[發(fā)明專利]一種基于視頻檢測結果的車輛跟蹤方法

在審

• 申請?zhí)枺?/td>: 201811215199.4
• 申請日: 2018-10-18
• 公開（公告）號: CN109325467A
• 公開（公告）日: 2019-02-12
• 發(fā)明（設計）人: 周曦;柯再丹
• 申請（專利權）人: 廣州云從人工智能技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/46;G06K9/62
• 代理公司: 重慶上義眾和專利代理事務所(普通合伙) 50225
• 代理人: 孫人鵬

一種基于視頻檢測結果的車輛跟蹤方法，采用以下步驟，步驟1：攝像頭采集監(jiān)控區(qū)域視頻，將采集到的視頻流傳送到處理模塊中所述處理模塊對攝像視頻進行解碼，得到連續(xù)的圖像幀，將該圖像幀傳送到圖像檢測模塊中；步驟2：該圖像檢測模塊通過對當前圖片幀中的車輛進行識別，得到n個檢測框，n>0；步驟3：圖像檢測模塊對n個檢測框分別賦予唯一編號，使得每一輛車在視頻流中的連續(xù)圖片幀中具有相同編號。能夠在極少計算成本上補全現有基于圖像檢測方案的不足，提高檢測結果，便于后續(xù)的視頻數據結構化。

技術領域

本發(fā)明涉及圖像識別領域，具體涉及一種基于視頻檢測結果的車輛跟蹤方法。

背景技術

隨著道路卡口監(jiān)控攝像頭的普及，基于攝像機的車輛檢測技術得到了廣泛的應用。基于圖像的視頻檢測和屬性分析系統在近幾年因為深度學習取得了較高的突破，然而單張圖像往往存在遮擋等復雜情況使得檢測等技術出現錯誤，因此如何利用跟蹤技術串聯多幀的結果來進一步的提取結構化信息是一個很大的問題。

傳統意義上的跟蹤算法往往使用光流或者梯度直方圖等底層特征在新一幀的圖像上進行模板匹配來獲得下一幀的位置，而近年來的深度特征準確性更高，能夠更精確的預測。但是目前檢測已經采用深度學習的方法來進行檢測，對計算力已經有了較大的壓力，進一步使用復雜的跟蹤模塊不太實際。

發(fā)明內容

本發(fā)明針對現有技術的不足，提出一種基于視頻檢測結果的車輛跟蹤方法，具體技術方案如下：

一種基于視頻檢測結果的車輛跟蹤方法，其特征在于：

采用以下步驟，

步驟1：攝像頭采集監(jiān)控區(qū)域視頻，將采集到的視頻流傳送到處理模塊中；

所述處理模塊對攝像視頻進行解碼，得到連續(xù)的圖像幀，將該圖像幀傳送到圖像檢測模塊中；

步驟2：該圖像檢測模塊通過對當前圖片幀中的車輛進行識別，得到n個檢測框，n>0；

步驟3：圖像檢測模塊對n個檢測框分別賦予唯一編號，使得每一輛車在視頻流中的連續(xù)圖片幀中具有相同編號；

步驟4：處理模塊針對每個編號，判斷該編號是否對應設置有跟蹤活躍軌跡集，如果是，則進入步驟6，否則，進入步驟5；

步驟5：處理模塊針對該編號建立有對應的跟蹤活躍軌跡集，初始化跟蹤活躍軌跡和完結軌跡為空集，將該編號對應的檢測框加入到跟蹤活躍軌跡集中；

步驟6：將該編號對應的活躍軌跡集中的檢測框與當前檢測結果的檢測框進行匹配得分計算：

該匹配得分的方式為，匹配得分為計算使用活躍軌跡集中的矩形框與當前檢測結果中的矩形框的重合比例；

步驟7：根據匹配得分利用匈牙利算法計算得到對應的匹配結果，設置有參考閾值，如果匹配得分高于閾值，則進入步驟8，否則，進入步驟9；

步驟8：將當前檢測結果中的矩形框加入到該編號對應的活躍軌跡集；

步驟9：設置有不匹配計數器和參考值，不匹配計數器中的值加一，將該編號對應的活躍軌跡集轉換為完結軌跡集；

步驟10：重復步驟2至步驟9直到最后一幀數，將所有的活躍軌跡更替為完結軌跡，得到最后的跟蹤結果。

進一步地：對跟蹤結果進行卡爾曼濾波器，完成完結軌跡集的濾波和補全。

本發(fā)明的有益效果為：第一，能夠在極少計算成本上補全現有基于圖像檢測方案的不足，提高檢測結果，便于后續(xù)的視頻數據結構化。具有一下幾點顯著的社會和經濟效益：

第二，能夠提升現有基于圖像檢測方案的不足，能夠過濾圖像檢測的結果避免抖動，能夠抑制出現的錯誤檢測，能夠補全軌跡中缺失的檢測，大大提高檢測的效果。