[發明專利]一種面向城市交通的移動目標檢測及跟蹤方法

在審

• 申請號: 201811541565.5
• 申請日: 2018-12-17
• 公開（公告）號: CN109697420A
• 公開（公告）日: 2019-04-30
• 發明（設計）人: 宋煥生;戴喆;張朝陽;侯景嚴;李懷宇;云旭;賈金明;李潤青;王璇;武非凡;梁浩翔;孫士杰;張文濤
• 申請（專利權）人: 長安大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06T7/20
• 代理公司: 西安恒泰知識產權代理事務所 61216
• 代理人: 王芳

本發明屬于智能交通領域，具體涉及一種面向城市交通的移動目標檢測及跟蹤方法，通過在城市道路及交叉口處架設相機，用相機對包含機動車、非機動車和行人目標的交通場景進行拍攝，獲取視頻數據，并利用視頻數據的圖像特征，基于目標檢測提出一種模型匹配算法并將這種算法和KCF算法進行結合得到了一種多目標跟蹤算法，采用所得到的多目標跟蹤算法獲取目標運動軌跡并對目標的完整軌跡進行儲存，達到對視頻范圍內的目標進行自動檢測、分類及持續跟蹤，獲得目標的移動軌跡信息的目的。本發明方法能夠利用連續的圖像精確的獲得不同目標的類型及其移動軌跡信息。

技術領域

本發明屬于智能交通領域，具體涉及一種面向城市交通的移動目標檢測及跟蹤方法。

背景技術

隨著智能交通監控系統的大力推廣以及計算機視覺技術的快速發展，基于視頻的多目標檢測、分類及跟蹤逐漸成為當今交通監控系統研究的一項重要領域。針對道路交通視頻中的目標檢測方案，目前有的目標檢測方法有幀間差分法、背景減除法和光流法等，但是現有的這幾種目標檢測方法效率比較低，后來又提出了基于RCNN、fastRCNN、fasterRCNN和RFCN的目標檢測方法，并在此基礎上進化出了YOLO V3算法，在YOLO V3算法中，技術人員使用多尺度預測并且改進了一個更好的基礎分類網絡，檢測速度更快，誤檢率低，通用性強。

針對道路交通視頻中目標的跟蹤方案，傳統的目標跟蹤方法是生成類方法的跟蹤，也就是預測下一幀的目標，但是存在精度不高和速率較慢，所以現今流行的是判別類跟蹤的方法，主要是基于檢測結果的跟蹤，本文針對跟蹤，提出了兩個解決方案：(1)對視頻序列的每一幀進行運動目標檢測，基于相鄰幀之間的檢測及結果完成運動目標軌跡連接，獲取運動目標信息。(2)在初始幀對目標進行檢測得到有效描述，然后在后續圖像序列中查找與已檢測目標相匹配的目標區域，最終跟蹤得到運動目標軌跡。但是，第一種方案存在檢測效果不穩定，存在目標漏檢導致跟蹤失敗的問題。第二種方案，避免了第一種方案依賴于檢測帶來的缺點，使用了一次檢測多次跟蹤的思路，核心為目標特征的提取和描述。但是特征點提取過多導致匹配困難，特征點過少又容易造成誤檢，而且特征點提取過程計算復雜，耗時長。

另一種方式是對目標整體描述其特征，常用到的目標特征包括圖像邊緣、形狀、紋理，顏色直方圖統計特征等，通過融合多個特征增強目標特征的可靠性。對目標進行特征提取之后，采用相似性度量方式進行目標重定位，實現目標跟蹤。常見的基于特征匹配的跟蹤算法有基于二值化的目標圖像匹配的跟蹤，基于邊緣特征匹配、基于目標顏色特征匹配的跟蹤等。但是其對于圖像模糊、噪聲等較敏感，特征的提取效果也依賴于各種提取算子及其參數的設置，此外，連續幀間特征對應關系較難確定，對跟蹤性能有消極影響。

發明內容

針對現有技術中存在的目標檢測和跟蹤的精度低和難以適應復雜場景的問題，本發明提出了一種面向城市交通的移動目標檢測及跟蹤方法，包括以下步驟：

步驟1：采集交通場景的視頻，獲得視頻截圖，對視頻截圖進行分類標注，把標注后的視頻截圖作為樣本集；

步驟2：將步驟1獲得的樣本集利用YOLO V3算法進行訓練，得到檢測模型，將交通場景的視頻輸入檢測模型，得到每一幀中圖像的像素信息和目標的檢測結果信息，其中，視頻的第t幀表示為Frame_t，t表示幀號取值為正整數；

步驟3：創建臨時軌跡列表Ts，此時Ts為空，讀取步驟2獲得的交通場景的視頻的Frame₁作為當前幀，對Frame₁中檢測到的每個目標建立新軌跡，并將所有新軌跡加入Ts，更新Frame₂作為當前幀，將Frame₁中每個目標的檢測結果信息作為當前幀Frame₂的對應的軌跡終點信息，進入步驟4；