新聞中心

EEPW首頁 > 汽車電子 > 設(shè)計應(yīng)用 > 復(fù)雜場景下車輛跟蹤系統(tǒng)研究

復(fù)雜場景下車輛跟蹤系統(tǒng)研究

作者:楊經(jīng)緯,陳虹玉,張福鼎*(江蘇第二師范學(xué)院物理與信息工程學(xué)院,江蘇省基礎(chǔ)教育大數(shù)據(jù)應(yīng)用工程研究中心,南京 210013) 時間:2023-07-31 來源:電子產(chǎn)品世界 收藏
編者按:智能交通系統(tǒng)可緩解車多路少的矛盾,但在實際道路場景中,車輛的跟蹤監(jiān)測受到各種惡劣條件,如天氣變化、光照強度變化等影響而難以精準(zhǔn)實現(xiàn)。本文針對復(fù)雜場景下的車輛進(jìn)行跟蹤監(jiān)測,在車輛發(fā)生變化的場景下提取車輛特征,通過算法進(jìn)行差值估計進(jìn)而對目標(biāo)車輛進(jìn)行跟蹤。

基金項目:江蘇省高等學(xué)校大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目,項目編號202210900006XJ、202110900004Y;江蘇省高校自然科學(xué)研究面上項目,項目編號16KJB510007;教育部產(chǎn)學(xué)合作協(xié)同育人項目,項目編號201901163002、202002094006

本文引用地址:http://2s4d.com/article/202307/449136.htm

0 引言

隨著社會迅速發(fā)展私家車數(shù)量不斷增長,頻發(fā)交通事故不僅帶來人身傷害和不良影響[1]。因此,智能交通系統(tǒng)研究已得到越來越多的關(guān)注[2],主要包括道路管控智能化,交通資源最優(yōu)化和管理決策科學(xué)化,集成信息技術(shù)和圖像處理技術(shù)等技術(shù)[3-4],重要前提基礎(chǔ)就是實現(xiàn)監(jiān)測[5],通過攝像頭采用圖像處理技術(shù)[6],獲得道路車輛行動軌跡[7]

19 世紀(jì)中期瓦克斯首先提出運動目標(biāo)跟蹤,19 世紀(jì)60 年代Sittler 提出了目標(biāo)軌跡概念并對瓦克斯提出的基礎(chǔ)理論進(jìn)行改進(jìn)和補充。10 年后,卡爾曼濾波在目標(biāo)跟蹤領(lǐng)域取得突破后,該技術(shù)才真正走進(jìn)大眾視野并獲得研究人員的普遍關(guān)注[8],粒子波跟蹤算法[9]、Kalman 濾波,Meanshift 算法等經(jīng)典傳統(tǒng)算法[10] 被相應(yīng)提出。

近年來,隨著機器學(xué)習(xí)不斷深入[11-12],TLD 算法因其可進(jìn)行長時間的目標(biāo)跟蹤而得到廣泛應(yīng)用[13-14]。2012 年的CSK 算法,改進(jìn)了訓(xùn)練樣本集,一定程度上降低了算法運行所需的時間和資源,也提高了目標(biāo)跟蹤的精準(zhǔn)程度;2015 年利用方向梯度直方圖來代替單通道的灰度特征,進(jìn)一步提升運行效率和性能[15]。此外,國內(nèi)重點大學(xué)和重點研究室如中科院、清華大學(xué)、浙江大學(xué)等紛紛在手勢識別、人臉識別或姿態(tài)識別等領(lǐng)域取得了重大突破[16-17]。針對不同的車輛具有不同的車輛特征,較為常見的算法[18-20]有區(qū)域匹配跟蹤算法、特征匹配算法、輪廓匹配跟蹤算法和3D 跟蹤算法。

