基于梯度方向直方图模板匹配的遮挡车辆跟踪方法

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于梯度方向直方图模板匹配的遮挡车辆跟踪方法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：提出一种基于梯度方向直方图的模板匹配方法，该方法先对目标分块，并提取每块的核函数加权梯度方向直方图特征。然后利用改进的相似度度量方法计算目标模型与搜索窗的相似度，并取相似度最大的搜索窗作为目标模型的最佳匹配。最后将该方法应用于多车辆跟踪过程中的遮挡车辆跟踪与检测。实验表明该方法具有良好的精确度和鲁棒性。

关键词：梯度方向直方图；遮挡；车辆跟踪；阴影消除；智能交通

中图分类号：TP391.41文献标识码：A文章编号：1009-3044(2011)19-4705-03

Overlapped Vehicle Tracking Based on Template Matching on Histograms of Oriented Gradients

LI Jing, LIU Huai-yu, HONG Liu-rong

(School of Computer Science & Technology, HuaiBei Normal University, Huaibei 235000, China)

Abstract: A template matching method based on histograms of oriented gradients is proposed, which first divides the object into blocks and extracts kernel weighted Histograms of oriented gradients for each block. And then a new similarity measurement method is used to calculate the similarity between the target model and the searching window. Finally, this method is used to tracking of the overlapped vehicle in multi-vehicle tracking process. The experiment result shows that this method embodies higher accuracy and robustness.

Key words: Histograms of Oriented Gradients; occlusion; vehicle tracking; pattern matching; Intelligent Transportation

基于视频的运动车辆跟踪与检测是当今智能交通系统的热点研究课题之一。然而运动车辆跟踪与检测的准确性受环境影响很大，其中车辆间的相互遮挡是影响检测准确性的一个重要因素。

目前常见的对遮挡问题的处理主要有基于运动状态估计和基于特征匹配两种方法。运动估计方法如Kalman滤波器方法等[1]是通过预测目标的速度、加速度、面积变化等信息估计目标在下一帧的位置。基于特征匹配的方法则利用目标的形状、颜色、角点、面积、梯度方向直方图等信息[2-4]，采用局部特征匹配、全局特征匹配或加权特征匹配的方法在下一帧图像中搜索与之匹配的区域。

该文首先提出了基于梯度方向直方图的模板匹配方法。该方法将目标模板进行分块，提取子块核加权梯度方向直方图作为特征，并利用改进的相似度度量方法计算目标模板与搜索窗的相似度实现最佳匹配。然后将该方法用于基于匹配矩阵的多车辆跟踪过程中，实现对遮挡目标的检测与跟踪。

1 基于梯度方向直方图的模板匹配方法

1.1 梯度方向直方图

梯度方向直方图是区域内像素点的梯度幅值在各梯度方向区间上的统计特征，与传统的颜色和纹理特征相比，梯度方向直方图对光照条件变化和局部区域形变具有一定鲁棒性，但若只针对目标整体提取一个直方图，则不能充分体现局部区域的形状信息。为此，该文采用对目标分块的方法，对每一块分别提取核函数加权梯度直方图，子块大小与目标大小成正比，以保证特征尺度不变性。

设目标图像为L，首先将L划分为k*k个子块，然后对每个子块的各像素分别求梯度幅值和梯度方向。将图像L在坐标(x,y)处的像素灰度值记为L(x,y)，则坐标(x,y)处的梯度幅值和梯度方向公式分别为：

(1)

(2)

其中θ(x,y)的取值范围为[0,2π]。

将梯度方向平均分成U个梯度方向区间，以像素点的梯度方向作为分量，以梯度幅值作为量化值，建立各子块的梯度方向直方图。为了降低各子块边界噪声的影响，采用高斯核函数对梯度直方图进行平滑。将各子块的梯度方向直方图记为qv=[q1v,…,quv,…,qUv]，其中v为子块编号，每个分量quv表示第v个子块的梯度直方图在第u个梯度方向区间的取值。quv的计算公式为：

(3)

(4)

其中，n为子块中像素点个数，Xi为子块中第i个像素点的坐标，即Xi=[xi,yi]；y0v为子块的中心位置坐标；k(・)为高斯核函数，其尺度为hv；δ(・)为Kronecker Delta函数；p(Xi)为公式1所示的梯度幅值函数；o(Xi)是利用公式2求得的梯度方向θ(Xi)对应的梯度方向区间号；Qv为直方图的归一化系数。

