基于虚拟双源信息融合的车辆跟踪模型及在交通事件检测中的应用

车辆跟踪和交通事件识别是视频交通事件自动检测中的两个关键问题。本项目从单摄像机图像信息中获取原始图像和虚拟的标号场两种信息，将遮挡问题转化为标号场和运动矢量的优化问题，基于两种信息的信息融合解决优化问题。将MRF模型拓展到时间域，建立时空MRF模型，实现两种信息的时空信息融合，同时优化车辆标号场及运动矢量，解决跟踪中的车辆相互遮挡问题；建立原始图像的空间MRF能量函数，从原始图像中提取光照不变特征并集成到时空MRF模型，在MRF模型统一的理论框架下，同时解决跟踪中的车辆相互遮挡及光照影响这两大难题，实现低视角重交通环境下车辆的可靠跟踪。利用跟踪结果，研究提取不受场景几何形状、交通事件发生位置影响的车辆行为特征，研究鲁棒的交通事件识别方法，实现复杂交通环境下多种交通事件的分类识别。本项目的研究结果将形成复杂交通环境下车辆跟踪与事件检测新方法，提高视频交通事件自动检测系统的性能。

视频车辆跟踪及交通事件检测在智能交通中具有广泛应用。本项目围绕背景更新、运动矢量估计、遮挡及光照处理等关键问题展开研究，主要研究内容如下：. （1）研究了一种自适应动态背景更新算法，利用背景差和相邻帧差法确定运动车辆区域，针对背景和车辆区域采用不同的更新策略，较好解决了光照变化响应与运动车辆区域更新之间的矛盾；提出了一种基于边缘信息的运动车辆阴影消除算法，算法考虑了运动阴影与目标车辆的边缘、纹理等信息，能去除车辆大部分阴影，使车辆检测更加准确。. （2）从单摄像机图像信息中获取原始图像和虚拟的标号场两种信息，将遮挡问题转化为标号场和运动矢量的优化问题，基于两种信息的信息融合解决优化问题。将MRF模型拓展到时间域，建立时空MRF模型，实现两种信息的时空信息融合，同时优化车辆标号场及运动矢量，解决了跟踪中的车辆相互遮挡问题；从原始图像中提取光照不变特征并集成到时空MRF模型，在MRF模型统一的理论框架下，同时解决跟踪中的车辆相互遮挡及光照影响这两大难题。. （3）分析了车辆区域中块运动矢量的时空分布特性，针对三步搜索法存在的问题，提出了一种低计算复杂度的递推三步搜索法，能够对大范围内的运动矢量进行准确估计；提出了一种基于非网格块的车辆跟踪方法。基于每个块的运动矢量，将前一帧的块移位到当前帧，块呈非网格状分布，块间可以重叠。实验表明，基于非网格块的车辆跟踪方法在跟踪范围及精度方面优于基于网格块的方法。. （4）基于跟踪结果提取车辆行为特征，研究了交通事件识别方法，实现了复杂交通环境下多种交通事件的检测识别。. 基于理论研究成果，开发了车辆跟踪与交通事件检测软件，并利用现场交通监控视频图像进行了测试，测试结果表明，所开发的软件可有效实现车辆跟踪和典型交通事件的检测识别。