基于强化学习的视频车辆跟踪

华南理工大学学报（自然科学版） ›› 2008, Vol. 36 ›› Issue (10): 57-60,66.

基于强化学习的视频车辆跟踪

卞建勇¹徐建闽¹裴海龙²

1. 华南理工大学土木与交通学院, 广东广州 510640； 2. 华南理工大学自动化科学与工程学院, 广东广州 510640

收稿日期:2007-10-08 修回日期:2007-11-12 出版日期:2008-10-25 发布日期:2008-10-25
通信作者: 卞建勇（1980-），男，博士生，主要从事非线性控制、智能控制、图像处理与模式识别以及智能交通研究． E-mail:bjyong977@126．com
作者简介:卞建勇（1980-），男，博士生，主要从事非线性控制、智能控制、图像处理与模式识别以及智能交通研究．
基金资助:
国家“863”高技术计划项目（2006AA11Z211）;广州市科技计划项目（B04B2070710）

Video Vehicle Tracking Based on Reinforcement Learning

Bian Jian-yong¹ Xu Jian-min¹ Pei Hai-long²

1. School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510640, Guangdong, China; 2. School of Automation Science and Engineering, South China University of Technology, Guangzhou 510640, Guangdong, China

Received:2007-10-08 Revised:2007-11-12 Online:2008-10-25 Published:2008-10-25
Contact: 卞建勇（1980-），男，博士生，主要从事非线性控制、智能控制、图像处理与模式识别以及智能交通研究． E-mail:bjyong977@126．com
About author:卞建勇（1980-），男，博士生，主要从事非线性控制、智能控制、图像处理与模式识别以及智能交通研究．
Supported by:
国家“863”高技术计划项目（2006AA11Z211）;广州市科技计划项目（B04B2070710）

摘要/Abstract

摘要： 基于视频的车辆跟踪在交通监控领域有着重要的实用价值．为了有效地跟踪视频车辆，文中首先提出了一种结合虚拟检测线的统计背景提取方法，然后运用背景差法提取运动车辆信息，再在运动车辆区域运用SUSAN（Smallest Univalue Segment Assimilating Nucleus）算法提取车辆角点特征，在此基础上运用强化学习进行车辆跟踪，充分发挥了强化学习搜索效率高的特性．实验结果表明：文中方法跟踪情况稳定，跟踪准确率比较高，可以获得很好的跟踪效果．

关键词: 交通监控, 强化学习, 车辆跟踪, 背景提取, SUSAN算法

Abstract:

As the video vehicle tracking is of great importance to the traffic monitoring, a statistical background extraction method combined with the virtual detection line is p video vehicles. Then, the background difference method is employed to extract the information of moving vehicles, and the SUSAN algorithm is adopted to extract the comer feature in the moving vehicle region. Moreover, the reinforcement learning theory with high searching efficiency is applied to the video vehicle tracking. Experimental results show that the proposed method helps to obtain satisfying tracking results due to its good stability and high tracking accuracy.

Key words: traffic monitoring, reinforcement learning, vehicle tracking, background extraction, SUSAN algorithm

卞建勇徐建闽裴海龙 . 基于强化学习的视频车辆跟踪[J]. 华南理工大学学报（自然科学版）, 2008, 36(10): 57-60,66.

Bian Jian-yong Xu Jian-min Pei Hai-long . Video Vehicle Tracking Based on Reinforcement Learning[J]. Journal of South China University of Technology (Natural Science Edition), 2008, 36(10): 57-60,66.

[1]	王福建, 程慧玲, 马东方, 等. 基于深度逆向强化学习的城市车辆路径链重构[J]. 华南理工大学学报(自然科学版), 2023, 51(7): 120-128.
[2]	陈锋, 毛豪滨, 蔡吉玲, 等. 面向低延时实时视频的多维跨层带宽预测[J]. 华南理工大学学报(自然科学版), 2023, 51(11): 18-27.
[3]	许伦辉, 余佳芯, 裴明阳, 等. 基于几何路网结构和强化学习的车辆重定位策略[J]. 华南理工大学学报(自然科学版), 2023, 51(10): 99-109.
[4]	王高, 陈晓鸿, 柳宁, 等. 一种基于视角选择经验增强算法的机器人抓取策略[J]. 华南理工大学学报(自然科学版), 2022, 50(9): 126-137.
[5]	闫军威黄琪周璇. 基于Double-DQN的中央空调系统节能优化运行[J]. 华南理工大学学报（自然科学版）, 2019, 47(1): 135-144.
[6]	邓卓明刘明波. 求解多目标暂态电压紧急控制的强化学习方法[J]. 华南理工大学学报（自然科学版）, 2015, 43(12): 9-17.
[7]	徐玉滨陈佳美马琳. 基于Q学习的WLAN/WIMAX接入控制网络选择策略[J]. 华南理工大学学报（自然科学版）, 2013, 41(8): 41-46,60.
[8]	郝钏钏方舟李平. 采用经验复用的高效强化学习控制方法[J]. 华南理工大学学报(自然科学版), 2012, 40(6): 70-75.
[9]	余涛胡细兵刘靖. 基于多步回溯Q（λ）学习算法的多目标最优潮流计算[J]. 华南理工大学学报（自然科学版）, 2010, 38(10): 139-145.
[10]	邵泽明朱剑英. RSTC不变矩图像特征点匹配新方法[J]. 华南理工大学学报（自然科学版）, 2008, 36(8): 37-40.
[11]	彭志平彭宏. 基于并发Options 的双边多议题协商模型优化[J]. 华南理工大学学报（自然科学版）, 2007, 35(9): 95-100.
[12]	邵泽明朱剑英王化明. 基于SUSAN算法的分层快速角点检测[J]. 华南理工大学学报（自然科学版）, 2006, 34(7): 65-68.