CN105631900A - 一种车辆跟踪方法及装置 - Google Patents
一种车辆跟踪方法及装置 Download PDFInfo
- Publication number
- CN105631900A CN105631900A CN201511018526.3A CN201511018526A CN105631900A CN 105631900 A CN105631900 A CN 105631900A CN 201511018526 A CN201511018526 A CN 201511018526A CN 105631900 A CN105631900 A CN 105631900A
- Authority
- CN
- China
- Prior art keywords
- region
- tracing area
- tracking
- vehicle
- color
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种车辆跟踪方法及装置,所述方法包括:获取跟踪车辆的跟踪区域,将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色;获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置;以所述预测位置为中心,选择预设范围作为待跟踪区域;在待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域;以目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。因此可以在跟踪车辆移动速度较快时避免因陷入局部最优解的问题,从而可以提高跟踪成功率。
Description
技术领域
本发明涉及视频监控技术领域,尤其涉及一种车辆跟踪方法及装置。
背景技术
电子警察摄像机用于实时监控路口车辆的运动状态,对车辆的违章行驶行为进行拍摄分析取证。在典型的电子警察监控路口中,如果同时有多辆车辆通行且拍摄的场景不一致时,需要对车辆进行跟踪以便进行违章判罚。
现有技术中,主要通过Meanshift跟踪算法来进行车辆跟踪,跟踪中通常使用跟踪目标的本帧最佳跟踪位置为下一帧跟踪的起始位置,但是当车速较高时车辆帧间移动距离较远,会出现跟踪初始点与目标区域不相交的问题,容易在直方图匹配时陷入局部最优解的问题致使跟踪失败,导致跟踪成功率降低,并影响后续违章处理。
发明内容
有鉴于此,本发明提供一种车辆跟踪方法及装置来解决现有技术中跟踪成功率低的问题。
具体地,本发明是通过如下技术方案实现的:
本发明提供一种车辆跟踪方法,所述方法包括:
获取跟踪车辆的跟踪区域,将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色;
获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置;
以所述预测位置为中心,选择预设范围作为待跟踪区域;
在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域;
以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。
进一步的,所述将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色,包括:
计算跟踪区域的权值分布矩阵,根据所述权值分布矩阵计算对应的加权直方图,根据所述加权直方图统计所述跟踪区域的主颜色。
进一步的,所述获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置,包括:
利用获取所述跟踪区域的历史位置,基于速度预测方法,计算所述跟踪区域的预测位置。
进一步的,所述在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域,包括:
将所述待跟踪区域使用边缘检测算法进行滤波及二值化处理,将二值化后的待跟踪区域分别进行水平和竖直方向的像素投影,得到像素直方图;
通过所述像素直方图获取待跟踪区域中的纹理丰富区域,在所述纹理丰富区域中查找与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域。
进一步的,所述方法还包括:
根据所述位置信息判断跟踪车辆是否超出预设跟踪区域,若超出,则结束跟踪;若未超出,则将所述位置信息更新至所述历史位置。
基于相同的构思,本发明还提供一种车辆跟踪装置,所述装置包括:
初始化单元,用于获取跟踪车辆的跟踪区域,将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色;
