基于視頻的車輛檢測跟蹤方法和系統(tǒng)與流程

技術(shù)特征：
1.一種基于視頻的車輛檢測跟蹤方法，包括：輸入包含車輛的視頻；對視頻中的所述車輛利用檢測器進(jìn)行檢測，獲得車輛檢測結(jié)果，并根據(jù)所述車輛首次檢測結(jié)果建立車輛的在線模型，所述車輛的在線模型包括在線正樣本集和在線負(fù)樣本集，所述在線正樣本集包括真實樣本集、左轉(zhuǎn)虛擬樣本集、右轉(zhuǎn)虛擬樣本集，所述在線負(fù)樣本集由在線負(fù)樣本構(gòu)成，所述在線負(fù)樣本為遠(yuǎn)離車輛區(qū)域的誤識別樣本；所述真實樣本集由真實樣本構(gòu)成，所述真實樣本為檢測跟蹤融合結(jié)果的樣本；所述左轉(zhuǎn)虛擬樣本集由左轉(zhuǎn)虛擬樣本構(gòu)成，所述左轉(zhuǎn)虛擬樣本為真實樣本經(jīng)虛擬左旋轉(zhuǎn)獲得；所述右轉(zhuǎn)虛擬樣本集由右轉(zhuǎn)虛擬樣本構(gòu)成，所述右轉(zhuǎn)虛擬樣本為真實樣本經(jīng)虛擬右旋轉(zhuǎn)獲得；對視頻中的所述車輛進(jìn)行跟蹤，用LK光流法對所述車輛進(jìn)行光流估計，獲得所述車輛跟蹤結(jié)果；其中，利用聚類策略對初次過濾結(jié)果進(jìn)行二次過濾，所述初次過濾結(jié)果為對所述車輛的幀圖像光流估計的結(jié)果進(jìn)行初次過濾得到的結(jié)果；利用所述車輛的在線模型分別對同一幀的所述跟蹤結(jié)果和所述檢測結(jié)果進(jìn)行置信度計算，通過所述置信度計算結(jié)果及所述跟蹤結(jié)果和所述檢測結(jié)果相互融合，獲得最終的檢測跟蹤結(jié)果；利用所述最終的檢測跟蹤結(jié)果通過在線學(xué)習(xí)更新所述車輛的在線模型及所述檢測器。2.如權(quán)利要求1所述的基于視頻的車輛檢測跟蹤方法，其中，在利用所述車輛的在線模型分別對所述跟蹤結(jié)果和檢測結(jié)果進(jìn)行置信度計算的過程中，樣本置信度計算公式如下：dP，dN分別表示待評估樣本與在線模型中正負(fù)樣本集的相似度最大值，樣本相似程度采用歸一化互相關(guān)(NCC)系數(shù)度量；其中，conf(xi)值越大，樣本越像所述車輛，反之就越接近背景。3.如權(quán)利要求2所述的基于視頻的車輛檢測跟蹤方法，其中，在所述置信度計算結(jié)果及所述跟蹤結(jié)果和所述檢測結(jié)果相互融合的過程中，如果conf(xT)＞Tthr，則當(dāng)前跟蹤成功，否則當(dāng)前跟蹤失??；如果conf(xD)＞Dthr，則當(dāng)前檢測結(jié)果有效，否則當(dāng)前檢測結(jié)果無效；其中，公式中Tthr和Dthr分別表示跟蹤置信度的閾值和檢測置信度的閾值，如果當(dāng)前跟蹤失敗，當(dāng)前檢測有效，則輸出當(dāng)前檢測結(jié)果為當(dāng)前圖像幀融合結(jié)果，并更新下一幀的跟蹤初始框；如果當(dāng)前跟蹤失敗，當(dāng)前檢測無效，則視為車輛在所述當(dāng)前圖像幀中不可見；如果當(dāng)前跟蹤成功，當(dāng)前檢測無效，則輸出所述跟蹤結(jié)果為所述當(dāng)前圖像幀的融合結(jié)果，同時啟動所述在線學(xué)習(xí)；如果當(dāng)前跟蹤成功，當(dāng)前檢測有效，則輸出所述檢測和跟蹤樣本置信度最高的結(jié)果為所述當(dāng)前圖像幀的融合結(jié)果，同時啟動所述在線學(xué)習(xí)。4.如權(quán)利要求1所述的基于視頻的車輛檢測跟蹤方法，其中，所述車輛跟蹤過程包括：對待跟蹤車輛區(qū)域進(jìn)行初始化，以當(dāng)前圖像幀作為N幀圖像分配其中的特征點；利用LK光流跟蹤法在第N+1幀圖像中進(jìn)行光流估計；利用F-BError對所述光流估計的結(jié)果進(jìn)行初次過濾；利用聚類策略對所述初次過濾結(jié)果進(jìn)行二次過濾，以消除所述光流估計的結(jié)果中的孤立點；根據(jù)所述二次過濾的結(jié)果確定待跟蹤車輛區(qū)域的偏移量與縮放量；根據(jù)所述偏移量和縮放量確定跟蹤結(jié)果。