[发明专利]一种基于深度学习的多摄像头车辆跟踪系统

说明书

本发明公开了一种基于深度学习的多摄像头车辆跟踪的系统，创建多个拍摄摄像头，并对获取的视频中的车辆机型检测；利用深度学习的Caffe框架训练车辆样本图片，生成车辆检测模型；提取车辆特征，分别为全局特征的颜色特征提取和局部特征的SURF算法特征进行提取；利用全卷积孪生网络跟踪算法中的特征向量相似度与多特征合作进行匹配；将跟踪信息存放到专有数据库中，以方便用户查阅跟踪的详细信息，并可通过播放视频内容再次判断目标车辆信息；对不同的摄像头轨迹进行分块处理，绘制车辆的轨迹，创建全局路径。本发明基于深度学习的多摄像头协同分析下的车辆跟踪，得到更精确的多方位识别跟踪技术，对社会治安及交通管制有重要的意义。

技术领域

本发明涉及车辆跟踪领域，是基于深度学习的多摄像头协同对车辆进行多方位识别及追踪的方法和系统，该方法可以应用于智能交通监控、嫌疑车监管、车流量检测以及路况分析多个场景。

背景技术

多摄像头车辆识别与跟踪是智能交通系统中研究的重点内容，但多摄像头的切换可能导致目标车辆的外形发生变化，监控视频背景复杂、目标车辆遮挡等问题也对识别跟踪的准确度及误检率提出了巨大的挑战。比如说，在交通事故发生后，对目标车辆进行锁定并跟踪其运动轨迹，辅助交警对交通事故进行事后处理。

目前，关于单摄像头车辆识别与跟踪在国内外已有了大量的研究成果，但是单摄像头的监控场景单一且固定，目标车辆跟踪的视野范围有限，不能对其进行持续跟踪。单摄像头在固定场景进行目标车辆的识别与跟踪通常使用以下几种算法：模板匹配跟踪算法、mean shift跟踪算法以及cam shift跟踪算法等等，但是在多摄像头协同分析下的车辆跟踪中并不适用。

发明内容

本发明要解决的技术问题是在于克服已有单摄像头下识别与跟踪技术的不足，提出基于深度学习的多摄像头协同分析下的车辆跟踪，通过优化各种算法模型，得到更精确的多方位识别跟踪技术，对社会治安及交通管制有重要的意义。

为了解决上述技术问题，本发明提供了一种基于深度学习的多摄像头车辆跟踪的系统，包括以下步骤：

a、创建多个拍摄摄像头，并对获取的视频中的车辆机型检测；

b、利用深度学习的Caffe框架训练车辆样本图片，生成车辆检测模型；

c、提取车辆特征，分别为全局特征的颜色特征提取和局部特征的SURF算法特征进行提取；

d、利用全卷积孪生网络跟踪算法中的特征向量相似度与多特征合作进行匹配；

e、将跟踪信息存放到专有数据库中，以方便用户查阅跟踪的详细信息，并可通过播放视频内容再次判断目标车辆信息；

f、对不同的摄像头轨迹进行匹配并对背景进行分块处理，绘制跟踪车辆的轨迹，创建全局路径。

进一步步骤b包括以下步骤：

b1、收集车辆样本图片并筛选，排除无车样本后进行高斯噪音、翻转以及高亮数据增广，得到检测样本；

b2、对检测样本图像进行标签化处理；

b3、通过SSD网络训练车辆检测模型，用样本图片和标签文件组成需要训练的数据集，最后利用Caffe框架进行训练得到检测模型；

b4、在线检测模型：初始化检测模型，加载网络配置文件和检测模型，设置初始置信度阈值；调用检测函数进行车辆检测，判断置信度，当大于阈值区域中的物体则保存为车辆，当小于阈值区的区域，则过滤判断为矩形框边界。

进一步，步骤c中：所述全局特征提取为：提取车辆颜色特征，首先将RGB颜色通道进行分量映射，然后做颜色直方图计算，通过该方法将多摄像头下的相同车辆进行颜色特征提取；

进一步，步骤c中所述SURF算法特征提取包括：