位置预测单元,用于获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置;
区域选取单元,用于以所述预测位置为中心,选取预设范围作为待跟踪区域;
区域更新单元,用于在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域;
车辆跟踪单元,用于以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。
进一步的,所述初始化单元,具体用于计算跟踪区域的权值分布矩阵,根据所述权值分布矩阵计算对应的加权直方图,根据所述加权直方图统计所述跟踪区域的主颜色。
进一步的,所述位置预测单元,具体用于利用获取所述跟踪区域的历史位置,基于速度预测方法计算所述跟踪区域的预测位置。
进一步的,所述区域更新单元,具体用于将所述待跟踪区域使用边缘检测算法进行滤波及二值化处理,将二值化后的待跟踪区域分别进行水平和竖直方向的像素投影,得到像素直方图;通过所述像素直方图获取待跟踪区域中的纹理丰富区域,在所述纹理丰富区域中查找与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域。
进一步的,所述装置还包括:
跟踪判断单元,用于根据所述位置信息判断跟踪车辆是否超出预设跟踪区域,若超出,则结束跟踪;若未超出,则将所述位置信息更新至所述历史位置。
由此可见,本发明可以通过获取跟踪车辆的跟踪区域进行初始化计算,获取跟踪区域的主颜色作为基准颜色;并根据跟踪区域的历史位置计算所述跟踪区域的预测位置;再以所述预测位置为中心,选择预设范围作为待跟踪区域,在待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域,并以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。因此可以在跟踪车辆移动速度较快时避免因陷入局部最优解的问题,从而可以提高跟踪成功率。
附图说明
图1是本发明一种示例性实施方式中的一种车辆跟踪方法的处理流程图;
图2a是本发明一种示例性实施方式中的待跟踪区域的示意图;
图2b是本发明一种示例性实施方式中的滤波后的待跟踪区域的示意图;
图2c是本发明一种示例性实施方式中的缩放后的二值化后的待跟踪区域示意图;
图2d是本发明一种示例性实施方式中的像素投影的示意图;
图2e是本发明一种示例性实施方式中的一个候选区域的示意图;
图2f是本发明一种示例性实施方式中的另一个候选区域的示意图;
图3是本发明一种示例性实施方式中的另一种车辆跟踪方法的处理流程图;
图4本发明一种示例性实施方式中的车辆跟踪装置所在设备的硬件结构图;
图5本发明一种示例性实施方式中的一种车辆跟踪装置的逻辑结构图。
具体实施方式
为了解决现有技术存在的问题,本发明提供一种车辆跟踪方法及装置,可以通过获取跟踪车辆的跟踪区域进行初始化计算,获取跟踪区域的主颜色作为基准颜色;并根据跟踪区域的历史位置计算所述跟踪区域的预测位置;再以所述预测位置为中心,选择预设范围作为待跟踪区域,在待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域,并以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。因此可以在跟踪车辆移动速度较快时避免因陷入局部最优解的问题,从而可以提高跟踪成功率。
请参考图1,是本发明一种示例性实施方式中的一种车辆跟踪方法的处理流程图,所述方法包括:
步骤101、获取跟踪车辆的跟踪区域,将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色;
在本实施例中,首先可以获取跟踪车辆的跟踪区域,通常可以将跟踪车辆的车牌区域作为跟踪区域(主要指车尾部的车牌区域)。然后通过对跟踪区域进行初始化计算,获取该跟踪区域的主颜色作为基准颜色。
在本发明可选的实施例中,所述初始化计算通常可以计算跟踪区域的权值分布矩阵,计算过程可以包括分别计算跟踪区域上每个点到该区域中心的欧式距离,得到权值矩阵;再使用与该区域中心距离最远的像素点(通常该像素点指跟踪区域的边缘顶角,例如车牌的四个顶角)。的距离值与权值矩阵上每一个值进行减法运算,更新该权值分布矩阵,得到一个距离区域中心越远权值越低的权值分布矩阵。然后根据所述权值分布矩阵计算对应的加权直方图,例如将跟踪区域中的每一个像素对应的像素值乘以上述权值分布矩阵对应位置的权值大小计入直方图中,再遍历整个模板,得到加权直方图。最后可根据所述加权直方图统计所述跟踪区域的主颜色,例如可以遍历跟踪区域中的所有像素值,按车牌常见颜色,蓝、黄、黑、白进行分类。统计得到跟踪区域的主颜色,并以该主颜色作为该跟踪区域的基准颜色。上述计算方法非本发明的技术要点,且均可参照现有的计算方法实现,此处不做赘述。
