基于粒子群优化的复杂交通监控车辆检测与跟踪摘要：城市交通监控视频的背景与前景变化均极为剧烈，导致交通监控对车辆的检测与统计准确率较低，对此，提出一种基于车辆空间移动特点与粒子像素聚类的车辆检测与跟踪方案。首先，基于高斯混合模型将权重与标准偏差比例较高的部分选为背景，由此实现前景区域的提取，同时，使用二值遮挡技术对提取的前景边缘进行优化处理；然后，提取前景区域的部分粒子，对粒子进行聚类处理，结合粒子的空间位置与移动向量来提高粒子的聚类准确率；最终，由于同一粒子簇可能为两个运动形式接近的多辆车组成，针对粒子簇的轴线等参数设置了限制条件，从而判断是否为同一车辆。对车辆的追踪则基于连续帧之间相同粒子簇的相似率比较实现。对比试验结果表明，该算法在剧烈变换的背景条件下具有较高的车辆检测准确率，错误率较低，优于其他同类型算法。关键词：城市道路交通；高斯混合模型；前景遮挡；聚类；车辆追踪中图分类号：TN820.4734；TP391.4文献标识码：A文章编号：1004?373X(2016)14?0106?06PSO?basedvehicledetectionandtrackingincomplextrafficmonitoringWANGQingfen,SUNXiuting,FANWei(DepartmentofElectricalEngineering,ShijiazhuangTiedaoUniversitySifangCollege,Shijiazhuang051132,China)Abstract：Sincethetrafficmonitoringtovehiclede-tectionandstatisticshaslowaccuracyduetotheviolentbackgroundandforegroundvariationofcitytrafficmoni-toringvideo、avehicledetectionandtrackingschemebasedonvehiclespatialdisplacementcharacteristicandparticlepixelclusteringisproposed・ThesectionswithhighproportionofweighttostandarddeviationareselectedasthebackgroundonthebasisofGaussianmixturemodeltoextracttheforegroundregion,atthesametime,thebi-naryocclusiontechnologyisusedtooptimizethefore-groundedge・Andthen,thepartparticlesofthefore-groundregionareextractedforclusteringprocessing,andtheclusteringaccuracyrateisimprovedincombinationwiththespatialpositionandmotionvectoroftheparticles.Sinceaparticleclustercouldbecomposedofvehicleswithtwosimilarmotionmodes,thelimitingconditionissetac-cordingtotheparticleclusteraxisandotherparameterstojudgewhethertheparticleclusterreferstothesamevehi-cle・Thevehiclewastrackedbasedonthesimilarratecomparisonofthesameparticleclusterbetweenthecontin-uousframes.Thecontrasttestresultsprovethatthepro-posedalgorithmhashighvehicledetectionaccuracyandlowerrorrateinviolenttransformbackgroundsituation,andisbetterthanothersamealgorithms.Keywords：cityroadtraffic；Gaussianmixturemodel；foregroundocclusion；clustering；vehicletracking0引言城市交通监控系统具有监控道路安全、车辆追踪以及优化交通拥堵等重要作用。而车辆识别是交通监控的关键技术，尤其，城市交通监控的背景变化剧烈,普通车辆识别技术对于城市车辆识别性能较为一般。目前已有一些针对城市或高速交通视频监控的研究[1?6],其利用前景遮挡等方案来降低变化剧烈的背景对识别性能的影响。其中文献[1?3]利用稀疏编码与片段采样的方案获得了较好的车辆检测效果，文献[4?6]使用纹理分析等方案对车辆进行了分类处理，获得了较好的效果。本文针对城市变化剧烈的道路交通视频监控系统，提出了复杂背景的车辆检测与追踪算法，首先基于高斯混合模型将权重与标准偏差比例较高的部分选为背景，由此实现了前景区域的提取，同时，使用二值遮挡技术对提取的前景边缘进行优化处理。然后提取前景区域的部分粒子，对粒子进行聚类处理，结合粒子的空间位置与移动向量来提高粒子的聚类准确率。最终，由于同一粒子簇可能为两个运动形式接近的多辆车组成，针对粒子簇的轴线等参数设置了限制条件，从而判断是否为同一车辆。对车辆的追踪则基于连续帧之间和相同粒子簇的相似率比较获得。对比试验可看出，本算法对城市交通剧烈变换背景下的车辆识别正确率较高，优于已有的一些同类型算法...