5.如權(quán)利要求1所述的基于視頻的車輛檢測跟蹤方法，其中，所述檢測器采用onlineBoosting檢測器，根據(jù)所述onlineBoosting檢測器檢測結(jié)果對所述車輛進(jìn)行檢測器的在線訓(xùn)練，所述在線訓(xùn)練基于Haar-like特征的在線boosting流程對所述車輛進(jìn)行訓(xùn)練；以及，選擇訓(xùn)練正樣本集和訓(xùn)練負(fù)樣本集作為在線訓(xùn)練的訓(xùn)練樣本集；其中，所述訓(xùn)練正樣本集由訓(xùn)練正樣本構(gòu)成，所述訓(xùn)練正樣本為當(dāng)前圖像幀檢測器識別為正確的結(jié)果中與所述當(dāng)前圖像幀融合結(jié)果重疊度較大的樣本；所述訓(xùn)練負(fù)樣本集由訓(xùn)練負(fù)樣本構(gòu)成，所述訓(xùn)練負(fù)樣本為所述當(dāng)前圖像幀檢測器識別為正確的結(jié)果中與所述當(dāng)前圖像幀融合結(jié)果重疊度較小的樣本。6.如權(quán)利要求5所述的基于視頻的車輛檢測跟蹤方法，其中，在對所述車輛進(jìn)行檢測的過程中，利用所述onlineBoosting檢測器對車輛檢測區(qū)域內(nèi)所有適合車輛尺寸的子窗口的視頻輸入進(jìn)行分類，以確定車輛檢測區(qū)域內(nèi)的初始檢測結(jié)果，并對當(dāng)前圖像幀中的所述車輛區(qū)域附近產(chǎn)生的多個初始檢測結(jié)果進(jìn)行聚類分析，確定車輛檢測區(qū)域內(nèi)的優(yōu)化檢測結(jié)果。7.一種基于視頻的車輛檢測跟蹤系統(tǒng)，包括：視頻輸入單元，用于輸入包含車輛的視頻；檢測單元，包括窗口遍歷單元和后處理單元；其中，所述窗口遍歷單元利用onlineBoosting檢測器基于Haar-like特征對車輛檢測區(qū)域內(nèi)所有適合車輛尺寸的子窗口的視頻輸入進(jìn)行分類，以確定所述車輛檢測區(qū)域內(nèi)的初始檢測結(jié)果；所述后處理單元對所述車輛檢測區(qū)域附近產(chǎn)生的多個初始檢測結(jié)果進(jìn)行聚類分析，確定所述車輛檢測區(qū)域內(nèi)的優(yōu)化檢測結(jié)果，并根據(jù)所述車輛優(yōu)化檢測結(jié)果建立車輛的在線模型單元；所述車輛的在線模型單元包括在線正樣本集和在線負(fù)樣本集，所述在線正樣本集包括真實樣本集、左轉(zhuǎn)虛擬樣本集、右轉(zhuǎn)虛擬樣本集，所述在線負(fù)樣本集由在線負(fù)樣本構(gòu)成，所述在線負(fù)樣本為遠(yuǎn)離車輛區(qū)域的誤識別樣本；所述真實樣本集由真實樣本構(gòu)成，所述真實樣本為檢測跟蹤融合結(jié)果的樣本；所述左轉(zhuǎn)虛擬樣本集由左轉(zhuǎn)虛擬樣本構(gòu)成，所述左轉(zhuǎn)虛擬樣本為真實樣本經(jīng)虛擬左旋轉(zhuǎn)獲得；所述右轉(zhuǎn)虛擬樣本集由右轉(zhuǎn)虛擬樣本構(gòu)成，所述右轉(zhuǎn)虛擬樣本為真實樣本經(jīng)虛擬右旋轉(zhuǎn)獲得；跟蹤單元中，用于利用LK光流法對所述車輛進(jìn)行光流估計，并對所述光流估計結(jié)果進(jìn)行初次過濾，利用聚類策略對所述初次過濾結(jié)果進(jìn)行二次過濾，以消除所述光流估計的結(jié)果中的孤立點，確定跟蹤結(jié)果；檢測跟蹤融合單元，用于利用所述車輛的在線模型單元分別對所述跟蹤結(jié)果和所述檢測結(jié)果進(jìn)行置信度計算，通過所述置信度計算結(jié)果及所述跟蹤結(jié)果和所述檢測結(jié)果相互融合，確定最終的檢測跟蹤結(jié)果，將所述最終的檢測跟蹤結(jié)果輸入到所述跟蹤結(jié)果輸出單元；在線學(xué)習(xí)單元，包括檢測器的在線訓(xùn)練單元和在線模型單元，用于根據(jù)所述最終的檢測跟蹤結(jié)果對所述車輛進(jìn)行檢測器的在線訓(xùn)練單元和在線模型單元的更新。