[發(fā)明專利]一種多目標(biāo)車輛跟蹤方法

有效

• 申請?zhí)枺?/td>: 202110795714.6
• 申請日: 2021-07-14
• 公開（公告）號: CN113674328B
• 公開（公告）日: 2023-08-25
• 發(fā)明（設(shè)計）人: 周昕;陳志;李玲娟;岳文靜
• 申請（專利權(quán)）人: 南京郵電大學(xué)
• 主分類號: G06T7/277
• 分類號: G06T7/277;G06T7/246;G06V20/54;G06V10/25;G06V10/762;G06V10/764;G06V10/766;G06V10/82
• 代理公司: 南京經(jīng)緯專利商標(biāo)代理有限公司 32200
• 代理人: 葉連生

本發(fā)明提供了一種多目標(biāo)車輛跟蹤方法，首先輸入實際拍攝的車輛視頻，檢測模塊使用RFB?Net網(wǎng)絡(luò)，使用VOC2007數(shù)據(jù)集中的車輛數(shù)據(jù)訓(xùn)練，將檢測器輸出作為跟蹤模型輸入；然后獲取目標(biāo)檢測框，進(jìn)行表觀特征或運動特征的提取；接著進(jìn)行相似度計算，根據(jù)前后兩幀目標(biāo)之間的匹配程度進(jìn)行數(shù)據(jù)關(guān)聯(lián)，為每個對象分配目標(biāo)的ID；本發(fā)明可以較好地解決車輛移動速度快、目標(biāo)相似度高以及目標(biāo)相互遮擋導(dǎo)致跟蹤失敗的問題。

技術(shù)領(lǐng)域

本發(fā)明涉及車輛追蹤定位技術(shù)領(lǐng)域，主要涉及一種多目標(biāo)車輛跟蹤方法。

背景技術(shù)

近年來，針對不同場景研究具有針對性的跟蹤算法成為最近幾年研究的主要內(nèi)容。視覺多目標(biāo)跟蹤是目前智能交通中的關(guān)鍵技術(shù)，可對車輛周邊目標(biāo)進(jìn)行穩(wěn)定的跟蹤，解決因目標(biāo)檢測不連續(xù)造成的震蕩問題，并為車輛軌跡預(yù)測提供數(shù)據(jù)支持。

基于深度學(xué)習(xí)的方法在目標(biāo)檢測領(lǐng)域表現(xiàn)出優(yōu)勢。卷積神經(jīng)網(wǎng)絡(luò)作為一種深度網(wǎng)絡(luò)模型，在圖像處理領(lǐng)域取得了空前的成就。目標(biāo)檢測網(wǎng)絡(luò)主要分為兩類:以R-CNN系列為代表的兩階段檢測模型和以YOLO、SSD為代表的單階段模型。兩階段模型是先基于圖片提出若干可能包含物體的區(qū)域，再判斷這個區(qū)域中的是什么類別。由此將目標(biāo)檢測問題轉(zhuǎn)化成目標(biāo)分類問題。而單階段模型則是把目標(biāo)檢測問題看成一個回歸問題，單階段模型沒有中間的區(qū)域檢出過程，直接從圖片獲得預(yù)測結(jié)果。

目前，多車輛跟蹤方法主要分別四大類：基于模型的目標(biāo)跟蹤算法；通過訓(xùn)練對車輛進(jìn)行建模，通過計算機視覺等技術(shù)來確定車輛的參數(shù)，通過對相關(guān)幀內(nèi)的各個車輛各個參數(shù)進(jìn)行匹配，來計算識別結(jié)果的相關(guān)度；基于區(qū)域的目標(biāo)跟蹤算法；將車輛的所在區(qū)域的特征提取出來，根據(jù)某種匹配規(guī)則在后續(xù)幀中進(jìn)行匹配，匹配成功則跟蹤成功；基于特征的目標(biāo)跟蹤算法；通過車輛的特征(某一輪廓等)提取進(jìn)行匹配，以車輛特征為目標(biāo)來進(jìn)行跟蹤，而不是車輛區(qū)域；基于概率的目標(biāo)跟蹤算法；有Mean-Shift、卡爾曼濾波、粒子濾波等算法。

發(fā)明內(nèi)容

發(fā)明目的：基于背景技術(shù)中的研究成果，本發(fā)明提出一種基于檢測模型的車輛多目標(biāo)跟蹤方法，結(jié)合深度學(xué)習(xí)算法，研究視頻中多車輛的跟蹤方法，旨在解決車輛移動速度快、目標(biāo)相似度高以及目標(biāo)相互遮擋導(dǎo)致跟蹤失敗的難題。

技術(shù)方案：為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種多目標(biāo)車輛跟蹤方法，包括以下步驟：

步驟S1、獲取公路上的實拍車輛視頻，對視頻圖像進(jìn)行預(yù)處理，包括圖像逐幀灰化和大小歸一處理；

步驟S2、通過RFB-Net檢測器對輸入視頻幀進(jìn)行目標(biāo)車輛檢測，獲取當(dāng)前幀目標(biāo)的檢測框位置以及各個檢測框圖像塊的深度特征；過濾置信度小于預(yù)設(shè)閾值的目標(biāo)檢測框；

步驟S3、依據(jù)前一幀的目標(biāo)檢測框，使用卡爾曼濾波預(yù)測出當(dāng)前幀的目標(biāo)位置得到預(yù)測跟蹤框，每一幀的預(yù)測跟蹤框組在一起構(gòu)成了一組軌跡，保存在軌跡列表中，軌跡列表中的軌跡分為不確定態(tài)和確定態(tài)，軌跡初始化時都標(biāo)記為不確定態(tài)，其中當(dāng)前幀為第一幀時，預(yù)測跟蹤框為空；

步驟S4、將當(dāng)前幀的檢測框與軌跡列表中的軌跡進(jìn)行匹配，確定態(tài)軌跡與當(dāng)前幀的檢測框進(jìn)行級聯(lián)匹配，不確定態(tài)軌跡與尚未匹配的目標(biāo)檢測框進(jìn)行IOU匹配；

步驟S5、當(dāng)軌跡匹配成功的次數(shù)大于n_init時，軌跡更新為確定態(tài)，并用對應(yīng)的檢測框?qū)壽E列表中的預(yù)測跟蹤框進(jìn)行更新；當(dāng)軌跡匹配成功的次數(shù)不大于n_init時，軌跡更新為刪除態(tài)，并將其從軌跡列表中刪除；當(dāng)檢測框未匹配成功時，初始化為新的軌跡；

步驟S6、重復(fù)步驟S2-S5，對后續(xù)幀進(jìn)行處理。

進(jìn)一步地，所述步驟S2中通過RFB-Net檢測器對輸入視頻幀進(jìn)行目標(biāo)車輛檢測具體步驟如下：