基于图像金字塔光流的角点跟踪法的车辆检测方法.doc

基于图像金字塔光流的角点跟踪法的车辆监测系统 兰昆艳1，张洪刚1，田江伟2，雷晓2 1 　北京邮电大学信息与通信学院，北京市（100876） 2 　北京弗雷赛普科技发展有限公司，北京市（100037） E-mail：lankunyan@126.com Multi-resolution Optical Flow Algorithm LAN Kunyan1, ZHANG Honggang1, LEI Xiao2, TIAN Jiangwei2 1 Information and Communication Department, Beijing University of Posts and Telecommunications, Beijing,（100876） 2 Beijing Friendship Technology Development Co.Ltd , Beijing,（100037） E-mail：lankunyan@126.com AbstractA real-time intelligent vehicle monitoring system based on feature extraction and motion estimation is proposed and implemented in this paper. In good lighting condition during daytime, the shape information is outstanding and sufficient so that efficient object detection can be realized employing corners as feature. For tracking target, the best estimation to large magnitude motion of objects at present can be achieved by feature points-based multi-resolution optical flow algorithm. It is proved by experiments that high speed and precision are available at toll-gate. Moreover, it is robust to illumination changing、shadow and noise. Keywords: Corner Detection; Multi-resolution Optical Flow; Vehicle Detection; Vehicle Tracking 1. 引言 卡口监测作为智能交通系统[1]。迄今，不懈的研究工作对运动目标检测这一课题做出了诸多解决方案，其中最为经典的检测算法是基于背景差、帧间差、光流和模板匹配实现的。但卡口监测应用的实时性对算法的复杂度和运算速度做出了限制，系统功能的实现应简捷、高效。但这几种算法自身的缺陷，如背景差要求有理想的背景模型和自适应的前景二值化阈值以及有效的阴影去除算法，帧间差法中前景块不可避免的重叠和破碎不利于目标的准确定位和识别，光流法[2]和模版匹配[3]法耗时严重，都限制了其在实时监测中的应用。而混合算法无疑提高了算法复杂度。 近年来基于图像特征的检测方法日益流行，如基于Haar特征的AdaBoost[4]。但是该方法的前期训练工作较为繁重，并且训练器要求实时更新。将车辆底部强烈的阴影作为特征[5]进行目标的检测、跟踪不失为一种有效的方法，但卡口特写画面中不同的光照方向使得该特征不断变化、甚至是不可见的。而基于轮廓和边缘信息[5]的检测、跟踪适用于场景简单的卡口，但是耗时的轮廓分析和边缘提取不利于实时检测。支持向量机[6]的特有优势使其在模式识别应用中备受瞩目，但该方法是基于统计实现的并要求前期以大量的样本对其进行训练，故时效性不适于卡口监测。 本文推荐并验证了一套基于特征提取、运动估计的智能卡口监测系统的设计方案。面向应用，在光照条件较好的白天，卡口视频所提供的都是含有丰富特征信息的特写图像，基于角点跟踪方法能够得到相当精确的1部分是背景介绍，第2部分阐述角点检测方法的原理，第3部分分析图像金字塔光流法对目标的大尺度运动估计的实现，实验结果在第4部分，最后是总结。 2. 角点检测[7、8],极大地降低了数据冗余度，使得实时检测成为可能；其检测几乎不受光照条件和摄像机姿态[9]的算法之一 —— LK[10]方法，故角点成为在卡口场景下进行快捷、准确的运动目标检测和跟踪的理想特征选择[11]。本文采用KLT[7、12、13]