然而目前采用的技術(shù)大多只適用于特定環(huán)境或場合,實際道路交通中非常復(fù)雜有很多影響因素,車輛跟蹤要適應(yīng)場景的變化,如光照條件變化;其他物體的干擾如陰影、來往人群、車輛在場景中的鏡面反射等;監(jiān)控場景中的龐大的車輛數(shù)量、車輛進(jìn)出場景、尺度變化、視角變化及物體遮擋等[21-22]。若在車輛突然拐彎,車身被行人或路邊標(biāo)志牌遮擋,太陽光線在多云季節(jié)因為云層移動而導(dǎo)致光照強度發(fā)生變動等復(fù)雜場景下,則無法做到精確跟蹤車輛軌跡。為方便追蹤車輛行動軌跡和車輛具體狀況,復(fù)雜場景下的車輛跟蹤系統(tǒng)一直是研究熱點和話題,本文針對復(fù)雜場景下車輛運動展開研究,針對目標(biāo)車輛的跟蹤構(gòu)造相應(yīng)框架和模塊并設(shè)計算法流程。

1 復(fù)雜場景下的車輛跟蹤系統(tǒng)

1.1 系統(tǒng)整體框架

本系統(tǒng)整體框架如圖1所示,控制模塊是整個系統(tǒng)的核心部件,既包含相應(yīng)的硬件設(shè)施也包含了實時算法和離線算法,實時算法通過圖像處理進(jìn)行,而離線算法通常使用數(shù)模轉(zhuǎn)換算法;具備數(shù)據(jù)采集、數(shù)據(jù)顯示、存儲歷史信息等功能??刂颇K還可以通過手機、液晶顯示屏或LCD 等便攜終端實現(xiàn)信息的實時顯示,而歷史模塊則是通過專門的歷史記錄模塊進(jìn)行存儲。

1690794106935017.png

圖1 系統(tǒng)整體框架圖

數(shù)據(jù)采集功能主要通過攝像頭和激光雷達(dá)捕捉目標(biāo)車輛的行駛軌跡和實時位置來完成,之后再將數(shù)據(jù)傳遞給FPGA、單片機或Arduino平臺,利用可編程電子平臺對采集到的數(shù)據(jù)進(jìn)行處理。主要是車輛在行駛過程中的軌跡、速度、位置等信息,目前常用器件為攝像頭或激光雷達(dá)。激光雷達(dá)探測范圍廣,精度高,魯棒性好,利用高精地圖可實現(xiàn)自動定位和目標(biāo)跟蹤。

系統(tǒng)利用FPGA、單片機和Arduino進(jìn)行數(shù)據(jù)處理,并利用歷史模塊存儲數(shù)據(jù)信息。目標(biāo)車輛的歷史信息包括運動軌跡、車輛狀態(tài)、速度等均保存在歷史模塊中,該模塊可保持?jǐn)?shù)據(jù)歷史信息的嚴(yán)密性、準(zhǔn)確性和完整性。

顯示模塊是在數(shù)據(jù)采集處理后再進(jìn)行的,通常顯示平臺為LCD 顯示屏。該系統(tǒng)通過顯示模塊可顯示目標(biāo)車輛具體信息,可顯示由數(shù)據(jù)采集模塊被車輛遮擋的盲區(qū)圖像和目標(biāo)車輛的行駛參數(shù)。對系統(tǒng)模塊的部分功能利用Proteus 進(jìn)行電路設(shè)計如圖2 所示。

image.png

圖2 電路設(shè)計圖

整個過程主要包括五個方面的計算:

1)狀態(tài)預(yù)測

1690794307910440.png   (1)

其中,X (k ?1| k ?1)是利用上一時刻所在狀態(tài)預(yù)測得到的最優(yōu)化結(jié)果,這一步實際是更新系統(tǒng)結(jié)構(gòu)。

1691983632138168.png

1691983707352371.png

本系統(tǒng)算法流程如圖3 所示,通過算法估計進(jìn)一步預(yù)測目標(biāo)車輛位置進(jìn)行跟蹤,可在測量方差已知的情況下去估計運動目標(biāo)的狀態(tài)。首先利用幀差法提取采集目標(biāo)即目標(biāo)車輛并利用Grabcut算法進(jìn)行圖像分割,然后提取采集車輛中的SIFT 特征并建立特征庫,初始化檢測車輛的均值和協(xié)方差存儲矩陣。建立特征庫后進(jìn)行匹配排列再通過聚類估計某時刻的序列樣本點,一方面通過狀態(tài)方程得到下一時刻的樣本點并依次計算出均值和協(xié)方差,另一方面計算量測方程的協(xié)方差矩陣并依次計算濾波增益、狀態(tài)向量估計值、狀態(tài)向量的方差,然后輸出狀態(tài)估計值。對兩個方向的測量值、預(yù)測值、歷史數(shù)據(jù)值進(jìn)行處理,最后通過比較差值比例選擇合適的輸出值。

