[发明专利]一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法

权利要求书

1.一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法，其特征在于，包括以下步骤：

S1.收集YOLO V4训练数据集和车辆重识别数据集与数据增强；

S2.使用Pytorch深度学习框架搭建YOLO V4模型并进行训练；

S3.搭建DeepSORT目标追踪模型，使车辆重识别数据训练其车辆特征提取网络，并以YOLO V4在每帧的检测框为输入，完成YOLO V4+DeepSORT车辆追踪模型的搭建；

S4.使用YOLO V4+DeepSORT模型进行车辆的追踪并提取每辆车运行轨迹，搭建轨迹记录文件并存储每辆车的运行轨迹信息；

S5.使用DBSCAN聚类算法对轨迹数据的终点坐标进行聚类，将聚类簇与车道信息进行关联；

S6.根据轨迹数据的变化规律以及轨迹和聚类簇对应关系，实现车辆的分车道计数功能。

2.根据权利要求1所述的一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法，其特征在于，所述S1中数据集和数据增强方式包括：

S11.YOLO V4训练数据集的收集与数据增强：收集PASCAL VOC和COCO数据集中小轿车、卡车、公交车和非机动车标注图片和标注信息，并手动标注2000张不同视角监控视频帧中的车辆类别和位置信息，采用的数据增强方式是随机裁剪，随机翻转，随机调整饱和度、色调、亮度的图片参数，马赛克数据增强，混合裁剪数据增强，图片数据统一缩放到608x608分辨率；

S12.车辆重识别数据集收集与数据增强：收集VeRi数据集，训练DeepSORT中车辆特征提取模型，采用的数据增强方式是随机裁剪。

3.根据权利要求1所述的一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法，其特征在于，所述S2中搭建和训练YOLO V4的过程如下：

S21.YOLO V4由以下部分组成：一、特征提取网络CSPDarknet53；二、多尺度特征融合网络PAN和空间金字塔池化SPP；三、类似YOLO V3模型用于分类和检测框回归的头网络；使用Pytorch深度学习框架依次搭建CSPDarknet53特征提取网络，将其输出的三个不同宽高特征图，通过SSP+PAN进行特征融合，最后将特征融合后获得的三个不同宽高特征图一次性通过1x1卷积神经网络，获得YOLO V4的输出结果；

S22.在S21搭建完毕的YOLO V4的基础上，根据网络的输出和数据集的真实标签设定损失函数进行训练，损失函数设定完毕后，使用反向传播算法更新YOLO V4网络参数；

S23.训练过程中YOLO V4超参数设定为：选择Adam优化器,初始学习率设定为1e-5，数据集训练轮次设定为50，批量大小设定为16。

4.根据权利要求1所述的一种基于YOLO V4和DeepSORT的分车道车辆自动计数方法，其特征在于，所述S3中DeepSORT目标追踪模型的搭建以及训练过程具体包括：

S31.以YOLO v4输出的候选框大小和位置信息为输入，搭建DeepSORT的三大组成部分：(1)卡尔曼滤波算法做位置预测器，包括两个阶段：

(1.1)预测阶段：当目标移动时，根据目标在上一帧的速度和位置信息，预测出目标在当前帧的速度和位置的信息；

(1.2)更新阶段，根据算法捕捉的预测值以及观测值，通过两个正态分布的线性加权，得到当前系统的状态；

(2)小型残差网络做特征提取器的训练和测试，使用ReID数据集训练该小型残差网络，使用交叉熵作为训练损失函数，训练轮次设定为50轮次，优化器选择Adam优化器，初始学习率设定为0.0001，训练完毕后，将YOLO V4检测框中的车辆图片缩放至112像素×112像素作为输入，获得128维的低维向量用于后面相似度计算；

(3)匈牙利算法做特征匹配器，使用余弦距离计算检测框向量化后的近似度后，利用匈牙利算法对前后两帧中检测框内车辆进行匹配，匹配度高的被认定为同一车辆，分配统一的ID编号。