[发明专利]一种基于CNN的车辆识别和轨迹追踪方法

权利要求书

1.一种基于CNN的车辆识别和轨迹追踪方法，其特征在于，包括以下步骤：

(1)实时获取车辆的视频信息；

(2)采用轮廓筛选机制对获取的视频帧进行预处理，提取车辆目标的候选区域；

(3)将目标的候选区域输入卷积神经网络中，完成车辆目标和非车辆目标的识别；

(4)获取每帧视频中的车辆位置坐标，根据这些坐标绘制车辆的轨迹；对于不同车道内的车辆轨迹按照车道进行分类提取；

对于不同车道内的车辆轨迹按照车道进行分类提取的过程：

(a)以图像的width方向为x轴、图像的height方向y轴，建立平面直角坐标系；

(b)在坐标系中定位车辆坐标，车道i的两条边线分别为y＝k_ix+c_i和y＝k_i+1x+c_i+1，其中，k_i、k_i+1为车道i的两条边线的斜率，c_i、c_i+1为车道i的两条边线的截距，i＝1,2,…,I，I为总车道数；

设车道i内的车辆坐标为(a,b)，则(a,b)满足以下条件：

为了避免车道i内不同车辆轨迹粘合，在车辆驶离的方向设置检测带y＝m，当车道i内某车辆坐标(a,b)满足以下条件时，说明已完成该车辆目标的轨迹跟踪，需要进行轨迹清除：

2.根据权利要求1所述基于CNN的车辆识别和轨迹追踪方法，其特征在于，步骤(2)的具体过程如下：

采用索贝尔算子对获取的视频帧进行边缘点的检测，通过计算视频帧中每个像素点横向和纵向的灰度值来计算像素点的梯度，若梯度大于预设的阈值，则认为该像素点是轮廓边缘点，将相邻的轮廓边缘点连接起来，获得车辆目标的外部轮廓，根据外部轮廓确定车辆目标的候选区域。

3.根据权利要求1所述基于CNN的车辆识别和轨迹追踪方法，其特征在于，步骤(3)的具体过程如下：

缩放候选区域图片的scale，得到图片金字塔，通过卷积层提取图片中的特征，得到feature map，接着通过池化层将feature map大小不一的候选区域转变为大小统一的数据，进一步稳定特征，然后通过全连接层将池化层输出的特征进行合并，使用softmax完成车辆目标的识别。

4.根据权利要求3所述基于CNN的车辆识别和轨迹追踪方法，其特征在于：softmax进行车辆目标识别时，通过构建代价函数对分类进行优化，所述代价函数：

上式中，p_u为目标真实类别u的概率，v_i为bounding-box返回的坐标值，表示bounding-box的回归补偿，x,y,w,h分别表示定位框的横坐标、纵坐标、宽度、高度，

求解代价函数L取最小值时的用于补偿bounding-box返回的坐标值，使得返回的坐标值所表示的定位框能真实代表车辆区域。