[发明专利]基于无Anchor机制检测网络的车辆跟踪模型建立方法

权利要求书

1.一种基于无Anchor机制检测网络的车辆跟踪模型建立方法，其特征在于，步骤如下：

S1、将通过摄像头采集的输入图像进行处理，以得到突出输入图像中车辆部分的视觉显著图；

S2、构建无Anchor机制神经网络以对输入图像中的车辆采用车辆跟踪框的方式进行准确标记；具体实施步骤为：

S201、采用残差网络作为基础网络，并设定神经网络的运行机制为：残差网络读取输入图像后，将残差网络的后三层的特征图C₁、特征图C₂、特征图C₃分别与其上一层特征图进行融合，得到的新特征图与上一层级特征图进行横向连接的融合得到特征图P₁、特征图P₂、特征图P₃；其中，特征图P₃经过特征图C₃卷积操作获得，特征图C₂卷积操作结果与特征图P₃进行特征融合得到特征图P₂，特征图C₁卷积操作结果与特征图P₂进行特征融合得到特征图P₁；进而，特征图P₃进行卷积获得特征图P₄，特征图P₄卷积获得特征图P₅；

S202、采用车辆检测领域通用的KITTI数据集作为输入图像，对步骤S201所构建的神经网络进行网络训练：将每个特征图中的像素会逐个映射回步骤S1生成的视觉显著图中；对满足处理条件的点进行低质量边界框策略处理，并以最小化网络输出值与KITTI数据集中标签数据中真实值的差值作为训练目标，将远离物体中心点的像素点生成的定位较差的车辆边界框进行约束，得到更为准确定位车辆的车辆跟踪框；

在步骤S202中，神经网络训练方法的具体实施步骤为：

S2021、将步骤S201得到的P₁～P₅五个尺度的特征图分别映射回步骤S1得到的视觉显著图中；映射方式为：若当前特征图在之前卷积操作的总步长为s，则映射位置为(xs+s/2,ys+s/2)；其中，x与y分别代表视觉显著图中的像素点在像素矩阵中的横坐标和纵坐标；

S2022、判断映射位置处的像素点在视觉显著图中是否赋值为0：1)若像素点在视觉显著图中赋值为0，则不再对该像素点进行后续计算；2)若像素点在视觉显著图中赋值不为0，则进行步骤S2023的处理；

S2023、根据KITTI数据集的标签数据获得车辆边界框的坐标信息，从而可以获得车辆中心点x_c的位置；然后根据车辆中心点与车辆边界框的位置信息，以车辆中心点为基准生成一个小于车辆边界框的矩形区域作为车辆跟踪框；其中，车辆跟踪框的长和宽一般设定为车辆边界框的长和宽的1/4～3/4；根据车辆的中心点x_c至矩形区域角点的长度最大原则，设车辆的中心点x_c至生成的矩形区域的四个角点x_r的欧式距离记为l_r,c，然后计算满足步骤S2022的像素点x_i至车辆的中心点x_c的欧式距离l_i,c，并筛除l_i,c＜l_r,c的像素点；其中，欧式距离的计算公式见公式(5)；

l_i,c＝||x_i-x_c||₂                式(5)；

S203、利用完成步骤S202的无Anchor机制神经网络对步骤S1中由摄像头获取的输入图像进行与网络训练相同的处理步骤，获得准确标记车辆的车辆跟踪框；

S3、建立车辆跟踪模型以配合无Anchor机制神经网络对车辆实时跟踪，其具体实施步骤为：基于当前时刻车辆跟踪框状态作为初始跟踪框状态信息，对该车辆下一时刻车辆跟踪框的状态信息进行预测，得到预测跟踪框；同时，以无Anchor机制检测网络获得的下一时刻的车辆跟踪框，即实测跟踪框，作为观测信息；然后通过构造状态信息与观测信息的交并比矩阵实现利用观测信息对状态信息的预测方式进行修正，并用于在下一时刻车辆跟踪框状态的预测中，依次类推，车辆跟踪模型生成。