[发明专利]一种车辆检测与跟踪方法在审
申请号: | 201811637317.0 | 申请日: | 2018-12-29 |
公开(公告)号: | CN109886079A | 公开(公告)日: | 2019-06-14 |
发明(设计)人: | 姜显扬;王智;徐磊;许晓荣;姚英彪 | 申请(专利权)人: | 杭州电子科技大学 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/46;G06N3/04 |
代理公司: | 杭州君度专利代理事务所(特殊普通合伙) 33240 | 代理人: | 朱月芬 |
地址: | 310018 浙*** | 国省代码: | 浙江;33 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 车辆检测 粒子滤波 跟踪 组建 社会经济效益 车辆跟踪 车辆驾驶 跟踪方向 跟踪模块 关键作用 检测模块 开发环境 目标跟踪 神经网络 无人驾驶 现实意义 现有系统 应用场景 硬件价格 传统的 嵌入式 移动端 应用 | ||
本发明涉及一种车辆检测与跟踪方法。现有系统过于昂贵,无法达到实际应用。本发明方法采用SSD算法和MobileNets组建的检测模块与粒子滤波和CamShift算法组建的跟踪模块,进行车辆检测跟踪,其中开发环境采用嵌入式移动端。本发明采用神经网络中的SSD和MobileNets,与传统的目标跟踪CamShift算法和粒子滤波两个部分组建,包括车辆检测方法和车辆跟踪方法。本发明在无人驾驶方面起到关键作用,不仅解决无人车辆驾驶中最重要的车辆检测与跟踪方向的难关,又能解决硬件价格昂贵的问题。从提高社会经济效益来说,具有极大的现实意义和广阔的应用场景。
技术领域
本发明属于人工智能领域,具体是无人驾驶领域技术领域,涉及的是一种车辆检测与跟踪方法,尤其涉及一种通过MobileNets(移动视觉网络)框架改进的SSD(单次检测器) 神经网络与结合CamShift(连续自适应期望移动)算法、粒子滤波两种目标跟踪器结合的嵌入式开发的方法,该技术实现了通过嵌入式移动端实时的对车辆进行识别跟踪。
背景技术
近年来,互联网技术的迅速发展给汽车工业带来了革命性变化的机会。与此同时,汽车智能化技术正逐步得到广泛应用,这项技术使汽车的操作更简单,行驶安全性也更好,而其中最典型也是最热门的未来应用就是无人驾驶汽车。但是无人驾驶是一个非常严肃的研究,研究成果的成功不仅关系着研究者的利益,更是与人们驾车出行的息息相关,成熟的技术会让我们的出行更加安全、放心。
对于无人驾驶安全性的研究,其中重中之重的是对车辆进行识别和跟踪,只有识别准确率高和反应速度快,才能在应用中起到作用,但是如果应用在无人驾驶上,硬件要求也是很严格的,不仅要满足算法使用,还要符合当今的价值,在大多数人能够购买,能够普及的标准。对于现已经有的Google开发的无人车系统已经是世界领先,但价格过于昂贵,但国内却还在研发阶段,无法达到实际应用。
所以只有在目标检测与跟踪算法方面足够优化,并且使用价格相对便宜且和算法契合的嵌入式,才能实际解决问题,推动无人驾驶中的车辆检测与跟踪方向。
发明内容
本发明的目的就是提供一种车辆检测与跟踪方法,该方法采用SSD算法和MobileNets 组建的检测模块与粒子滤波和CamShift算法组建的跟踪模块,进行车辆检测跟踪,其中开发环境采用嵌入式移动端。
本发明的技术方案为:
采用神经网络中的SSD和MobileNets,与传统的目标跟踪CamShift算法和粒子滤波两个部分组建,包括车辆检测方法和车辆跟踪方法。
车辆检测方法:
首先建立SSD网络;SSD网络分为两部分,一部分是位于前端的深度卷积神经网络,采用的是去除分类层的图像分类网络,如VGG用于目标初步特征提取;另一部分是位于后端的多尺度特征检测网络,是一组级联的卷积神经网络,将前端网络产生的特征层进行不同尺度条件下的特征提取SSD框架。
SSD采用多尺度的方法得到多个不同尺寸的特征图,假设模型检测时采用m个特征图,则第k个特征图的默认框比例:
其中:Sk是第k个特征图默认框占输入图像的比例,Sk=0.18~0.20;Smax是最大的特征层默认框占输入图像的比例,Smax=0.9~1.0;Smin是最小的特征层默认框占输入图像的比例,Smin=0.18~0.20;
SSD采用锚定(anchors)机制,对于同一特征层上的默认框采取不同的宽高比,以增强默认框对物体形状的鲁棒性;默认框的宽高比同时针对宽高比等于1这一类,添加Sk′是对Sk求解梯度,则:
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学,未经杭州电子科技大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811637317.0/2.html,转载请声明来源钻瓜专利网。