子步骤1,对所述原始目标的中心位置进行线性预测,结果作为第N+1帧车辆图像的跟踪目标的中心位置;
本实施例中可以采用下列公式进行线性预测:
其中(x1,y1)为t时刻的值,(x2,y2)为t+1时刻的值,(x3,y3)为t+2时刻的值,(x,y)为t+3时刻的预测值。
需要说明的是,实际应用时跟踪至少在连续三帧图像中出现的车辆,上述公式二中计算出N+1帧的线性预测结果,需要之前三帧跟踪目标的中心位置信息:第N-2帧的值(x1,y1)、第N-1帧的值(x2,y2)以及第N帧的值(x3,y3)。
子步骤2,对所述原始目标的单个尾灯进行线性预测,结果作为第N+1帧车辆图像的跟踪目标的单个尾灯。
在对单个尾灯进行线性预测的时候,可以采用公式二的线性预测公式进行预测,得到第N+1帧车辆图像的跟踪目标的单个尾灯。也可以根据所述原始目标的单个尾灯与所述原始目标的中心位置的相对距离,结合所述跟踪目标的中心位置,计算出所述跟踪目标的单个尾灯。本实施例对此不做限制。
步骤202,在第N+1帧车辆图像上获取检测目标;
本实施例获取检测目标具体可以通过以下步骤获得:
步骤100,对车辆图像进行标定,得到标定比例;
步骤102,计算所述车辆图像的连通域,并将所述连通域作为疑似车灯;
步骤104,利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
步骤106,根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
步骤108,将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标。
上述获得检测目标的步骤在夜间车辆检测方法的实施例中已经进行了详细的描述,相关之处可以参照图1所示的夜间车辆检测方法的实施例的说明,本实施例在此不作赘述。
步骤204,在第N+1帧车辆图像上以所述跟踪目标的中心位置为中心划定第一搜索区域,并判断所述检测目标是否在所述第一搜索区域内;当所述检测目标在所述第一搜索区域内时,跟踪成功;
在步骤200中,对所述原始目标的中心位置进行线性预测,得到了第N+1帧车辆图像的跟踪目标的中心位置。本步骤中以上述跟踪目标的中心位置作为中心,划定第一搜索区域。例如,跟踪目标的中心位置坐标为(X_center,Y_center),划定的第一搜索区域为(X_center-20,X_center+20)&&(Y_center-20,Y_center+20),对应的第一搜索区域的区域半径为20个像素的矩形区域。
本实施例中判断所述检测目标是否在所述第一搜索区域内具体可以包括以下子步骤:
子步骤1,计算所述检测目标的中心位置与所述跟踪目标的中心位置之间的第一权重距离;
在本实施例中,检测目标为尾灯对,在以尾灯对为跟踪单位的时候,采用最优匹配原则,即判断第N+1帧的检测目标与哪个跟踪目标最为匹配,便定义为哪个跟踪目标的匹配目标。在最优匹配原则中,与检测目标的权重距离最小的跟踪目标为其最佳跟踪匹配。
本实施例中计算所述检测目标的中心位置与所述所述跟踪目标的中心位置之间的第一权重距离可以采用下列公式三进行计算:
Distance_w=|x1-x2|*w_x+|y1-y2|*w_y (公式三)
其中,(x1,y1)为检测目标的中心位置,(y1,y2)为跟踪目标的中心位置,w_x、w_y的范围都是[0,1],Distance_w表示第一权重距离。
子步骤2,若所述第一权重距离小于所述第一搜索区域的区域半径,则判定所述检测目标在所述第一搜索区域内;
将通过公式三计算得到的第一权重距离Distance_w与第一搜索区域的区域半径进行比较,如果第一权重距离小于所述第一搜索区域的区域半径,则判定所述检测目标在所述第一搜索区域内。例如,A检测目标与跟踪目标M的第一权重距离为15个像素,以跟踪目标M的中心位置划定的第一搜索区域的区域半径为20个像素,则A检测目标在跟踪目标M的第一搜索区域内,表明对跟踪目标M跟踪成功。
子步骤3,若所述第一权重距离大于所述第一搜索区域的区域半径,则判定所述检测目标不在所述第一搜索区域内。
将通过公式三计算得到的第一权重距离Distance_w与第一搜索区域的区域半径进行比较,如果第一权重距离大于所述第一搜索区域的区域半径,则判定所述检测目标不在所述第一搜索区域内。例如,B检测目标与跟踪目标M的第一权重距离为25个像素,以跟踪目标M的中心位置划定的第一搜索区域的区域半径为20个像素,则B检测目标不在跟踪目标M的第一搜索区域内,需要执行步骤206进行二次跟踪。
步骤206,当所述检测目标不在所述第一搜索区域内时,以所述跟踪目标的单个尾灯为中心划定第二搜索区域,并判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内;若所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内,则跟踪成功;若所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内,则跟踪失败;
