System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像识别,具体涉及一种复杂道路场景车辆实时跟踪检测方法。
技术介绍
1、车辆实时跟踪检测在自动驾驶和交通安全领域具有重要意义,随着目标检测和多目标跟踪算法的发展,以及传感器技术的进步,目前已能够在复杂道路场景中准确快速地检测和跟踪车辆,这为实现智能交通和自动驾驶技术的商业化提供了坚实基础。
2、在对车辆实时跟踪检测时,可以通过sift算法(尺度不变特征变换 scale-invariant feature transform)来检测和追踪目标物体,sift算法通过关键点局部窗口内像素点的梯度分布来获取关键点描述子,通过关键点描述子对相邻帧图像中的关键点进行匹配,以此来进行车辆的实时跟踪检测;但是常规的sift算法中在获取关键点描述子时,都是通过固定的关键点局部窗口来进行分析的,由于在实际道路中充斥着各种复杂的信息,树木遮挡、车辆密集、行人干扰等多重不确定的干扰因素,导致图像中的一些关键点不能被检测出来,则降低了关键点检测和匹配的准确性,也影响了车辆实时跟踪的准确性。
技术实现思路
1、为解决上述问题,本专利技术提供一种复杂道路场景车辆实时跟踪检测方法。
2、本专利技术的一种复杂道路场景车辆实时跟踪检测方法采用如下技术方案:
3、本专利技术一个实施例提供了一种复杂道路场景车辆实时跟踪检测方法,该方法包括以下步骤:
4、获取连续若干帧的车辆图像;
5、根据车辆图像每个像素点的局部梯度特征获取所有的关键点,获取每帧车
6、根据每个关键点的邻域窗口内关键点个数,得到每个关键点的综合密度分布程度,对每帧车辆图像进行放缩,得到不同尺度层级下的图像,根据每个关键点的邻域窗口内受遮挡的影响程度和每个关键点的综合密度分布程度的获取过程,得到每个尺度层级下的图像中每个关键点的邻域窗口内受遮挡的影响程度和每个关键点的综合密度分布程度;
7、根据每个尺度层级下的图像中每个关键点的邻域窗口内受遮挡的影响程度和每个关键点的综合密度分布程度,对每个尺度层级中关键点局部窗口大小进行调整,得到每个目标尺度层级中新的关键点局部窗口大小,通过不同帧下所有尺度层级中新的关键点局部窗口大小获得不同帧下所有尺度层级的关键点描述子,通过不同帧下所有尺度层级的关键点描述子进行关键点的匹配,以此来完成对车辆的跟踪。
8、进一步地,所述根据车辆图像每个像素点的局部梯度特征获取所有的关键点,获取每帧车辆图像中每个关键点的邻域窗口,包括的具体步骤如下:
9、通过sift算法获取车辆图像中的关键点;
10、以车辆图像中的任意一个关键点为邻域窗口中心点,以为邻域窗口大小,则得到车辆图像中每个关键点的邻域窗口;
11、其中,为预设第一参数。
12、进一步地,所述根据每个关键点的邻域窗口内任意两个关键点的梯度差异,得到每个关键点的邻域窗口内每个梯度方向的混乱程度,包括的具体步骤如下:
13、以水平向右为参考方向,将车辆图像中每个像素点的梯度方向和参考方向之间的夹角,记为每个像素点的梯度夹角;
14、获取每个关键点的梯度方向上的所有像素点,计算每个关键点的梯度方向上的所有相邻像素点之间梯度夹角的差值,将每个关键点的梯度方向上的所有相邻像素点之间梯度夹角的差值按照从大到小的顺序排序,得到一组梯度夹角差值序列,将梯度夹角差值序列中的前个数据组成夹角差值序列;其中,为预设第二参数;
15、将每个关键点的梯度方向指向八邻域中的相邻像素点记为每个关键点的参考像素点;
16、根据每个关键点的邻域窗口内的关键点的梯度夹角和对应的参考像素点的梯度夹角之间的差异、每个关键点的夹角差值序列中数据的分布,得到每个关键点的邻域窗口内每个梯度方向的混乱程度。
17、进一步地,所述根据每个关键点的邻域窗口内的关键点的梯度夹角和对应的参考像素点的梯度夹角之间的差异、每个关键点的夹角差值序列中数据的分布,得到每个关键点的邻域窗口内每个梯度方向的混乱程度,包括的具体步骤如下:
18、将每个关键点的邻域窗口内每个梯度方向上的任意一个关键点与对应的参考像素点之间的梯度夹角的比值,记为每个关键点的邻域窗口内每个梯度方向上的任意一个关键点的第一比值,将1与每个关键点的邻域窗口内每个梯度方向上的任意一个关键点的第一比值之间差值的绝对值,记为每个关键点的邻域窗口内每个梯度方向上的任意一个关键点的第一差值,将每个关键点的邻域窗口内每个梯度方向上的所有关键点的第一差值的均值,记为每个关键点的邻域窗口内每个梯度方向的第一均值;
19、将每个关键点的夹角差值序列中的任意一个数据记为目标数据;
20、将目标数据和目标数据之前所有数据的标准差,记为目标数据的第一标准差,将目标数据之后所有数据的标准差,记为目标数据的第二标准差,将目标数据的第一标准差和第二标准差中的最小值与最大值之间的比值,记为目标数据的第二比值,将每个关键点的夹角差值序列中所有数据的第二比值的均值,记为每个关键点的第二均值,对每个关键点的第二均值进行负相关映射,得到每个关键点的第一数值;
21、每个关键点的邻域窗口内每个梯度方向的第一均值和每个关键点的第一数值之间的乘积结果,作为每个关键点的邻域窗口内每个梯度方向的混乱程度。
22、进一步地,所述根据每个关键点的邻域窗口内不同梯度方向的混乱程度之间的差异、梯度方向之间的差异,得到每个关键点的邻域窗口内受遮挡的影响程度,包括的具体步骤如下:
23、获取8个梯度方向区间,所述8个梯度方向区间为,其中为0、1、2、3、4、5、6、7,将作为每个梯度方向区间中梯度方向的序号;其中,为圆周率;
