[發明專利]一種基于無人機航拍的單目標車輛跟蹤方法

在審

• 申請號: 202210156746.6
• 申請日: 2022-02-21
• 公開（公告）號: CN114529584A
• 公開（公告）日: 2022-05-24
• 發明（設計）人: 呂艷輝;郭向坤;李彬
• 申請（專利權）人: 沈陽理工大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/50;G06V10/75;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

本發明提供一種基于無人機航拍的單目標車輛跟蹤方法，涉及計算機視覺技術領域。本發明在目標檢測的結果基礎上，采用基于多特征融合的圖像匹配算法，融合了圖像顏色直方圖特征和HOG特征，可以顯著提高僅使用單一特征對圖像的表示程度和在圖像匹配過程中的準確率。為了準確預測目標在視頻中的出現位置，設計了K++鄰域搜索算法，有助于減少計算量，精度更高，可以更有效地排除出現相似目標產生的干擾。在跟蹤過程中出現跟蹤目標被全部遮擋的情況，本發明采用基于車輛運動狀態估計的抗遮擋算法實現單目標跟蹤。本發明方法能夠快速、準確地在無人機拍攝的視頻中對某一車輛目標進行單目標跟蹤，具有很好的通用性和可擴展性。

技術領域

本發明涉及計算機視覺技術領域，尤其涉及一種基于無人機航拍的單目標車輛跟蹤方法。

背景技術

目標跟蹤任務可以分為兩類：一類是多目標跟蹤，另一類是單目標跟蹤。多目標跟蹤是指對視頻序列中的所有目標或一類目標的所有個體進行跟蹤的任務。它不僅涉及對每個目標的連續跟蹤，還涉及不同目標之間的識別、自遮擋和相互遮擋的處理，并將檢測結果與跟蹤結果相關聯。與多目標跟蹤相比，我們更傾向于單目標跟蹤，因為往往在視頻序列中，我們更專注于出現的某一個體的運動情況，所以單目標跟蹤技術的發展較為火熱，也極為迅速。從傳統的對視頻幀之間的處理方法，有代表性的靜態背景、幀差法、光流法、Meanshift和Camshift算法屬于早期的單目標跟蹤方法，具有實際應用多、FPS高、對設備計算能力要求低等特點。然后，檢測和跟蹤的結合開始出現?；跈C器學習的方法提取圖像特征并訓練分類器進行分類(如SVM)，使訓練后的分類器在下一幀中找到最優區域。一種方法是基于生成模型，一種是判別式模型統稱為檢測跟蹤。當前最有代表性的單目標跟蹤方法就是核相關濾波方法以及在此基礎上與深度學習結合的算法。再次刷新了單目標跟蹤的精度和速度，但是因為深度算法運算量大，要求設備算力高，很多跟蹤算法都使用了在線微調，所以速度還不是很理想，實際應用比較有局限性，仍有很大的發展空間。

近年來基于深度學習的單目標跟蹤算法，由CVPR2016中提出的基于孿生網絡的SiamFC將單目標跟蹤推向一個新時代，其利用孿生網絡的特點，將模板和圖像經過同一網絡提取特征之后，將模板的特征向量在搜索圖像特征向量上做互相關，得到一張響應圖，響應最大的位置就是目標的位置。而后續幾乎所有的基于深度學習的單目標跟蹤算法的提出都是以該算法為基礎。例如SiamMask算法在互相關的基礎上加入了一個簡單的通道數為2的1×1的卷積核，得到兩個分支的輸出進行不同的任務處理；另一個具有代表性的SiamRPN，以SiamFC為基礎，將Faster-RCNN中的RPN網絡的分類和回歸，與SiamFC進行融合，不僅提升了跟蹤的精度速度也得到大幅度提升。以馬丁丹尼爾組建實驗室發布的最新的Dimp(Learning discriminative model prediction for tracking)跟蹤算法，以SiamFC為基礎，加入了在線訓練分類器并用視頻的前后幀信息進行分類器的優化可以實時調整模型，提高了跟蹤的精度。

雖然目前基于孿生網絡的單目標跟蹤算法有著比較好的跟蹤效果，但是由于網絡得到的信息全部由第一幀提供，得到的信息量實在太小。所以針對當前目標跟蹤領域樣本不足導致的精度不高以及跟蹤速度難以滿足實時性的問題，

發明內容

本發明要解決的技術問題是針對上述現有技術的不足，提供一種基于無人機航拍的單目標車輛跟蹤方法，能夠快速、準確地在無人機拍攝的視頻中對某一車輛目標進行單目標跟蹤，具有很好的通用性和可擴展性。

為解決上述技術問題，本發明所采取的技術方案是：

一種基于無人機航拍的單目標車輛跟蹤方法，包括以下步驟：

步驟1：載入需要車輛跟蹤的無人機航拍視頻，暫停在第一幀，用鼠標手動框選要跟蹤的目標車輛，框選的區域為待跟蹤區域，待跟蹤區域內的目標車輛為跟蹤目標；然后從視頻的第二幀開始，使用目標檢測算法對視頻幀中出現的目標車輛進行檢測；