[发明专利]一种自动驾驶场景下基于卷积关联网络的行人目标跟踪方法

说明书

本发明涉及一种自动驾驶场景下基于卷积关联网络的行人目标跟踪方法，通过利用卷积关联网络与轻量级目标检测网络共享特征，来捕获目标间的关联性，从而实现目标跟踪，具体包括以下步骤：A1‑1、获取一个一阶段目标检测模型，然后一共经过5次下采样，在最后三个尺度的特征图上进行预测，除了第一次下采样时采用普通卷积模块，后面四次下采样均采用多尺度下采样模块中设计到的模型均更换成可分离卷积模块，并将模型在最后三次下采样的特征图上做目标框预测，最终构成轻量级行人目标检测网络；A2‑1、预测目标关联矩阵，得到目标关联矩阵；A3‑1、然后通过卷积关联网络设计行人目标跟踪策略，最终获得行人关联的目标跟踪结果。本发明在跟踪精度与速度上都能良好地适应自动驾驶场景。

技术领域

本发明涉及多目标跟踪的技术领域，特别涉及一种自动驾驶场景下基于卷积关联网络的行人目标跟踪方法。

背景技术

随着汽车保有量的日益提高，道路交通安全问题也随之逐渐突出。自动驾驶系统能够在驾驶过程中减轻驾驶者的操作负荷，为驾驶者提供支持和帮助，提高出行效率；提示并修正驾驶者在驾驶过程中的不当操作，避免交通事故的发生，挽救生命和财产。随着人们对驾驶安全性的要求越来越高，自动驾驶技术得到了学术界和工业界的共同关注。在自动驾驶场景下，不仅要将路面上的目标检测出来，还要对他们进行跟踪，了解他们的运动轨迹，以提前控制汽车行驶状态。因此，自动驾驶技术作为人工智能技术的一个重要研究方向，是学术界和工业界共同的研究热点，如今各大互联网公司及汽车制造商纷纷投身自动驾驶技术的研究。目标跟踪作为自动驾驶技术中不可或缺的一个环节，对提高自动驾驶的安全性有着重要作用和意义。

对目标的跟踪首先需要将目标检测出来，在自动驾驶场景下，车辆的运动十分迅速，背景环境的变化也十分剧烈，对算法的实时性和远处小目标的检测与跟踪效果要求更加严格，使得自动驾驶场景下的目标检测与跟踪面临更加巨大的挑战。

目标跟踪的研究离不开目标检测，近十年来目标检测与跟踪的算法发展得十分迅速。在目标检测与跟踪技术的发展过程中，涌现了许多优秀的通用目标检测与跟踪算法。然而，却鲜少有研究者研究针对自动驾驶场景的目标检测与跟踪。这与自动驾驶技术的兴起与流行时间较晚有一定关系，在自动驾驶场景下，行人目标跟踪的速度有一定要求，所以轻量级网络模型的研究也至关重要。

深度学习的复兴极大地推动了目标检测算法的发展。基于深度学习的通用目标检测算法大体可分为以R-CNN系列为代表的两阶段目标检测算法和以YOLO系列为代表的一阶段目标检测算法。两阶段目标检测算法将目标检测任务分为生成候选框与候选框分类两个步骤，而一阶段目标检测算法则在一个网络中同时预测出目标的位置和类别。一般来说，两阶段目标检测算法在精度上高于一阶段目标检测算法。但由于两阶段目标检测算法在生成候选框阶段产生的候选框较为密集，造成计算成本较高，导致其运算速度远低于一阶段目标检测算法。经过几年的完善和发展，两阶段目标检测算法不断提高其运算速度，一阶段目标检测算法不断提高其检测精度。到目前为止，无论是两阶段目标检测算法还是一阶段目标检测算法都在精度与速度上得到了一定的平衡。但总体上两阶段目标算法在速度上仍低于一阶段目标检测算法，一阶段目标检测算法在精度上仍低于两阶段目标检测算法。因此，在实际应用中，将根据具体需求选择使用一阶段目标检测算法或两阶段目标检测算法。

目标跟踪任务比目标检测任务更具挑战性，因为目标跟踪不仅要将连续图像中的目标检测出来，还要识别出该目标是否在上一帧出现过，如在上一帧出现过，还需将该目标与上一帧中出现的同一目标关联起来。目标在运动过程中出现的外观形变、尺度变化、光照变化、相似背景干扰及遮挡问题都给目标跟踪带来了巨大的挑战。目标跟踪算法分为单目标跟踪算法与多目标跟踪算法两个分支，在实际应用中，多目标跟踪算法比单目标跟踪算法具有更大的挑战和价值。在多目标跟踪算法中，又以行人多目标跟踪算法为研究重点，大部分的多目标跟踪研究都是在研究行人多目标跟踪。与自动驾驶技术相结合，行人多目标跟踪研究具有巨大的商业价值。