1.2 改进的相似度度量方法

在模板匹配的过程中，目标模板与搜索窗口之间特征的相似程度通常采用欧式距离法或者最大距离近邻法（Maximum Close Distance, MCD）。欧式距离法是针对所有特征点进行统计，无法消除由于部分遮挡造成的匹配误差，而MCD法以目标模板与搜索窗口的相似特征点数目（匹配完整度）衡量相似度，并没有考虑相似点的相似程度，无法区分匹配点数目相同情况下图像之间的差别[5]。

该文结合欧式距离法和MCD法的特点，在分块的基础上利用匹配完整度与匹配区域归一化欧式距离加权和的方法进行相似度度量，既有效避免了遮挡造成的匹配误差，又充分考虑目标模板与搜索窗之间特征相似程度。

设目标模板为T，搜索窗为S，将目标模板分为k*k个子块，设每个子块的特征向量为tv，则T={tv|v=1,…,k*k|}，按同样方法对搜索区域S分块，每个子块的特征向量为sv，则S={sv|v=1,…,k*k|}。目标模板与搜索窗的相似度定义为：

(5)

(6)

其中，w1、w2为权值；G是目标模板和搜索窗中对应子块的特征向量欧氏距离小于阈值T的子块集合，|G|是集合中的子块数目，H是目标模板中子块的集合，|H|是集合中子块数目；tv-sv为目标模板子块tv与搜索窗子块sv的欧式距离，C为归一化系数，其取值与特征向量征的取值和特征数有关。

公式5包含两项，第一项是相似子块数与所有子块数的比例，反映的是匹配完整度。第二项是相似的子块归一化欧式距离和，反映的是相似子块的相似程度。

1.3 基于梯度方向直方图的模板匹配方法

设目标模板为TP，搜索区域为SR，基于梯度方向直方图的模板匹配就是以梯度方向直方图为特征，采用改进的相似度度量方法在搜索区域内查找与目标模板最佳匹配的搜索窗。其匹配方法如下：

首先，将目标模板分为k*k个子块，利用公式3、公式4分别计算各子块的梯度方向直方图，记为HOG_T={tv|v=1,…, k*k}。

然后，对搜索区域按从上到下、从左向右的顺序按步长step逐个提取与目标模板大小相等的搜索窗SWi，并完成以下操作：

① 算搜索窗各子块的梯度方向直方图，记为HOG_Si={siv|v=1,…, k*k}。

② 利用改进的相似度度量方法计算HOG_T与HOG_Si的相似度Sim(HOG_T,HOG_Si)

最后，取相似度取值最大的搜索窗为目标模板的最佳匹配。

2 遮挡情况下的多车辆跟踪方法

2.1 运动区域检测和阴影消除

该文采用文献[6]的方法进行道路背景生成、更新，以及运动区域的获取。该方法首先通过统计视频帧中各像素点灰度取值所属区间来生成背景图像，并结合边缘检测算法分析持续变化的区域，解决背景更新中存在的当前背景图像中含有静止车辆的问题。然后利用自适应阈值的背景差法提取运动区域。

为了降低车辆阴影对检测结果的影响，提高检测区域提取的精度，该文采用文献[7]的方法进行运动区域阴影的消除。该方法通过对阴影物理模型的分析，得出局部纹理的光照不变性，利用基于比值判决的LBP 纹理法来区分运动车辆和阴影，并应用亮度约束和几何启发式准改善阴影消除效果。对消除阴影后的运动区域进行二值化、形态学滤波、连通区域检测和外接矩形提取等处理，获取前景目标区域，记为Fi(i=1,…,N)。

2.2 基于匹配矩阵的多目标跟踪

假设在前一帧获取的运动目标区域为Bj(j=1,…,M)，利用Kalman滤波器可以得到在当前帧的运动目标预测区域，记为B'j(j=1,…,M)。为了将当前帧前景目标区域Fi与运动目标预测区域B'j进行匹配以实现多目标的跟踪，该文在基于匹配矩阵的多目标跟踪算法[8]基础上，利用该文提出的基于梯度方向直方图的模板匹配方法进行遮挡情况下的目标跟踪。由于基于匹配矩阵的多目标跟踪算法不是该文的主要研究内容，因此下面给出的算法步骤中并未对基于匹配矩阵的多目标跟踪算法进行展开介绍。

首先，建立一个从预测区域到前景目标区域的匹配矩阵P。矩阵P是M×N矩阵，它的第m行n列元素Pmn表示预测区域B'm与前景目标区域Fn的匹配度。

其次，利用匹配代价函数，通过对预测区域与前景目标区域之间的质心距离、外接矩形面积、覆盖比例、形变代价等参数的计算，求解各预测区域与所有前景目标区域的匹配度，并填入匹配矩阵P。

