今天，在ITS系统研究成果中，其中最重要的研究是监控系统自动检测交通流量的发展，而不是对实际存在的宏观流量进行分析。自动监控系统应该基于对微观存在的单个车辆的轨迹进行局部分析。系统能识别每一辆车并追踪它们的轨迹，还能确认危险情况及事件。在交通拥挤的情况下，车辆之间的遮挡经常阻碍追踪车辆的轨迹。
追踪算法在计算机视觉研究中已经有很长的历史，特别在ITS领域中，车辆跟踪作为专门的跟踪范例之一已经被普遍地研究过了。如Kass使用“snakes”方法为跟踪目标提取车辆的轮廓；Smith和Kovvali使用光流法进行分析，值得一提的是Kovvali运用聚类和向量量化方法估计流量；Leuck和Gardner假设车辆形状为3D模型，然后把估计的车辆图像按外观角投影到平面2D图像中。这些方法在交通不拥挤的情况比较适用，当交通出现重叠遮挡时，这些方法就不能可靠的跟踪车辆的轨迹。
经过比较分析后，得出一个结论：车辆重叠遮挡的跟踪问题与时空图像分割问题是相似的。大部分关于时空图像分割的研究成果都采用马尔可夫随机场模型。最初的研究成果都使用2D－MRF模型，本书将2D－MRF模型扩展到ST－MRF模型，这个模型不仅仅优化图像在空间像素上的分布，还将优化图像沿着时间轴的分布。在一个图像序列中沿着时间轴上相邻的对应像素位置之间都有联系。如图3．1所示。ST－MRF模型考虑这种时间轴上的联系，把图像分成若干像素块，通过时间算子（观察场模型）建立目标地图。由于实际运动车辆速度比较快，车辆的像素移动一般会在数十个像素以内，目前视频检测技术不能以足够高的帧率去捕获到这些信息。因此，空间相邻的像素块在相邻块的图像之间不可能有任何的联系。基于这种考虑，在ST－MRF模型中，也是把图像分成块，通过空间算子（标号场模型），相邻图像间的块将通过它们的矢量联系起来，建立运动矢量地图。在方法中，使用基于ST－MRF模型的图像分割算法来实现对车辆的初始标号，然后基于ST－MRF模型来解决跟踪算法中遮挡时出现的问题，遮挡问题的解决，车辆跟踪问题就迎刃而解了。
图3．1 时空图像的分割
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
