[发明专利]一种车辆检测与跟踪一体化方法

说明书

本发明公开一种车辆检测与跟踪一体化方法，包括：获取图像并选取图像中的感兴趣区域后，采用支持向量回归方法对感兴趣区域中的车辆目标进行多尺度滑窗检测，获得初始检测结果；依次采用空间位置特征方法、支持向量分类方法和多帧热度方法对初始检测结果进行筛选，获得进一步检测结果，并采用改进的可变尺度核相关滤波算法进行跟踪，获得跟踪结果；在步骤2持续的处理过程中，根据检测结果对已起批的车辆目标进行加权投票，将检测结果与跟踪结果进行融合处理后得到最终检测结果。达到了降低虚警率、提升检测结果稳定性并降低计算量的效果，相对于现有技术，大大提升了车辆检测与跟踪的效率。

技术领域

本发明涉及视频检测领域，尤其涉及一种车辆检测与跟踪一体化方法。

背景技术

人类进入汽车时代时，科学技术就对人类的“出行”进行了新的定义，而随着技术的不断发展与进步，人类对于智能驾驶这一梦想有了新的期待与希冀。对于智能驾驶而言，环境感知技术成为重中之重。车辆是视频环境感知场景中最关键的对象之一，是视频检测永恒的话题。车辆检测与跟踪算法是智能辅助驾驶系统的重点，是也是当前智能驾驶领域的研究热点。实时、准确、鲁棒的检测与跟踪算法能够使智能驾驶车实现有效的防偏、防撞、预警和控制。

目前，车辆检测算法主要分为传统机器学习方法及深度学习方法两类。第一方面，传统机器学习车辆检测方法主要有结合方向梯度直方图(Histogram of OrientedGradient，HOG)算法和支持向量机(Support Vector Machine，SVM)方法、结合类哈尔特征(Haar-like)和级联分类器方法等方法，这些传统机器学习方法各有优点，但总体上具有虚警率较高，检测鲁棒性不足等缺点。第二方面，深度学习车辆检测方法主要有YOLO(YouOnly Look Once)，即一种一步走(one-stage)深度学习目标检测算法系列、SSD(SingleShot MultiBox Detector)，即一种使用单个深层神经网络目标检测算法系列等，其检测准确性较高，但算法实时性较低，且算法所需大量计算资源，对硬件要求较高，使得应用成本大幅增加。

发明内容

本发明提供了一种车辆检测与跟踪一体化方法，以解决现有的车辆检测算法中通过传统机器学习方法或者深度学习方法进行车辆检测时，产生车辆检测的虚警率较高以及检测鲁棒性不足，或者实时性较差且应用成本较高的问题。

一种车辆检测与跟踪一体化方法，包括以下步骤：

步骤1，获取图像并选取所述图像中的感兴趣区域后，采用支持向量回归方法对所述感兴趣区域中的车辆目标进行多尺度滑窗检测，获得初始检测结果；

步骤2，依次采用空间位置特征方法、支持向量分类方法和多帧热度方法对所述初始检测结果进行筛选，获得进一步检测结果；

步骤3，对所述进一步检测结果采用改进的可变尺度核相关滤波算法进行跟踪，获得跟踪结果；

步骤4，在所述步骤2持续的处理过程中，根据检测结果对已起批的车辆目标进行加权投票，所述检测结果通过空间位置特征方法和支持向量分类方法获得，将所述检测结果与跟踪结果进行融合处理，得到最终检测结果。

进一步地，在一种实现方式中，所述步骤1包括：

获取图像并根据场景及应用需要选取感兴趣区域后，采用支持向量回归方法对所述感兴趣区域中的车辆目标进行多尺度滑窗检测，所述支持向量回归方法中的支持向量回归器由预先训练获得；

所述支持向量回归器的预先训练包括：

预先采集大量多种类型车辆目标的正视图和后视图作为正样本，预先采集大量多种道路环境的非车辆场景作为负样本，分别对所述正样本和负样本采用方向梯度直方图算法提取特征向量；