最后，分别按行和列遍历匹配矩阵P，根据下列不同的匹配情况分别做出处理：

① 当一个预测区域没有与之匹配的前景目标区域时，根据预测区域与图像边缘的位置远近，将对应的运动目标区域视为离开场景或暂时丢失。

② 当一个前景目标区域没有与之匹配的预测区域时，将该前景目标区域视为新增目标区域。

③ 当一个预测区域和与一个前景目标区域一一匹配时，它们视为正常匹配。此时用前景目标区域的位置和大小更新对应运动目标区域的位置和大小。

④ 当一个预测区域与多个前景目标区域匹配时，视为由于背景的遮挡造成的目标分裂。此时采用将这些前景目标区域合并，并利用合并后的前景区域信息更新对应运动目标区域的信息。

⑤ 当多个预测区域与同一个前景目标区域匹配时，视为由于多个目标的聚集造成的运动目标相互遮挡和粘连。此时以每个预测区域对应的运动目标区域为目标模板，以前景目标区域为搜索区域，采用基于梯度方向直方图的模板匹配方法进行遮挡车辆区域检测。

3 实验和结果分析

该文用两段道路车辆视频序列进行实验，将该文方法的实验结果与文献[2-3]的实验结果进行对比分析。

实验1：该实验选取路面包含一段建筑物阴影的道路视频，并以此检验各算法对于光照条件的鲁棒性。由图1可知，由于该文和文献[2]都是用梯度方向直方图作为目标的特征，因此能较好的适应光照条件变化，实验结果不受影响。而文献[3]的方法采用灰度直方图作为目标的特征，当光照条件发生较大变化时，目标的灰度图特征也会产生较大变化，从而造成30帧时的错检和40帧时目标的丢失。

实验2：该实验选取含车辆遮挡情况的一段视频，并以此检验各算法对遮挡车辆的跟踪效果。由图2可知，该文方法和文献[2]的方法都能够较好的实现遮挡车辆的跟踪，而文献[3]的方法虽然也实现了遮挡车辆的跟踪，但是由于受到阳光直射影响，跟踪结果出现了一些误差。

通过上述实验可知，文献[3]的方法受光照和车辆本身灰度影响较大，容易产生较大误差甚至目标丢失；该文方法和文献[2]的方法跟踪效果良好，具有较好的鲁棒性。但是，文献[2]采用的核跟踪算法本质上是梯度下降跟踪方法，这决定了该算法对运动目标的运动速度有较大限制，难以适应运动速度较快的运动目标检测。而该文采用预测区域与前景目标区域匹配的方法实现跟踪，该方法对运动速度没有限制，具有更好的鲁棒性。

4 结束语

遮挡给运动目标的跟踪带来很大困难。该文在多目标跟踪过程中引入基于梯度方向直方图的模板匹配方法进行遮挡目标的检测与跟踪。该方法采用核加权梯度方向直方图作为运动目标的特征，使得算法具有良好的对光照条件变化的鲁棒性。利用改进的相似度度量方法计算相似度，既有效避免了遮挡造成的匹配误差，又充分考虑目标模板与搜索窗之间特征相似程度。实验表明试用该方法进行遮挡目标检测效果良好。

参考文献：

[1] Veeraraghavan H. Switching Kalman filter-based approach for t racking and event detection at traffic intersection[C]. Proc of the 2005 IEEE Int Symp on Intelligent Control. Cyprus, 2005: 1167-1172.

[2] 贾慧星, 章毓晋. 基于梯度方向直方图特征的多核跟踪[J]. 自动化学报, 2009,(10):1283-1289.

[3] 徐萧萧, 王智灵, 吴亮, 陈宗海. 多物体遮挡情况下的视觉跟踪算法[J]. 控制与决策, 2010,(02):291-294.

[4] Dalal N, Triggs B. Histograms of oriented gradients for human detection. In: Proceedings of IEEE Conference on Computer Vision and Pattern Recognition. San Diego, USA: IEEE, 2005. 886-893.

[5] 胡铟, 杨静宇. 适用于遮挡情况的SSD和MCD融合跟踪算法[J]. 系统仿真学报, 2010,22(4):908-911.

[6] 李Z, 刘怀愚, 洪留荣. 改进的道路背景提取和更新算法[J]. 计算机应用,2010,30(5):1266-1267.

[7] 祖仲林, 李勃, 陈启美. 基于局部纹理特性的运动车辆阴影消除[J]. 计算机工程, 2009,35(16):167-169.

[8] 汤义, 刘伟铭, 柏柯嘉. 基于数据关联矩阵的多目标跟踪算法[J]. 计算机工程, 2010,36(23):158-161.

注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文