在第一搜索区域中进行跟踪的时候,可能出现检测目标并不在第一搜索区域中的情况,即在第一搜索区域中跟踪失败,造成第一搜索区域跟踪失败的原因有很多,主要原因之一时在车灯检测时已经存在了错检、漏检、错配对等情况,而这些错误直接导致了错跟踪和漏跟踪的现象。大多数情况下是通过改进和完善检测方法来解决上述问题,然而再完美的检测方法也不会出现100%的检测率。本发明中的检测方法已经在很大程度上提高了夜间尾灯的检测率,同时也降低了错检率,因此在前述车辆检测的方法的基础上,本发明设计了单车灯二次跟踪机制,可以重拾在第一搜索区域跟丢的目标,提高夜间车辆的跟踪准确率,同时还可以修正部分车灯错配的情况。
在单车灯二次跟踪机制中,跟踪目标不再是车灯对,而是单个的车灯,例如单独的左车灯或右车灯;与单个车灯匹配的不再是检测目标(车灯对),而是在车灯检测的时候计算连通域得到的疑似车灯,扩大了作为跟踪目标匹配的目标数量,从而降低了检测目标错误导致的漏跟踪率和错跟踪率。二次跟踪机制作为辅助方式,与第一搜索区域的跟踪相辅相成,实现最终的跟踪效果。
需要说明的是,在单车灯二次跟踪机制中,判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内,此处的“疑似车灯”可以是左车灯,也可以是右车灯。上述“若所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内,则跟踪成功”具体可以包括以下三种情况:
1)左车灯在第二搜索区域内,右车灯不在第二搜索区域内,跟踪成功;
2)右车灯在第二搜索区域内,左车灯不在第二搜索区域内,跟踪成功;
3)左车灯在第二搜索区域内,右车灯也在第二搜索区域内,跟踪成功。
也就是说,左车灯和右车灯中,只要有任意一个单个单灯在第二搜索区域内,则判定二次跟踪时跟踪成功。
本步骤中当所述检测目标不在所述第一搜索区域内时,以所述跟踪目标的单个尾灯为中心划定第二搜索区域,所述第二搜索区域小于所述第一搜索区域,即第二搜索区域的区域半径小于第一搜索区域的区域半径。例如,单个尾灯是车灯对中的左尾灯,坐标为(X_1,Y_1),第一搜索区域的区域半径为20,那么第二搜索区域的区域半径为10个像素,第二搜索区域为(X_1-10,X_1+10)&&(Y_1-10,Y_1+10)。
本实施例中判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内具体可以包括以下子步骤:
子步骤1,计算第N+1帧车辆图像上的疑似车灯与所述跟踪目标的单个尾灯之间的第二权重距离;
可以采用公式三计算疑似车灯与所述跟踪目标M的单个尾灯Q之间的第二权重距离。
子步骤2,若所述第二权重距离小于所述第二搜索区域的区域半径,则判定所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内;
将通过公式三计算得到的第二权重距离与第二搜索区域的区域半径进行比较,如果第二权重距离小于所述第二搜索区域的区域半径,则判定疑似车灯在所述第二搜索区域内。例如,C疑似车灯与跟踪目标M的单个尾灯Q之间的第二权重距离为5个像素,第二搜索区域的区域半径为10个像素,则C疑似车灯在第二搜索区域内,表明对跟踪目标M的单个尾灯Q跟踪成功,即对跟踪目标M跟踪成功。
子步骤3,若所述第二权重距离大于所述第二搜索区域的区域半径,则判定所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内。
将通过公式三计算得到的第二权重距离与第二搜索区域的区域半径进行比较,如果第二权重距离小于所述第二搜索区域的区域半径,则判定疑似车灯在所述第二搜索区域内。例如,D疑似车灯与跟踪目标M的单个尾灯Q之间的第二权重距离为15个像素,第二搜索区域的区域半径为10个像素,则D疑似车灯不在第二搜索区域内,表明对跟踪目标M的单个尾灯Q跟踪失败,即对跟踪目标M跟踪失败。
基于上述夜间车辆跟踪的方法实施例的描述,本发明提供了相应的夜间车辆跟踪装置的实施例,具体如下:
参照图11示出了本发明一种夜间车辆检测装置的结构框图,本实施例具体可以包括:目标确定模块20、检测目标获取模块22、第一追踪模块24和第二追踪模块26,其中:
目标确定模块20,用于在第N帧车辆图像中确定原始目标,并根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标;
检测目标获取模块22,用于在第N+1帧车辆图像上获取检测目标;
本实施例中检测目标获取模块22具体可以包括以下子模块:
标定子模块,用于对车辆图像进行标定,得到标定比例;
计算子模块,用于计算所述车辆图像的连通域,并将所述连通域作为疑似车灯;
车灯提取子模块,用于利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
车灯配对子模块,用于根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
车灯分组子模块,用于将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标;
第一追踪模块24,用于在第N+1帧车辆图像上以所述跟踪目标的中心位置为中心划定第一搜索区域,并判断所述检测目标是否在所述第一搜索区域内;当所述检测目标在所述第一搜索区域内时,跟踪成功;
