[发明专利]一种车辆检测与跟踪方法

摘要

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。

主权项

1.一种车辆检测与跟踪方法，包括车辆检测方法和车辆跟踪方法，其特征在于：所述的车辆检测方法：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；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，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：S_k是第k个特征图默认框占输入图像的比例，S_k＝0.18～0.20；S_max是最大的特征层默认框占输入图像的比例，S_max＝0.9～1.0；S_min是最小的特征层默认框占输入图像的比例，S_min＝0.18～0.20；SSD采用锚定机制，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S_k′是对S_k求解梯度，则：其中，|f_k|是第k个特征图的尺寸大小；a、b为调整参数，a,b∈(0,1,2,···,|f_k|‑1)；(c_x,c_y)为特征图上默认框中心的坐标；w_b，h_b为默认的框的宽和高；w_feature，h_feature为特征图的宽和高；w_img，h_img为原始图像的宽和高；得到的(x_min,y_min,x_max,y_max)为第k个特征图上中心为宽和高大小为w_k和h_k的默认框映射到原始图像的物体框坐标；SSD的训练同时对位置和目标种类进行回归，其目标损失函数是置信损失和位置损失之和：其中，L(z,c,l,g)是目标损失函数，L_conf(z,c)是置信损失函数，L_loc(z,l,g)是位置损失函数，N是与标注数据物体框匹配的默认框个数；z为默认框与不同类别的标注数据物体框的匹配结果，c为预测物体框的置信度，l为预测物体框的位置信息，g为标注数据物体框的位置信息；α为权衡置信损失和位置损失的参数，设置为1；所述的SSD网络采用移动视觉网络改进SSD神经网络，将VGG‑16替换成移动视觉网络结构，深度卷积针对每个单个输入通道应用单个滤波器进行滤波，然后逐点卷积应用1x1的卷积操作来结合所有深度卷积得到的输出；所述的车辆跟踪方法：步骤1.采用连续自适应期望移动算法对单次移动视觉网络检测器第一帧识别出的车辆进行跟踪，具体流程如下：(1)计算目标区域内的颜色直方图：将输入图像转换到HSV颜色空间，目标区域为初始设定的搜索窗口范围，分离出色调H分量做该区域的色调直方图计算，得到目标模板的颜色直方图；(2)根据获得的颜色直方图，将原始输入图像转化成颜色概率分布图像，即反向投影，输入图像在已知目标颜色直方图的条件下的颜色概率密度分布图，对于输入图像中的每一个像素，查询目标模型颜色直方图，对于目标区域内的像素，得到该像素属于目标像素的概率，而对于非目标区域内的像素,该概率为0；(3)MeanShift迭代：首先，在颜色概率分布图中选择搜索窗口的大小和初始位置，然后计算搜索窗口的质心位置；设像素点(i,j)位于搜索窗口内，I(i,j)是颜色直方图的反向投影图中该像素点对应的值，定义搜索窗口的零阶矩M₀₀和一阶矩M₁₀、M₀₁如下：搜索窗口的质心位置为：(M₁₀/M₀₀,M₀₁/M₀₀,)，如上方式求得搜索框；其中，I为像素点i所能到达的最大位置，J为像素点j所能到达的最大位置；然后，调整搜索窗口中心到质心，将搜索窗口的中心移到质心，如果移动距离大于设定的阈值，则重新计算调整后的窗口质心，进行新一轮的窗口位置和尺寸调整，直到窗口中心与质心之间的移动距离小于设定的阈值，或者迭代次数达到设定的最大值，认为收敛条件满足，将搜索窗口位置和大小作为下一帧的目标位置输入，开始对下一帧图像进行新的目标搜索；步骤2.在目标的周围撒点,撒点采用按高斯分布撒点；每一个粒子都计算所在区域内的颜色直方图，得到相似度，然后对所有相似度进行归一化；根据归一化后相似度相似度重新撒点，即通过每一个粒子计算所在区域内的颜色直方图得到的数据，相似度高的粒子周围多撒，相似度低的地方少撒；计算重新撒点后的粒子当前时刻的位置：其中，是上一时刻粒子的位置，是当前时刻粒子的位置，是多元高斯分布变量，n表示粒子序号，A是常数值，A＝0.9；根据当前时刻粒子的位置计算概率颜色直方图、各个粒子和目标的巴氏距离，更新每个粒子的权重；每个粒子都获得一个相对目标的相似度，该相似度体现了该区域是目标的置信度，把所有粒子相似度加权后的结果作为目标可能的位置。