[發明專利]一種自動駕駛場景下基于卷積關聯網絡的行人目標跟蹤方法

有效

• 申請號: 202010439299.6
• 申請日: 2020-05-22
• 公開（公告）號: CN111652903B
• 公開（公告）日: 2023-09-08
• 發明（設計）人: 馮欣;殷一皓;石美鳳;譚暑秋;宋承云;吳浩銘;陳志;蔣友妮
• 申請（專利權）人: 重慶理工大學
• 主分類號: G06T7/207
• 分類號: G06T7/207
• 代理公司: 重慶晟軒知識產權代理事務所(普通合伙) 50238
• 代理人: 王海鳳

本發明涉及一種自動駕駛場景下基于卷積關聯網絡的行人目標跟蹤方法，通過利用卷積關聯網絡與輕量級目標檢測網絡共享特征，來捕獲目標間的關聯性，從而實現目標跟蹤，具體包括以下步驟：A1?1、獲取一個一階段目標檢測模型，然后一共經過5次下采樣，在最后三個尺度的特征圖上進行預測，除了第一次下采樣時采用普通卷積模塊，后面四次下采樣均采用多尺度下采樣模塊中設計到的模型均更換成可分離卷積模塊，并將模型在最后三次下采樣的特征圖上做目標框預測，最終構成輕量級行人目標檢測網絡；A2?1、預測目標關聯矩陣，得到目標關聯矩陣；A3?1、然后通過卷積關聯網絡設計行人目標跟蹤策略，最終獲得行人關聯的目標跟蹤結果。本發明在跟蹤精度與速度上都能良好地適應自動駕駛場景。

技術領域

本發明涉及多目標跟蹤的技術領域，特別涉及一種自動駕駛場景下基于卷積關聯網絡的行人目標跟蹤方法。

背景技術

隨著汽車保有量的日益提高，道路交通安全問題也隨之逐漸突出。自動駕駛系統能夠在駕駛過程中減輕駕駛者的操作負荷，為駕駛者提供支持和幫助，提高出行效率；提示并修正駕駛者在駕駛過程中的不當操作，避免交通事故的發生，挽救生命和財產。隨著人們對駕駛安全性的要求越來越高，自動駕駛技術得到了學術界和工業界的共同關注。在自動駕駛場景下，不僅要將路面上的目標檢測出來，還要對他們進行跟蹤，了解他們的運動軌跡，以提前控制汽車行駛狀態。因此，自動駕駛技術作為人工智能技術的一個重要研究方向，是學術界和工業界共同的研究熱點，如今各大互聯網公司及汽車制造商紛紛投身自動駕駛技術的研究。目標跟蹤作為自動駕駛技術中不可或缺的一個環節，對提高自動駕駛的安全性有著重要作用和意義。

對目標的跟蹤首先需要將目標檢測出來，在自動駕駛場景下，車輛的運動十分迅速，背景環境的變化也十分劇烈，對算法的實時性和遠處小目標的檢測與跟蹤效果要求更加嚴格，使得自動駕駛場景下的目標檢測與跟蹤面臨更加巨大的挑戰。

目標跟蹤的研究離不開目標檢測，近十年來目標檢測與跟蹤的算法發展得十分迅速。在目標檢測與跟蹤技術的發展過程中，涌現了許多優秀的通用目標檢測與跟蹤算法。然而，卻鮮少有研究者研究針對自動駕駛場景的目標檢測與跟蹤。這與自動駕駛技術的興起與流行時間較晚有一定關系，在自動駕駛場景下，行人目標跟蹤的速度有一定要求，所以輕量級網絡模型的研究也至關重要。

深度學習的復興極大地推動了目標檢測算法的發展。基于深度學習的通用目標檢測算法大體可分為以R-CNN系列為代表的兩階段目標檢測算法和以YOLO系列為代表的一階段目標檢測算法。兩階段目標檢測算法將目標檢測任務分為生成候選框與候選框分類兩個步驟，而一階段目標檢測算法則在一個網絡中同時預測出目標的位置和類別。一般來說，兩階段目標檢測算法在精度上高于一階段目標檢測算法。但由于兩階段目標檢測算法在生成候選框階段產生的候選框較為密集，造成計算成本較高，導致其運算速度遠低于一階段目標檢測算法。經過幾年的完善和發展，兩階段目標檢測算法不斷提高其運算速度，一階段目標檢測算法不斷提高其檢測精度。到目前為止，無論是兩階段目標檢測算法還是一階段目標檢測算法都在精度與速度上得到了一定的平衡。但總體上兩階段目標算法在速度上仍低于一階段目標檢測算法，一階段目標檢測算法在精度上仍低于兩階段目標檢測算法。因此，在實際應用中，將根據具體需求選擇使用一階段目標檢測算法或兩階段目標檢測算法。

目標跟蹤任務比目標檢測任務更具挑戰性，因為目標跟蹤不僅要將連續圖像中的目標檢測出來，還要識別出該目標是否在上一幀出現過，如在上一幀出現過，還需將該目標與上一幀中出現的同一目標關聯起來。目標在運動過程中出現的外觀形變、尺度變化、光照變化、相似背景干擾及遮擋問題都給目標跟蹤帶來了巨大的挑戰。目標跟蹤算法分為單目標跟蹤算法與多目標跟蹤算法兩個分支，在實際應用中，多目標跟蹤算法比單目標跟蹤算法具有更大的挑戰和價值。在多目標跟蹤算法中，又以行人多目標跟蹤算法為研究重點，大部分的多目標跟蹤研究都是在研究行人多目標跟蹤。與自動駕駛技術相結合，行人多目標跟蹤研究具有巨大的商業價值。