第二追踪模块26,用于当所述检测目标不在所述第一搜索区域内时,以所述跟踪目标的单个尾灯为中心划定第二搜索区域,并判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内;若所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内,则跟踪成功;若所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内,则跟踪失败。
对于夜间车辆跟踪的装置实施例而言,由于其与夜间车辆跟踪的方法实施例基本相似,所以描述的比较简单,相关之处参见图10夜间车辆跟踪的方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
以上对本发明所提供的一种夜间车辆检测方法、跟踪方法及装置,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种夜间车辆跟踪方法,其特征在于,包括:
在第N帧车辆图像中确定原始目标,并根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标;
在第N+1帧车辆图像上获取检测目标;
在第N+1帧车辆图像上以所述跟踪目标的中心位置为中心划定第一搜索区域,并判断所述检测目标是否在所述第一搜索区域内;当所述检测目标在所述第一搜索区域内时,跟踪成功;
当所述检测目标不在所述第一搜索区域内时,以所述跟踪目标的单个尾灯为中心划定第二搜索区域,并判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内;若所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内,则跟踪成功;若所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内,则跟踪失败;
其中,所述检测目标通过以下步骤获得:
对车辆图像进行标定,得到标定比例;
计算所述车辆图像的连通域,并将所述连通域作为疑似车灯;
利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标。
2.根据权利要求1所述的方法,其特征在于,所述根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标,包括:
对所述原始目标的中心位置进行线性预测,结果作为第N+1帧车辆图像的跟踪目标的中心位置;
对所述原始目标的单个尾灯进行线性预测,结果作为第N+1帧车辆图像的跟踪目标的单个尾灯。
3.根据权利要求1所述的方法,其特征在于,所述第二搜索区域小于所述第一搜索区域。
4.根据权利要求1所述的方法,其特征在于,所述判断所述检测目标是否在所述第一搜索区域内包括:
计算所述检测目标的中心位置与所述跟踪目标的中心位置之间的第一权重距离;
若所述第一权重距离小于所述第一搜索区域的区域半径,则判定所述检测目标在所述第一搜索区域内;
若所述第一权重距离大于所述第一搜索区域的区域半径,则判定所述检测目标不在所述第一搜索区域内。
5.根据权利要求1所述的方法,其特征在于,所述判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内,包括:
计算第N+1帧车辆图像上的疑似车灯与所述跟踪目标的单个尾灯之间的第二权重距离;
若所述第二权重距离小于所述第二搜索区域的区域半径,则判定所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内;
若所述第二权重距离大于所述第二搜索区域的区域半径,则判定所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内。
6.一种夜间车辆跟踪装置,其特征在于,包括:
目标确定模块,用于在第N帧车辆图像中确定原始目标,并根据关联规则对所述原始目标进行线性预测,结果作为第N+1帧车辆图像的跟踪目标;
检测目标获取模块,用于在第N+1帧车辆图像上获取检测目标;
第一追踪模块,用于在第N+1帧车辆图像上以所述跟踪目标的中心位置为中心划定第一搜索区域,并判断所述检测目标是否在所述第一搜索区域内;当所述检测目标在所述第一搜索区域内时,跟踪成功;
第二追踪模块,用于当所述检测目标不在所述第一搜索区域内时,以所述跟踪目标的单个尾灯为中心划定第二搜索区域,并判断第N+1帧车辆图像上的疑似车灯是否在所述第二搜索区域内;若所述第N+1帧车辆图像上的疑似车灯在所述第二搜索区域内,则跟踪成功;若所述第N+1帧车辆图像上的疑似车灯不在所述第二搜索区域内,则跟踪失败;
其中,所述检测目标获取模块包括:
标定子模块,用于对车辆图像进行标定,得到标定比例;
计算子模块,用于计算所述车辆图像的连通域,并将所述连通域作为疑似车灯;
车灯提取子模块,用于利用尾灯模型对所述连通域进行车灯提取,得到有效车灯;
车灯配对子模块,用于根据所述标定比例对所述有效车灯进行车灯配对,得到车灯对;
车灯分组子模块,用于将属于同一辆车的车灯对归为一组,并将所述车灯对中的尾灯对作为检测目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310030701.5A CN103150898B (zh) | 2013-01-25 | 2013-01-25 | 一种夜间车辆检测方法、跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310030701.5A CN103150898B (zh) | 2013-01-25 | 2013-01-25 | 一种夜间车辆检测方法、跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103150898A CN103150898A (zh) | 2013-06-12 |