步骤102、获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置;
初始化计算后,可以进一步获取所述跟踪区域的历史位置,并根据所述历史位置计算所述跟踪区域的预测位置。
在本发明可选的实施例中,可以基于灰度预测模型的速度预测方法,根据所述历史位置计算所述跟踪区域的预测位置。具体预测过程如下:
(1)获取历史位置序列
X(0)={X(0)(1),X(0)(2),X(0)(3),...,X(0)(n)},其中X为跟踪区域的X轴坐标;分别表示车辆在不同时刻在X轴的历史位置,例如X(0)(1)表示第一帧的位置,X(0)(n)表示第n帧的位置。
(2)将相邻的X相加,计算累加生成序列
X(1)={X(1)(1),X(1)(2),X(1)(3),...,X(1)(n)},其中
(3)计算均值生成序列
Z(1)={Z(1)(1),Z(1)(2),Z(1)(3),...,Z(1)(n-1)},其中Z(1)(k)=tX(1)(k)+(1-t)X(1)(k-1
(4)由累加生成序列、均值生成序列得到方程
X(0)(k)+aZ(1)(k)=u,a、u可由[a,u]T=(BTB)-1BTY求得,其中
(5)预测下一帧位置
求得关于位置信息的时间响应函数:
则t时刻的预测值为:X(0)(t)=X(1)(t)-X(1)(t-1)
根据上述方程,分别计算出X轴Y轴下一帧的预测值,从而可以预测跟踪区域的预测位置,获取该跟踪区域下一帧的位置坐标。
灰色预测模型可以把离散数据视为连续变量在其变化过程中所取的离散值,通过利用微分方程式处理数据,从而可以抵消大部分随机误差,显示出规律性,从而实现预测。使用灰度预测模型进行速度预测,可以在进行预测有上一帧结果参与更新历史位置序列,因此预测结果准确,计算量较小。
步骤103、以所述预测位置为中心,选择预设范围作为待跟踪区域;
在本实施例中,可以以上述预测位置为中心,外扩预设范围,例如车尾大小区域,通常所述车尾大小区域宽约为4~5倍车牌长,高约为3~4倍车牌长,作为跟踪车辆的待跟踪区域。
步骤104、在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域;
在本实施例中,可以以所述跟踪区域的基准颜色为依据,在待跟踪区域中进行颜色匹配获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域。具体来讲,可以将所述待跟踪区域使用边缘检测算法Sobel算子进行滤波,之后使用最大类间方差法对滤波后的图像进行二值化处理,将二值化后的待跟踪区域分别进行水平和竖直方向的像素投影,即逐行累加,逐列累加,得到像素直方图。然后,根据像素投影结果选取投影序列的波峰集中的范围为纹理丰富区域。然后按纹理丰富程度由丰富到稀疏对纹理丰富点进行排序,之后遍历区域中各个像素点,进行主颜色匹配,得到与跟踪区域的基准颜色相似的区域,并以该区域作为目标跟踪区域,也就是车牌区域,并将该目标跟踪区域作为Meanshift算法的初始位置。
下面通过实际处理示例,对本方案进行详细说明。
请参见图2a,为待跟踪区域,即车尾区域的示意图。
首先将所述待跟踪区域使用Sobel算子进行滤波后,可以起到增强边界的效果,滤波后的待跟踪区域如图2b所示。
之后使用最大类间方差法对滤波后的图像进行二值化处理,二值化后的待跟踪区域如图2c所示。
再将二值化后的待跟踪区域分别进行水平和垂直方向的像素投影,即逐行累加,逐列累加,得到像素直方图。选取适当阈值对投影序列进行分割,分割后再对序列进行中值滤波,投影效果如图2d所示,其中左边为X轴像素投影示例图,右边为Y轴像素投影示例图。
然后按纹理丰富程度由丰富到稀疏对纹理丰富点进行排序,所述纹理信息指的是边缘信息,例如车牌的边缘。遍历各个纹理丰富点,根据投影结果选取投影序列的波峰位置即纹理丰富区域中心点,并以所述中心点外扩跟踪区域作候选区域,如图2e、2f所示。之后遍历区域中各个像素点,将候选区域与跟踪区域进行主颜色匹配,得到与基准颜色最相似的候选区域作为目标跟踪区域。
上述根据纹理丰富点进行目标跟踪区域的匹配可以避免车辆颜色对匹配结果的影响。例如,假设当车辆颜色为蓝色、车牌颜色也为蓝色时,通过传统的颜色匹配方法很难匹配到车牌区域,而通过提取纹理丰富点可以获取车牌区域的边缘,因此本发明可以快速准确的提取车牌区域,从而可以提高识别效率和准确率。
之后,本发明还可以根据所述目标跟踪区域,并根据该目标跟踪区域的位置更新所述待跟踪区域,从而通过颜色匹配的方式进行待跟踪区域的校准,提高跟踪成功率。
本发明在车辆跟踪过程中,每帧跟踪初始点选择可以利用预测结果纹理信息和颜色特征进行二次选择,避免陷入局部最优解,避免在车辆移动速度较快时,跟踪初始点与跟踪区域不相交导致的跟踪失败,提高跟踪成功率。
步骤105、以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。
