[發明專利]一種基于YOLOv4的多目標車輛檢測跟蹤方法

在審

• 申請號: 202011206816.1
• 申請日: 2020-11-02
• 公開（公告）號: CN113205108A
• 公開（公告）日: 2021-08-03
• 發明（設計）人: 柳長源;張林林;何先平;張薈
• 申請（專利權）人: 哈爾濱理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種基于YOLOv4的多目標車輛檢測跟蹤方法，首先，通過k?means聚類算法優化anchor box的預測，以便YOLOv4更加適應車輛數據集的要求；其次，改進了YOLOv4的目標檢測網絡，有效提高了檢測精度；最后，采用卡爾曼濾波和匈牙利算法解決預測結果和跟蹤結果之間的數據關聯問題，將目標運動信息和表觀信息結合作為總的關聯代價，有效減少了ID Switch現象。本發明不僅提高了復雜場景中對多目標和弱小目標檢測的準確率，還提高了目標跟蹤算法的魯棒性以及適應性。

技術領域

本發明涉及目標跟蹤技術領域，具體涉及一種基于YOLOv4的多目標車輛檢測跟蹤方法。

背景技術

目標檢測和跟蹤是計算機視覺領域的熱點問題，在智能視頻監控、智慧交通、機器人視覺導航航以及軍事制導等方面具有重要意義。近年來，隨著深度學習的不斷發展，卷積神經網絡被廣泛地應用到目標檢測與跟蹤上，衍生出了不少采用深度學習網絡的跟蹤算法，在目標檢測與跟蹤領域取得了極大的成功。

目前目標檢測算法一般分為四個步驟：第一步，目標檢測，使用目標檢測網絡選取出目標邊界框；第二步，提取特征，通過建立表觀特征提取網絡提取出目標的表觀信息和運動信息，然后預測目標下一幀的位置；第三步，通過關聯矩陣求相似度，利用表觀特征和位置特征計算關聯矩陣，然后求出前后兩幀目標的相似度；第四步，目標匹配，將當前幀檢測到的目標和已追蹤到的目標進行關聯，關聯成功后為其分配相同的ID。

發明內容

針對現有技術中的缺陷，本發明提供了一種基于YOLOv4的多目標車輛檢測跟蹤方法，克服了目標跟蹤中多目標和弱小目標錯檢漏檢的問題，提高了目標跟蹤算法的魯棒性以及適應性。

為了解決上述技術問題，本發明提供了以下技術方案：

一種基于YOLOv4的多目標車輛檢測跟蹤方法，包括以下步驟：

S1:通過k-means聚類算法產生anchor box，anchor box在單層目標檢測算法中被廣泛用于設置bounding box初始尺寸，因為anchor box優于其他非監督學習算法；

S2:改進了YOLOv4的目標檢測網絡，在原有的YOLOv4三個尺度特征融合的基礎上繼續增加尺度，增加為四種不同尺度的特征圖；

S3:通過改進的YOLOv4目標檢測網絡對視頻幀進行車輛檢測，獲得所有檢測到的目標車輛框Detection boxes；

S4:通過卡爾曼濾波器對目標車輛檢測框中的車輛進行狀態預測，獲得對應的目標跟蹤框track boxes；

S5:利用所有Detection boxes和Track boxes之間的運動相似度以及表觀相似度,構建Detection boxes和Track boxes之間的代價矩陣；

S6:根據匈牙利算法對關聯成本代價矩陣中的關聯代價進行關聯匹配，計算前后兩幀之間的匹配程度，進而確定跟蹤結果，為每個對象分配目標的ID，實現多目標車輛檢測。

進一步地，所述步驟S1通過k-means聚類算法產生anchor box具體包括以下步驟：

S1.1:獲得數據集上的目標真實的邊界框；

S1.2:k-means算法隨機選取k個邊界框作為聚類頭來初始化歸一化過程，然后圍繞最近的質心重新分配聚類，并根據一定的閾值進行更新，直到收斂產生k個anchor box。

進一步地，所述步驟S2改進了YOLOv4的目標檢測網絡，具體包括以下步驟：

S2.1:修改YOLOv4的主干網絡CSPDarknet-53，再增加一個特征層，使CSPDarknet-53有四個特征層；