CN103150898B true CN103150898B (zh) | 2015-07-29 |
Family
ID=48548931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310030701.5A Active CN103150898B (zh) | 2013-01-25 | 2013-01-25 | 一种夜间车辆检测方法、跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103150898B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103870809B (zh) * | 2014-02-27 | 2017-06-16 | 奇瑞汽车股份有限公司 | 车辆的检测方法及装置 |
CN103886292B (zh) * | 2014-03-20 | 2017-02-08 | 杭州电子科技大学 | 一种基于机器视觉的夜间车辆目标稳定跟踪方法 |
CN104866838B (zh) * | 2015-06-02 | 2018-08-03 | 南京航空航天大学 | 一种基于视觉的前方车辆自动检测方法 |
CN105320938B (zh) * | 2015-09-25 | 2018-11-02 | 安徽师范大学 | 一种夜晚环境下的后方车辆检测方法 |
CN105679090B (zh) * | 2015-10-21 | 2017-11-28 | 天津师范大学 | 一种基于智能手机的夜间司机驾驶辅助方法 |
CN105631900B (zh) * | 2015-12-30 | 2019-08-02 | 浙江宇视科技有限公司 | 一种车辆跟踪方法及装置 |
CN106128112B (zh) * | 2016-07-26 | 2018-09-18 | 海南怡盟电子科技有限公司 | 夜间卡口车辆识别抓拍方法 |
WO2018068313A1 (zh) * | 2016-10-14 | 2018-04-19 | 富士通株式会社 | 车辆检测装置、车辆计数装置及方法 |
CN108021856B (zh) * | 2016-10-31 | 2020-09-15 | 比亚迪股份有限公司 | 车辆尾灯识别方法、装置及车辆 |
CN108230666A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 一种夜间车辆检测和追踪方法 |
CN108230682A (zh) * | 2016-12-14 | 2018-06-29 | 贵港市瑞成科技有限公司 | 基于尾灯跟踪的夜间车辆检测方法 |
CN107506686B (zh) * | 2017-07-12 | 2021-06-25 | 浙江工业大学 | 一种基于显著性检测的夜间车辆检测方法 |
CN107992810B (zh) * | 2017-11-24 | 2020-12-29 | 智车优行科技(北京)有限公司 | 车辆识别方法和装置、电子设备和存储介质 |
CN111062231B (zh) * | 2018-10-17 | 2023-03-24 | 财团法人车辆研究测试中心 | 车辆侦测方法、基于光强度动态的夜间车辆侦测方法及其*** |
CN111382735B (zh) * | 2018-12-29 | 2023-05-30 | 浙江宇视科技有限公司 | 夜间车辆检测方法、装置、设备及存储介质 |
CN109800693B (zh) * | 2019-01-08 | 2021-05-28 | 西安交通大学 | 一种基于颜色通道混合特征的夜间车辆检测方法 |
CN110399823B (zh) * | 2019-07-18 | 2021-07-09 | Oppo广东移动通信有限公司 | 主体跟踪方法和装置、电子设备、计算机可读存储介质 |
CN110807791A (zh) * | 2019-10-31 | 2020-02-18 | 广东泓胜科技股份有限公司 | 一种夜间车辆目标跟踪方法及装置 |
CN112287808B (zh) * | 2020-10-27 | 2021-08-10 | 江苏云从曦和人工智能有限公司 | 运动轨迹分析告警方法、装置、***及存储介质 |
CN112927502B (zh) * | 2021-01-21 | 2023-02-03 | 广州小鹏自动驾驶科技有限公司 | 一种数据处理的方法和装置 |