在本实施例中,获取目标跟踪区域后,以所述目标跟踪区域作为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。具体来讲,以该目标跟踪区域作为Meanshift算法的初始区域,并进行Meanshift均值漂移运算,得到最佳匹配位置,将该位置信息作为跟踪车辆的位置信息。由于本发明跟踪区域选取为车牌区域,相比于现有技术选取的全车区域或车辆外接矩形区域,本发明可以减少跟踪区域计算量,并且限制了车辆跟踪时Meanshift均值漂移区域面积,节约性能开销,有助于多目标实时跟踪。
另外,当获取跟踪车辆的位置信息后,可以根据所述位置信息进一步判断跟踪车辆是否超出预设跟踪区域,若超出,则结束跟踪;若未超出,则将所述位置信息更新至所述历史位置,以便后续跟踪计算使用,从而可以提高跟踪准确性。
由此可见,本发明可以通过获取跟踪车辆的跟踪区域进行初始化计算,获取跟踪区域的主颜色作为基准颜色;并根据跟踪区域的历史位置计算所述跟踪区域的预测位置;再以所述预测位置为中心,选择预设范围作为待跟踪区域,在待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域,并以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。因此可以在跟踪车辆移动速度较快时避免因陷入局部最优解的问题,从而可以提高跟踪成功率。
为使本发明的目的、技术方案及优点更加清楚明白,下面对本发明该方案作进一步地详细说明。
请参考图3,是本发明一种示例性实施方式中的另一种车辆跟踪方法的处理流程图,当跟踪区域初始化完成后,所述方法包括:
步骤301、位置序列记录,转步骤302、303;
步骤302、计算累加生成序列,转步骤304;
步骤303、计算均值生成序列,转步骤304;
步骤304、计算发展系数、灰度作用量;
步骤305、预测下一帧位置;
步骤306、根据预测结果初步选定待跟踪区域;
步骤307、搜索纹理丰富区域;
步骤308、判断候选区域的主颜色是否为基准颜色,若是,则转步骤310;若否,则转步骤309;
步骤309,排除该候选区域,转步骤307;
步骤310、将该候选区域作为目标跟踪区域;
步骤311、Meanshift目标跟踪;
步骤312、输出跟踪车辆的位置;
步骤313、判断跟踪车辆超出跟踪区域,若是,跟踪结束;若否,则转步骤301。
本发明在车辆跟踪过程中,每帧跟踪初始点选择可以利用预测结果纹理信息和颜色特征进行二次选择,避免陷入局部最优解,避免在车辆移动速度较快时,跟踪初始点与跟踪区域不相交导致的跟踪失败,提高跟踪成功率。并且通过限制车辆跟踪时Meanshift均值漂移区域面积,节约性能开销,有助于多目标实时跟踪。
基于相同的构思,本发明还提供一种车辆跟踪装置,该装置可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,本发明的车辆跟踪装置作为一个逻辑意义上的装置,是通过其所在设备的CPU将存储器中对应的计算机程序指令读取后运行而成。
请参考图4及图5,是本发明一种示例性实施方式中的一种车辆跟踪装置500,该装置基本运行环境包括CPU,存储器以及其他硬件,从逻辑层面上来看,该装置500包括:
初始化单元501,用于获取跟踪车辆的跟踪区域,将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色;
位置预测单元502,用于获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置;
区域选取单元503,用于以所述预测位置为中心,选取预设范围作为待跟踪区域;
区域更新单元504,用于在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域;
车辆跟踪单元505,用于以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。
可选的,所述初始化单元501,具体用于计算跟踪区域的权值分布矩阵,根据所述权值分布矩阵计算对应的加权直方图,根据所述加权直方图统计所述跟踪区域的主颜色。
可选的,所述位置预测单元502,具体用于利用获取所述跟踪区域的历史位置,基于速度预测方法,计算所述跟踪区域的预测位置。
可选的,所述区域更新单元504,具体用于将所述待跟踪区域使用边缘检测算法进行滤波及二值化处理,将二值化后的待跟踪区域分别进行水平和竖直方向的像素投影,得到像素直方图;通过所述像素直方图获取待跟踪区域中的纹理丰富区域,在所述纹理丰富区域中查找与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域。
可选的,所述装置500还包括:
跟踪判断单元506,用于根据所述位置信息判断跟踪车辆是否超出预设跟踪区域,若超出,则结束跟踪;若未超出,则将所述位置信息更新所述历史位置。
