[发明专利]基于YOLO目标检测算法和光流追踪算法融合的机动车轨迹提取方法

说明书

本发明涉及一种基于YOLO目标检测算法和光流追踪算法融合的机动车轨迹提取方法，包括：S1获取视频，S2获取机动车位置信息，S3获取机动车车光流信息，S4若检测到机动车，计算当前帧下的机动车位置区域集合，进入S5，否则进入S6，S5构造当前帧下的机动车位置区域掩模图像：所述当前帧f+1的机动车位置区域掩模图像是指仅包含机动车位置区域信息的图像，也即各检测到的机动车最小外接矩形区域的彩色图像予以保留，其余部分替换为白色或黑色，进入S7。本发明融合深度学习网络YOLO对追踪对象进行初步定位，提高了角点匹配速度，减少了计算量，加快了光流追踪的效率与准确性。

技术领域

本发明涉及机动车检测与跟踪领域，具体涉及一种基于YOLO目标检测算法和光流追踪算法融合的机动车轨迹提取方法。

背景技术

运动目标检测与跟踪技术是计算机视觉领域中应用的核心技术，涉及图像处理、模式识别、人工智能等多技术领域，在交通导航、ITS、导弹预警、自动监控等多方面发挥着重要作用。

随着近年来人工智能、机器学习浪潮的兴起，涌现了大量新颖高效的检测和追踪方法，因此，本发明在此基础上提出一种基于YOLO目标检测算法和光流追踪算法融合的机动车轨迹提取方法，为自动驾驶、机动车的违章监控等发挥实际作用。

深度学习网络YOLO是一个可以一次性预测多个目标对象位置和类别的卷积神经网络，能够实现端到端的目标检测和识别，其最大的优势就是速度快。相比于CNN、FasterRCNN等卷积神经网络，YOLO算法没有选择滑动窗口(silding window)或提取proposal的方式训练网络，而是直接选用整张图片训练模型，这使得YOLO网络对目标和背景区域拥有更加高效的判别能力，同时也大大提高了检测速度。

光流是空间运动物体在观察成像平面上的像素运动的瞬时速度，是利用图像序列中像素在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的相应关系，从而计算出相邻帧之间物体的运动信息的一种方法。光流算法在目标跟踪方面表现优异，尤其是实时计算速度上。然而，光流算法得到的轨迹“trajectory”，还包括一些发生了漂移的点，所以，得到跟踪点之后要进行一些后期的处理，同时，光流跟踪算法还需要满足(1)亮度恒定；(2)时间连续或者是运动是“小运动”；(3)空间一致，临近点有相似运动，保持相邻。这些限制也导致跟踪过程中很容易出现丢失的问题。这些都大大限制了光流在机动车跟踪领域的应用。

目前，将这两种应用于机动车检测与跟踪领域还是空白，传统的机动车检测与跟踪方便简单、落后，导致容易跟踪丢失，数据无法完整捕捉。

发明内容

为了解决上述技术问题，本发明提供一种基于YOLO目标检测算法和光流追踪算法融合的机动车轨迹提取方法，利用深度学习网络YOLO不仅提高了检测效率，实现对机动车的实时追踪，同时在一定程度上解决了目标丢失的情况发生，其具体技术方案如下：

基于YOLO目标检测算法和光流追踪算法融合的机动车轨迹提取方法，包括以下步骤：

步骤1、基于路段或交叉口获取视频：通过摄像设备采集路段或交叉口视频；

步骤2、获取机动车位置信息：基于步骤1所采集的路段或者交叉口视频序列，利用深度学习检测网络YOLO检测机动车，并记录各检测机动车的位置和最小外接矩形：基于当前帧，检测得到当前帧下的机动车位置区域集合其中：f表示当前帧数，n表示当前帧f下机动车编号，集合各元素包含当前帧f下编号为n的机动车最小外接矩形在像素坐标系下左上角坐标及长宽

步骤3、获取机动车光流信息：基于步骤2所获取的机动车位置区域集合检测各区域的Harris角点，并以此作为光流追踪起点：针对当前帧获取的机动车位置区域集合，对各个区域块进行Harris角点检测，获取N个最符合要求的特征点，以此作为光流追踪起点，得到当前帧下角点集合其中表示当前帧f下编号为i的机动车所包含的N个角点坐标；