CN117456511A (zh) * | 2023-12-25 | 2024-01-26 | 安徽蔚来智驾科技有限公司 | 车灯识别方法、存储介质及智能设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231236A (zh) * | 2011-06-14 | 2011-11-02 | 汉王科技股份有限公司 | 车辆计数方法和装置 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及*** |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470806B (zh) * | 2007-12-27 | 2012-06-27 | 东软集团股份有限公司 | 车灯检测方法和装置、感兴趣区域分割方法和装置 |
JP4972596B2 (ja) * | 2008-03-31 | 2012-07-11 | 株式会社日立製作所 | 交通流計測装置 |
CN101727748B (zh) * | 2009-11-30 | 2014-09-10 | 北京中星微电子有限公司 | 一种基于车辆尾灯检测的车辆监控方法、***和设备 |
TWI408625B (zh) * | 2010-04-15 | 2013-09-11 | Univ Nat Chiao Tung | 車輛追蹤系統及其方法 |
CN102280030B (zh) * | 2011-07-20 | 2013-09-25 | 杭州海康威视数字技术股份有限公司 | 夜晚车辆检测的方法及其*** |
-
2013
- 2013-01-25 CN CN201310030701.5A patent/CN103150898B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102231236A (zh) * | 2011-06-14 | 2011-11-02 | 汉王科技股份有限公司 | 车辆计数方法和装置 |
CN102610102A (zh) * | 2012-02-27 | 2012-07-25 | 安科智慧城市技术(中国)有限公司 | 一种嫌疑车辆查控方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN103150898A (zh) | 2013-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103150898B (zh) | 一种夜间车辆检测方法、跟踪方法及装置 | |
CN103522970B (zh) | 基于机器视觉的车辆行驶安全检测方法和*** | |
US9704060B2 (en) | Method for detecting traffic violation | |
CN101075376B (zh) | 基于多视点的智能视频交通监控***及方法 | |
Lan et al. | Vehicle speed measurement based on gray constraint optical flow algorithm | |
US9064418B2 (en) | Vehicle-mounted environment recognition apparatus and vehicle-mounted environment recognition system | |
CN103279736B (zh) | 一种基于多信息邻域投票的车牌检测方法 | |
CN102354457B (zh) | 基于广义霍夫变换的交通信号灯位置检测方法 | |
CN101727748B (zh) | 一种基于车辆尾灯检测的车辆监控方法、***和设备 | |
CN105426864A (zh) | 一种基于等距边缘点匹配的多车道线检测方法 | |
CN103730015B (zh) | 交叉路口车流量检测方法及装置 | |
CN102592454A (zh) | 一种基于车辆侧面与路面交线检测的交叉口车辆运动参数测量方法 | |
CN200990147Y (zh) | 基于多视点的智能视频交通监控*** | |
CN108037505A (zh) | 一种夜间前方车辆检测方法及*** | |
CN102496281B (zh) | 一种基于跟踪与虚拟线圈结合的车辆闯红灯检测方法 | |
CN103206957B (zh) | 车辆自主导航的车道线检测与跟踪方法 | |
CN103473534A (zh) | 一种基于视频的车辆检测方法 | |
CN105513349A (zh) | 基于双视角学习的山区高速公路车辆事件检测方法 | |
CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN107705577B (zh) | 一种基于车道线标定车辆违章变道的实时检测方法及*** | |
CN105913000B (zh) | 一种基于视频分析的车辆跟踪方法 | |
CN103794050A (zh) | 一种实时的交通车辆检测与跟踪方法 | |
CN107037467B (zh) | 一种定位***及方法、智能汽车 | |
CN106056926B (zh) | 基于动态虚拟线圈的视频车速检测方法 | |
Chen et al. | MRSI: A multimodal proximity remote sensing data set for environment perception in rail transit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |