[发明专利]一种多目标车辆跟踪方法

说明书

本发明提供了一种多目标车辆跟踪方法，首先输入实际拍摄的车辆视频，检测模块使用RFB‑Net网络，使用VOC2007数据集中的车辆数据训练，将检测器输出作为跟踪模型输入；然后获取目标检测框，进行表观特征或运动特征的提取；接着进行相似度计算，根据前后两帧目标之间的匹配程度进行数据关联，为每个对象分配目标的ID；本发明可以较好地解决车辆移动速度快、目标相似度高以及目标相互遮挡导致跟踪失败的问题。

技术领域

本发明涉及车辆追踪定位技术领域，主要涉及一种多目标车辆跟踪方法。

背景技术

近年来，针对不同场景研究具有针对性的跟踪算法成为最近几年研究的主要内容。视觉多目标跟踪是目前智能交通中的关键技术，可对车辆周边目标进行稳定的跟踪，解决因目标检测不连续造成的震荡问题，并为车辆轨迹预测提供数据支持。

基于深度学习的方法在目标检测领域表现出优势。卷积神经网络作为一种深度网络模型，在图像处理领域取得了空前的成就。目标检测网络主要分为两类:以R-CNN系列为代表的两阶段检测模型和以YOLO、SSD为代表的单阶段模型。两阶段模型是先基于图片提出若干可能包含物体的区域，再判断这个区域中的是什么类别。由此将目标检测问题转化成目标分类问题。而单阶段模型则是把目标检测问题看成一个回归问题，单阶段模型没有中间的区域检出过程，直接从图片获得预测结果。

目前，多车辆跟踪方法主要分别四大类：基于模型的目标跟踪算法；通过训练对车辆进行建模，通过计算机视觉等技术来确定车辆的参数，通过对相关帧内的各个车辆各个参数进行匹配，来计算识别结果的相关度；基于区域的目标跟踪算法；将车辆的所在区域的特征提取出来，根据某种匹配规则在后续帧中进行匹配，匹配成功则跟踪成功；基于特征的目标跟踪算法；通过车辆的特征(某一轮廓等)提取进行匹配，以车辆特征为目标来进行跟踪，而不是车辆区域；基于概率的目标跟踪算法；有Mean-Shift、卡尔曼滤波、粒子滤波等算法。

发明内容

发明目的：基于背景技术中的研究成果，本发明提出一种基于检测模型的车辆多目标跟踪方法，结合深度学习算法，研究视频中多车辆的跟踪方法，旨在解决车辆移动速度快、目标相似度高以及目标相互遮挡导致跟踪失败的难题。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种多目标车辆跟踪方法，包括以下步骤：

步骤S1、获取公路上的实拍车辆视频，对视频图像进行预处理，包括图像逐帧灰化和大小归一处理；

步骤S2、通过RFB-Net检测器对输入视频帧进行目标车辆检测，获取当前帧目标的检测框位置以及各个检测框图像块的深度特征；过滤置信度小于预设阈值的目标检测框；

步骤S3、依据前一帧的目标检测框，使用卡尔曼滤波预测出当前帧的目标位置得到预测跟踪框，每一帧的预测跟踪框组在一起构成了一组轨迹，保存在轨迹列表中，轨迹列表中的轨迹分为不确定态和确定态，轨迹初始化时都标记为不确定态，其中当前帧为第一帧时，预测跟踪框为空；

步骤S4、将当前帧的检测框与轨迹列表中的轨迹进行匹配，确定态轨迹与当前帧的检测框进行级联匹配，不确定态轨迹与尚未匹配的目标检测框进行IOU匹配；

步骤S5、当轨迹匹配成功的次数大于n_init时，轨迹更新为确定态，并用对应的检测框对轨迹列表中的预测跟踪框进行更新；当轨迹匹配成功的次数不大于n_init时，轨迹更新为删除态，并将其从轨迹列表中删除；当检测框未匹配成功时，初始化为新的轨迹；

步骤S6、重复步骤S2-S5，对后续帧进行处理。

进一步地，所述步骤S2中通过RFB-Net检测器对输入视频帧进行目标车辆检测具体步骤如下：