由此可见,本发明可以通过获取跟踪车辆的跟踪区域进行初始化计算,获取跟踪区域的主颜色作为基准颜色;并根据跟踪区域的历史位置计算所述跟踪区域的预测位置;再以所述预测位置为中心,选择预设范围作为待跟踪区域,在待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域,并以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。因此可以在跟踪车辆移动速度较快时避免因陷入局部最优解的问题,从而可以提高跟踪成功率。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (10)
1.一种车辆跟踪方法,其特征在于,所述方法包括:
获取跟踪车辆的跟踪区域,将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色;
获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置;
以所述预测位置为中心,选择预设范围作为待跟踪区域;
在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域;
以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。
2.根据权利要求1所述的方法,其特征在于,所述将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色,包括:
计算跟踪区域的权值分布矩阵,根据所述权值分布矩阵计算对应的加权直方图,根据所述加权直方图统计所述跟踪区域的主颜色。
3.根据权利要求1所述的方法,其特征在于,所述获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置,包括:
利用获取所述跟踪区域的历史位置,基于速度预测方法计算所述跟踪区域的预测位置。
4.根据权利要求1所述的方法,其特征在于,所述在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域,包括:
将所述待跟踪区域使用边缘检测算法进行滤波及二值化处理,将二值化后的待跟踪区域分别进行水平和竖直方向的像素投影,得到像素直方图;
通过所述像素直方图获取待跟踪区域中的纹理丰富区域,在所述纹理丰富区域中查找与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述位置信息判断跟踪车辆是否超出预设跟踪区域,若超出,则结束跟踪;若未超出,则将所述位置信息更新至所述历史位置。
6.一种车辆跟踪装置,其特征在于,所述装置包括:
初始化单元,用于获取跟踪车辆的跟踪区域,将所述跟踪区域进行初始化计算,获取所述跟踪区域的主颜色作为基准颜色;
位置预测单元,用于获取所述跟踪区域的历史位置,根据所述历史位置计算所述跟踪区域的预测位置;
区域选取单元,用于以所述预测位置为中心,选取预设范围作为待跟踪区域;
区域更新单元,用于在所述待跟踪区域中获取与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域;
车辆跟踪单元,用于以所述目标跟踪区域为新一轮车辆位置跟踪预测的初始跟踪区域进行车辆跟踪。
7.根据权利要求6所述的装置,其特征在于,
所述初始化单元,具体用于计算跟踪区域的权值分布矩阵,根据所述权值分布矩阵计算对应的加权直方图,根据所述加权直方图统计所述跟踪区域的主颜色。
8.根据权利要求6所述的装置,其特征在于,
所述位置预测单元,具体用于利用获取所述跟踪区域的历史位置,基于速度预测方法,计算所述跟踪区域的预测位置。
9.根据权利要求6所述的装置,其特征在于,
所述区域更新单元,具体用于将所述待跟踪区域使用边缘检测算法进行滤波及二值化处理,将二值化后的待跟踪区域分别进行水平和竖直方向的像素投影,得到像素直方图;通过所述像素直方图获取待跟踪区域中的纹理丰富区域,在所述纹理丰富区域中查找与基准颜色相匹配的目标颜色对应的区域作为目标跟踪区域。
10.根据权利要求6所述的装置,其特征在于,所述装置还包括:
跟踪判断单元,用于根据所述位置信息判断跟踪车辆是否超出预设跟踪区域,若超出,则结束跟踪;若未超出,则将所述位置信息更新至所述历史位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511018526.3A CN105631900B (zh) | 2015-12-30 | 2015-12-30 | 一种车辆跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511018526.3A CN105631900B (zh) | 2015-12-30 | 2015-12-30 | 一种车辆跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105631900A true CN105631900A (zh) | 2016-06-01 |
