[发明专利]一种基于CNN的车辆识别和轨迹追踪方法

说明书

本发明公开了一种基于CNN的车辆识别和轨迹追踪方法，首先是通过对视频帧进行轮廓识别，筛选出车辆候选目标区域，将这些候选区域输入到预先训练好的卷积神经网络中进行车辆和非车辆目标的分类识别，在获取车辆坐标后，绘制车辆的轨迹信息，并按车道提取车辆的轨迹信息。本发明克服了现有技术存在的缺陷，提高了车辆目标识别的准确性和实时性。

技术领域

本发明属于食品监控技术领域，特别涉及了一种车辆识别和轨迹追踪方法。

背景技术

目前，目标检测是智能视频监控系统中的关键技术，同时也是目标识别、目标跟踪、目标分类等处理算法的基础。车辆目标识别的目的是尽可能地从视频监控中提取出车辆目标区域，并且完整地从视频中提取出来，并将检测的结果提交给后续的算法处理，包括车辆位置信息，车辆轨迹信息等，以此来判断车辆当前车辆的行驶状态。因此为了解决现有技术中的不足，需要一种从视频中快速定位车辆位置和提取车辆轨迹的方法。

2015年Seung-Hyun Lee等人在International Symposium on ConsumerElectronics(ISCE)上发表了一篇《An efficient selection of HOG feature for SVMclassification of vehicle》，通过减小HOG特征的维度来减少SVM的计算复杂度，然后将降低维度的HOG(方向梯度直方图)特征作为支持向量机(SVM)分类检测的输入，提高了车辆识别检测的速度。然而，HOG特征很难处理遮挡的问题，并且在实际的环境中HOG特征对噪点比较敏感。

2015年Sun Shujuan等人在Chinese Control and Decision Conference(2015CCDC)上发表了一篇《Real-time vehicle detection using Haar-SURF mixedfeatures and gentle AdaBoost classifier》论文，提出一种采用级联分类器和混合Haar-SURF特征的Gentle AdaBoost分类器来进行车辆的实时检测。该方法存在的问题是AdaBoost算法训练时间过长，目标识别的准确性依赖于弱分类器的选择。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供一种基于CNN的车辆识别和轨迹追踪方法，为了克服现有技术存在的问题，采用轮廓筛选机制的卷积神经网络来提高车辆目标识别的精度，同时也优化了实时视频识别中的实时性问题。

为了实现上述技术目的，本发明的技术方案为：

一种基于CNN的车辆识别和轨迹追踪方法，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。

进一步地，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。

进一步地，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。