1690798437651951.png

圖3 系統(tǒng)算法流程圖

目標(biāo)車輛在行駛過程中,攝像頭角度位置不會發(fā)生變化,則每一幀圖片中的位置都不相同,則對當(dāng)前所在幀和下一幀的圖像進(jìn)行差分運算,提取目標(biāo)車輛所有數(shù)據(jù)信息,其流程如圖 4 所示。算法按過程分為圖像初始化的過程和迭代的過程。此算法在系統(tǒng)中利用Grabcut切割算法對采集對象的像素點即目標(biāo)車輛進(jìn)行圖像分割。系統(tǒng)初始化圖像分割完成后,進(jìn)入迭代分割區(qū),系統(tǒng)對迭代區(qū)域中未知分割像素點的能量值進(jìn)行重新分配。

1690798508641784.png

圖4 幀差法提取采集對象

首先對目標(biāo)車輛的SIFT特征進(jìn)行提取并建立特征庫,然后匹配排列特征庫,再進(jìn)行聚類估計序列樣本點。針對兩個時刻對目標(biāo)車輛跟蹤進(jìn)行比較選擇。首先,計算m時刻樣本點的量測方程的協(xié)方差矩陣、狀態(tài)向量和量測向量的協(xié)方差矩陣、濾波增益、狀態(tài)向量估計值和狀態(tài)向量的方差。再者通過初始化目標(biāo)車輛存儲歷史數(shù)據(jù)和協(xié)方差矩陣,得到并計算m+1時刻樣本點的均值和協(xié)方差。最后處理兩個時刻得到的測量值、預(yù)測值和歷史數(shù)據(jù)值,對預(yù)測值、歷史數(shù)據(jù)值、測量值三者之間的差值進(jìn)行比例分析。若差值比例高,輸出測量值和歷史值;若差值比例不高,則輸出測量值和預(yù)測值。

2 結(jié)束語

本文主要研究了復(fù)雜環(huán)境下如何對車輛進(jìn)行跟蹤和檢測,本文首先對國內(nèi)外研究現(xiàn)狀做出了大量研究,分析了實現(xiàn)車輛跟蹤檢測的研究意義,然后介紹了車輛跟蹤中常用的一些算法,并在此基礎(chǔ)上針對車輛跟蹤中的難點進(jìn)行相應(yīng)的算法改進(jìn)。針對車輛在跟蹤過程中容易發(fā)生“姿態(tài)變化”導(dǎo)致跟蹤難以實現(xiàn),本文引入SIFT算法提取目標(biāo)特征點,為保證SIFT 所提取的興趣點位于圖片前景,利用Grabcut 算法對圖片進(jìn)行背景分離處理,此外加入BIRCH 算法實現(xiàn)目標(biāo)車輛的聚類估計。本課題后續(xù)研究的內(nèi)容將準(zhǔn)備在如下方面繼續(xù)深入研究,一是在使用SIFT 算法提取目標(biāo)特征點的基礎(chǔ)上,進(jìn)一步引入車輛自身特征進(jìn)行深層次分析。二是在日常生活中,攝像頭多是可以變換拍攝角度的,利用這類攝像頭實現(xiàn)車輛動態(tài)跟蹤更為困難,這也是本課題后期將拓展研究的地方。

參考文獻(xiàn):

[1] 程騰, 等. 一種基于數(shù)字圖像相關(guān)的高精度車輛跟蹤算法[J]. 汽車工程, 2018, 40(8): 942-946,980.

[2] 侯瀟瀟. UKF和小波變換結(jié)合的車輛跟蹤算法的研究[D]. 淮南:安徽理工大學(xué), 2017.