8.如權(quán)利要求7所述的基于視頻的車輛檢測跟蹤系統(tǒng)，其中，在利用所述車輛的在線模型單元分別對所述跟蹤結(jié)果和檢測結(jié)果進(jìn)行置信度計算的過程中，樣本置信度計算公式如下：dP，dN分別表示待評估樣本與在線模型中正負(fù)樣本集的相似度最大值，樣本相似程度采用歸一化互相關(guān)(NCC)系數(shù)度量；其中，conf(xi)值越大，樣本越像車輛，反之就越接近背景。9.如權(quán)利要求7所述的基于視頻的車輛檢測跟蹤系統(tǒng)，其中，在所述檢測跟蹤融合單元中，所述置信度計算結(jié)果及所述跟蹤結(jié)果和所述檢測結(jié)果相互融合，如果conf(xT)＞Tthr，則當(dāng)前跟蹤成功，否則當(dāng)前跟蹤失?。蝗绻鹀onf(xD)＞Dthr，則當(dāng)前檢測結(jié)果有效，否則當(dāng)前檢測結(jié)果無效；其中，公式中Tthr和Dthr分別表示跟蹤置信度的閾值和檢測置信度的閾值；如果當(dāng)前跟蹤失敗，當(dāng)前檢測有效，則輸出當(dāng)前檢測結(jié)果為當(dāng)前圖像幀融合結(jié)果，并更新下一幀的跟蹤初始框；如果當(dāng)前跟蹤失敗，當(dāng)前檢測無效，則視為車輛在所述當(dāng)前圖像幀中不可見；如果當(dāng)前跟蹤成功，當(dāng)前檢測無效，則輸出所述跟蹤結(jié)果為當(dāng)前圖像幀的融合結(jié)果，同時啟動所述在線學(xué)習(xí)單元；如果當(dāng)前跟蹤成功，當(dāng)前檢測有效，則輸出所述檢測和跟蹤樣本置信度最高的結(jié)果為所述當(dāng)前圖像幀的融合結(jié)果，同時啟動所述在線學(xué)習(xí)單元。10.如權(quán)利要求7所述的基于視頻的車輛檢測跟蹤系統(tǒng)，其中，所述跟蹤單元進(jìn)一步包括：初始化單元，用于對待跟蹤車輛區(qū)域進(jìn)行初始化，以當(dāng)前圖像幀作為N幀圖像分配其中的特征點；光流估計單元，用于利用LK光流跟蹤法在第N+1幀圖像中進(jìn)行光流估計；初次過濾單元，用于根據(jù)F-BError對所述光流估計的結(jié)果進(jìn)行初次過濾；聚類策略單元，用于利用聚類策略對所述初次過濾結(jié)果進(jìn)行二次過濾，以消除所述光流估計的結(jié)果中的孤立點；偏移量與縮放量確定單元，用于根據(jù)所述二次過濾的結(jié)果確定待跟蹤車輛區(qū)域的偏移量與縮放量；跟蹤單元，用于根據(jù)所述偏移量和縮放量確定跟蹤結(jié)果。11.如權(quán)利要求7所述的基于視頻的車輛檢測跟蹤系統(tǒng)，其中，所述檢測器的在線訓(xùn)練單元基于Haar-like特征的在線boosting流程對所述車輛進(jìn)行在線學(xué)習(xí)；以及，選擇訓(xùn)練正樣本集和訓(xùn)練負(fù)樣本集作為在線訓(xùn)練的訓(xùn)練樣本集；其中，所述訓(xùn)練正樣本集由訓(xùn)練正樣本構(gòu)成，所述訓(xùn)練正樣本為當(dāng)前圖像幀檢測器識別為正確的結(jié)果中與所述當(dāng)前圖像幀融合結(jié)果重疊度較大的樣本；所述訓(xùn)練負(fù)樣本集由訓(xùn)練負(fù)樣本構(gòu)成，所述訓(xùn)練負(fù)樣本為所述當(dāng)前圖像幀檢測器識別為正確的結(jié)果中與所述當(dāng)前圖像幀融合結(jié)果重疊度較小的樣本。