CN105631900B CN105631900B (zh) | 2019-08-02 |
Family
ID=56046787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511018526.3A Active CN105631900B (zh) | 2015-12-30 | 2015-12-30 | 一种车辆跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105631900B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064488A (zh) * | 2018-07-05 | 2018-12-21 | 北方工业大学 | 无人机载视频中特定建筑匹配跟踪方法 |
CN111340856A (zh) * | 2018-12-19 | 2020-06-26 | 杭州海康威视***技术有限公司 | 车辆的跟踪方法、装置、设备及存储介质 |
CN112037257A (zh) * | 2020-08-20 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、终端及其计算机可读存储介质 |
CN117409044A (zh) * | 2023-12-14 | 2024-01-16 | 深圳卡思科电子有限公司 | 一种基于机器学习的智能对象动态跟随方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018516A1 (en) * | 2004-07-22 | 2006-01-26 | Masoud Osama T | Monitoring activity using video information |
CN102663775A (zh) * | 2012-03-30 | 2012-09-12 | 温州大学 | 面向低帧率视频的目标跟踪方法 |
CN103065325A (zh) * | 2012-12-20 | 2013-04-24 | 中国科学院上海微***与信息技术研究所 | 一种基于彩色颜色距离和图像分科聚合的目标跟踪方法 |
CN103150898A (zh) * | 2013-01-25 | 2013-06-12 | 大唐移动通信设备有限公司 | 一种夜间车辆检测方法、跟踪方法及装置 |
CN104331908A (zh) * | 2014-11-19 | 2015-02-04 | 天津工业大学 | 压缩haar特征和运动信息相融合的目标跟踪方法 |
CN105184258A (zh) * | 2015-09-09 | 2015-12-23 | 苏州科达科技股份有限公司 | 目标跟踪方法及***、人员行为分析方法及*** |
-
2015
- 2015-12-30 CN CN201511018526.3A patent/CN105631900B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060018516A1 (en) * | 2004-07-22 | 2006-01-26 | Masoud Osama T | Monitoring activity using video information |
CN102663775A (zh) * | 2012-03-30 | 2012-09-12 | 温州大学 | 面向低帧率视频的目标跟踪方法 |
CN103065325A (zh) * | 2012-12-20 | 2013-04-24 | 中国科学院上海微***与信息技术研究所 | 一种基于彩色颜色距离和图像分科聚合的目标跟踪方法 |
CN103150898A (zh) * | 2013-01-25 | 2013-06-12 | 大唐移动通信设备有限公司 | 一种夜间车辆检测方法、跟踪方法及装置 |
CN104331908A (zh) * | 2014-11-19 | 2015-02-04 | 天津工业大学 | 压缩haar特征和运动信息相融合的目标跟踪方法 |
CN105184258A (zh) * | 2015-09-09 | 2015-12-23 | 苏州科达科技股份有限公司 | 目标跟踪方法及***、人员行为分析方法及*** |
Non-Patent Citations (2)
Title |
---|
万卫兵 等: "《智能视频监控中目标检测与识别》", 31 January 2010 * |