[3] 吳寧強, 等. 重載AGV車輛跟蹤算法和運動特性研究[J]. 重慶理工大學(xué)學(xué)報(自然科學(xué)版), 2018, 32(10): 53-57.

[4] 宋國浩. 基于機器視覺的智能車輛跟蹤方法研究與應(yīng)用[D]. 太原:中北大學(xué), 2017.

[5] 施毅等. 基于時空馬爾可夫隨機場模型的車輛跟蹤算法研究[J].土木工程學(xué)報, 2007, 40(1): 74-78.

[6] 林明秀, 劉偉佳, 徐心和. 基于模板匹配的多模式車輛跟蹤算法[J]. 系統(tǒng)仿真學(xué)報, 2007, 19(7): 1519-1522.

[7] 周俊靜, 段建民, 楊光祖. 基于改進(jìn)的確定性目標(biāo)關(guān)聯(lián)的車輛跟蹤方法[J]. 模式識別與人工智能, 2014(1): 89-95.

[8] 袁基煒, 史忠科. 一種基于灰色預(yù)測模型GM(1,1)的運動車輛跟蹤方法[J]. 控制與決策, 2006(3): 300-304.

[9] 郭新新. 基于粒子濾波的車輛跟蹤算法研究[D].濟南:山東師范大學(xué), 2018.

[10] 顧鵬笠. 基于機器學(xué)習(xí)的車輛跟蹤與道路場景理解研究[D]. 杭州:浙江科技學(xué)院, 2019.

[11] 陳夢. 基于深度學(xué)習(xí)的車輛跟蹤的研究[D]. 南京:南京郵電大學(xué), 2018.

[12] 卜旭輝,等. 基于迭代學(xué)習(xí)的農(nóng)業(yè)車輛路徑跟蹤控制[J]. 自動化學(xué)報, 2014, 40(02): 368-372.

[13] 張帥領(lǐng). 基于TLD的視頻目標(biāo)跟蹤算法的研究[D]. 西安:西安電子科技大學(xué), 2014.

[14] 李敏敏. 基于TLD模型的目標(biāo)跟蹤方法[D]. 西安:西安電子科技大學(xué), 2013.

[15] 權(quán)義萍,等. 基于Mean-Shift的卡爾曼粒子濾波車輛跟蹤算法研究[J]. 計算機應(yīng)用與軟件, 2014(9): 236-239,252.

[16] 李文輝, 陳昱昊, 王瑩. 自適應(yīng)的免疫粒子濾波車輛跟蹤算法[J]. 吉林大學(xué)學(xué)報(理學(xué)版), 2016, 54(5): 1055-1063.

[17] 范玉貞, 李海軍. 基于改進(jìn)分水嶺算法的多目標(biāo)車輛的跟蹤研究[J]. 電子世界, 2013(3): 1-2.

[18] 李娟. 基于數(shù)據(jù)融合的危險駕駛行為識別與車輛跟蹤算法研究[D]. 武漢:武漢工程大學(xué), 2017.

[19] 紀(jì)筱鵬, 魏志強. 基于輪廓特征及擴展Kalman濾波的車輛跟蹤方法研究[J]. 中國圖象圖形學(xué)報A, 2011, 16(2): 267-272.

[20] 童寶鋒. 基于視覺傳感器的前方車輛跟蹤定位方法研究[D]. 長春:吉林大學(xué), 2014.

[21] 楊敏,等. 一種基于運動目標(biāo)檢測的視覺車輛跟蹤方法[J]. 北京理工大學(xué)學(xué)報, 2014, 34(4): 370-375.

[22] KOLLNIG H, H H NAGEL, M OTTE. Association of motion verbs with vehicle movements extracted from dense optical flow fields[A]. Computer Vision - ECCV’94, Third European Conference on Computer Vision, Stockholm, Sweden, May 2-6, 1994, Proceedings, Volume II[C]. 1994.

(本文來源于《電子產(chǎn)品世界》雜志2023年7月期)



評論


相關(guān)推薦

技術(shù)專區(qū)

關(guān)閉