[发明专利]一种基于轨迹预测的道路移动目标检测方法

说明书

本发明公开了一种基于轨迹预测的道路移动目标检测方法，使用改进后的YOLOv3‑Tiny网络来进行车载视频的车辆行人检测任务，具有结构小、网络参数少的优点，十分适合车载硬件水平有限的情况下对图像进行快速、高精度的检测；使用卡尔曼滤波跟踪算法进行检测框的位置预测，再通过匈牙利算法数据关联策略将检测算法和跟踪算法相结合，能够很好的利用车辆与行人帧与帧之间运动的连续性，从而降低目标的漏检率。

技术领域

本发明属于运动目标检测技术领域，具体涉及一种基于轨迹预测的道路移动目标检测方法。

背景技术

随着自动驾驶技术的发展，准确、及时地检测出道路车辆和行人成为了自动驾驶辅助系统实现的基本要求。对于车辆及行人检测的实现手段目前主要可以分为基于赢家的检测方案和基于图像的检测方案。其中基于硬件的检测大多以车载传感系统感知道路环境，比如在车辆四周布置多个毫米级雷达进行信息采集，虽然此类方案可以很好的采集道路信息，但是极大的提高了车辆的生产成本，不利于自动驾驶技术的大面积推广。而基于图像的检测方案则是通过车载摄像头采集道路信息，再送给中央处理器计算出行驶路线。此种方案的优点在于可以极大减少制造成本，同时更换和移植检测系统的新版本也很方便。

行人检测技术目前主要分为两类，分别是背景建模的方法和统计学习的方法。背景建模方法从图像中提取前景运动目标，在对应范围内进行特征提取，虽然方法简单可行，但存在无法良好适应光照变化、摄像机抖动造成的背景改变以及背景物体的突然改变等问题。因此更好的检查方法是根据大量样本提取相应特征信息，从而训练学习构建出行人检测分类器。

发明内容

针对现有技术中的上述不足，本发明提供的基于轨迹预测的道路移动目标检测方法解决了现有技术中检测器对于运动目标互相遮挡时漏检率高的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于轨迹预测的道路移动目标检测方法，包括以下步骤：

S1、通过车载摄像头获取道路移动目标的视频流，并对其进行处理得到对应的图像帧；

S2、将图像帧输入到训练好的目标检测网络中，获得对应的目标检测框；

S3、对目标检测框中的目标进行目标跟踪，得到对应的目标跟踪框；

S4、通过数据关联算法将目标检测框和目标跟踪框进行最优匹配，进而确定目标位置，实现移动目标检测。

进一步地，所述步骤S2中的目标检测网络为改进的YOLOv3-Tiny网络；

所述改进的YOLOv3-Tiny网络在YOLOv3-Tiny网络的基础上，在其第四层、第五层和第六层中均增加了一个3×3的卷积层，并在每个卷积层后引入一个1×1的卷积核。

进一步地，所述步骤S2中，对目标检测网络进行训练的方法具体为：

A1、构建包括若干图像帧的数据集，并对其进行预处理；

所述图像帧为车载摄像头获取的道路移动目标视频流对应的图像帧；

A2、通过Label Image软件在预处理后的每张图像帧中标注出车辆和行人信息；

A3、将标注有车辆和行人信息的数据集进行训练集和测试集的划分，并输入到目标检测网络中；

A4、对目标检测网络输出的候选框使用k-means方法进行聚类；

A5、将输出的候选框和输入数据中的标记框的IOU值作为聚类评价指标；

A6、将最小IOU值对应的候选框的大小和个数作为目标检测网络的超参数；

A7、重复步骤A4-A6，对目标检测网络进行训练，当训练误差稳定小于2时，保存此时的网络参数，完成目标检测网络的训练。