24、根据梯度方向对应的序号之间的差值、每个关键点的邻域窗口内每个梯度方向的混乱程度与邻域窗口内所有梯度方向的混乱程度的最大值的比值、每个关键点的邻域窗口内所有梯度方向的混乱程度的最大值,得到每个关键点的邻域窗口内受遮挡的影响程度。
25、进一步地,所述根据梯度方向对应的序号之间的差值、每个关键点的邻域窗口内每个梯度方向的混乱程度与邻域窗口内所有梯度方向的混乱程度的最大值的比值、每个关键点的邻域窗口内所有梯度方向的混乱程度的最大值,得到每个关键点的邻域窗口内受遮挡的影响程度,包括的具体步骤如下:
26、将每个关键点的邻域窗口内每个梯度方向的序号与最小混乱程度对应的梯度方向的序号之间的差值,记为每个关键点的邻域窗口内每个梯度方向的第二差值,对每个关键点的邻域窗口内每个梯度方向的第二差值进行负相关映射,得到每个关键点的邻域窗口内每个梯度方向的第二数值,将每个关键点的邻域窗口内每个梯度方本文档来自技高网...
【技术保护点】
1.一种复杂道路场景车辆实时跟踪检测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据车辆图像每个像素点的局部梯度特征获取所有的关键点,获取每帧车辆图像中每个关键点的邻域窗口,包括的具体步骤如下:
3.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据每个关键点的邻域窗口内任意两个关键点的梯度差异,得到每个关键点的邻域窗口内每个梯度方向的混乱程度,包括的具体步骤如下:
4.根据权利要求3所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据每个关键点的邻域窗口内的关键点的梯度夹角和对应的参考像素点的梯度夹角之间的差异、每个关键点的夹角差值序列中数据的分布,得到每个关键点的邻域窗口内每个梯度方向的混乱程度,包括的具体步骤如下:
5.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据每个关键点的邻域窗口内不同梯度方向的混乱程度之间的差异、梯度方向之间的差异,得到每个关键点的邻域窗口内受遮挡的影响程度,包括的具
6.根据权利要求5所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据梯度方向对应的序号之间的差值、每个关键点的邻域窗口内每个梯度方向的混乱程度与邻域窗口内所有梯度方向的混乱程度的最大值的比值、每个关键点的邻域窗口内所有梯度方向的混乱程度的最大值,得到每个关键点的邻域窗口内受遮挡的影响程度,包括的具体步骤如下:
7.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据每个关键点的邻域窗口内关键点个数,得到每个关键点的综合密度分布程度,包括的具体步骤如下:
8.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述对每帧车辆图像进行放缩,得到不同尺度层级下的图像,包括的具体步骤如下:
9.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据每个尺度层级下的图像中每个关键点的邻域窗口内受遮挡的影响程度和每个关键点的综合密度分布程度,对每个尺度层级中关键点局部窗口大小进行调整,得到每个目标尺度层级中新的关键点局部窗口大小,包括的具体步骤如下:
10.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述通过不同帧下所有尺度层级中新的关键点局部窗口大小获得不同帧下所有尺度层级的关键点描述子,通过不同帧下所有尺度层级的关键点描述子进行关键点的匹配,以此来完成对车辆的跟踪,包括的具体步骤如下:
...【技术特征摘要】
1.一种复杂道路场景车辆实时跟踪检测方法,其特征在于,该方法包括以下步骤:
2.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据车辆图像每个像素点的局部梯度特征获取所有的关键点,获取每帧车辆图像中每个关键点的邻域窗口,包括的具体步骤如下:
3.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据每个关键点的邻域窗口内任意两个关键点的梯度差异,得到每个关键点的邻域窗口内每个梯度方向的混乱程度,包括的具体步骤如下:
4.根据权利要求3所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据每个关键点的邻域窗口内的关键点的梯度夹角和对应的参考像素点的梯度夹角之间的差异、每个关键点的夹角差值序列中数据的分布,得到每个关键点的邻域窗口内每个梯度方向的混乱程度,包括的具体步骤如下:
5.根据权利要求1所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据每个关键点的邻域窗口内不同梯度方向的混乱程度之间的差异、梯度方向之间的差异,得到每个关键点的邻域窗口内受遮挡的影响程度,包括的具体步骤如下:
6.根据权利要求5所述一种复杂道路场景车辆实时跟踪检测方法,其特征在于,所述根据梯度方向对应的序号之间的差值、...
【专利技术属性】
技术研发人员:何国涛,张维敏,张博,汪文妹,高张浩,赵旭阳,李敏乐,
申请(专利权)人:陕西高速电子工程有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。