何云: ""基于交通监控视频的运动目标检测与跟踪算法研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109064488A (zh) * | 2018-07-05 | 2018-12-21 | 北方工业大学 | 无人机载视频中特定建筑匹配跟踪方法 |
CN109064488B (zh) * | 2018-07-05 | 2022-08-09 | 北方工业大学 | 无人机载视频中特定建筑匹配跟踪方法 |
CN111340856A (zh) * | 2018-12-19 | 2020-06-26 | 杭州海康威视***技术有限公司 | 车辆的跟踪方法、装置、设备及存储介质 |
CN111340856B (zh) * | 2018-12-19 | 2024-04-02 | 杭州海康威视***技术有限公司 | 车辆的跟踪方法、装置、设备及存储介质 |
CN112037257A (zh) * | 2020-08-20 | 2020-12-04 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、终端及其计算机可读存储介质 |
CN112037257B (zh) * | 2020-08-20 | 2023-09-29 | 浙江大华技术股份有限公司 | 一种目标跟踪方法、终端及其计算机可读存储介质 |
CN117409044A (zh) * | 2023-12-14 | 2024-01-16 | 深圳卡思科电子有限公司 | 一种基于机器学习的智能对象动态跟随方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105631900B (zh) | 2019-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104200657B (zh) | 一种基于视频和传感器的交通流量参数采集方法 | |
CN201255897Y (zh) | 一种公交车人流量监测装置 | |
CN101576952B (zh) | 一种检测静止目标的方法和装置 | |
CN104183127A (zh) | 交通监控视频检测方法和装置 | |
CN103207988B (zh) | 一种图像识别方法及装置 | |
CN101882217B (zh) | 视频图像的目标分类方法及装置 | |
Guan et al. | A lightweight framework for obstacle detection in the railway image based on fast region proposal and improved YOLO-tiny network | |
CN101968886B (zh) | 基于质心跟踪框架的粒子滤波与均值漂移的细胞跟踪方法 | |
CN100578563C (zh) | 基于视频图像的车辆计数方法 | |
CN104680557A (zh) | 视频序列图像中的异常行为智能检测方法 | |
CN104134222A (zh) | 基于多特征融合的车流监控图像检测和跟踪***及方法 | |
CN104599502A (zh) | 一种基于视频监控的车流量统计方法 | |
CN102567380A (zh) | 在视频图像中检索车辆信息的方法 | |
CN104318258A (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN103150740A (zh) | 一种基于视频的运动目标跟踪方法和*** | |
CN105631900A (zh) | 一种车辆跟踪方法及装置 | |
CN104463903A (zh) | 一种基于目标行为分析的行人图像实时检测方法 | |
CN105913454A (zh) | 一种视频图像中运动目标的像素坐标轨迹预测方法 | |
CN110379168A (zh) | 一种基于Mask R-CNN的交通车辆信息获取方法 | |
CN107563310A (zh) | 一种违章变道检测方法 | |
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*** | |
CN102722702B (zh) | 多特征融合的粒子滤波视频目标跟踪方法 | |
CN104978567A (zh) | 基于场景分类的车辆检测方法 | |
CN105321189A (zh) | 基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法 | |
CN109766867A (zh) | 车辆运行状态确定方法、装置、计算机设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |