[发明专利]一种基于双阶段卷积神经网络的目标跟踪方法及系统

说明书

本发明涉及一种基于双阶段卷积神经网络的目标跟踪方法及系统。其方法包括，获取检测区域内的视频流，并将所述视频流进行预处理，得到多帧帧图片；将多帧所述帧图片输入至预先训练好的YOLOv3目标检测改进模型中进行目标检测，得到带有检测目标帧图片；利用deepsort多目标追踪算法对带有检测目标帧图片进行检测目标跟踪，对所述帧图片中检测目标实时位置进行跟踪。本发明采用改进的YOLOv3结合Deepsort多目标跟踪的双阶段卷积神经网络对目标进行实时监测，更精确地获得同一运动物体的实时位置信息，避免了多目标及重叠目标的计算误差，实现运动中多目标物体的实时跟踪，检测准确率高。

技术领域

本发明涉及停车检测领域，尤其涉及一种基于双阶段卷积神经网络的目标跟踪方法及系统。

背景技术

危险化学品运输车辆，简称危化车，因其装卸物通常为易燃易爆或剧毒物质，具有极大的危险性，因此其停放须严格按照危化品车辆管理办法在指定地点停放。在运输过程中不可随意停放，临时停车不准靠近明火、高温场所、人员密集场所等有可能造成危害的地点。针对危化品车辆在道路运输过程中，尤其在化工园区内，不按规定停放可能造成重大危害的问题，

目前基于单纯的目标检测算法，例如YOLO系列算法，可实现单帧图像的目标检测，即单帧图片检测目标的位置值，但是无法获得视频运动中的目标的连续位置信息，一方面是单帧图像出现多目标时，需仔细计算辩证前后帧多个目标之间的位置信息是属于哪个目标，另一方面是当多个目标之间互相距离较近时，无法确认前后帧运动中的目标具体是属于哪个目标；基于目标检测与多目标跟踪双阶段的算法可实现运动中多目标物体的实时跟踪，且准确度较高。

现有的运用于yolov3目标检测方法中的NMS方法在去除多余的重叠框的过程中，从高到低对建议框进行排序，然后分数最高的检测框被选中，当其他框与被选中建议框有明显重叠时，即被抑制。该方法会删除重叠率较高的目标框，即当两个目标框接近时，分数更低的框就会因为与之重叠面积过大而被误删掉。

YOLOv3目标框架中的损失函数Loss分为三个部分，一个是中心坐标和宽高造成的误差，一个是置信度造成的损失，最后一个是类别造成class的损失，最后将这三个损失相加形成了最终的损失函数。在所述中心坐标和宽高造成的误差中，由目标检测框的中心横坐标、中心纵坐标、宽度和高度四部分损失相加所得。由于这四部分损失不是相互独立的，在实际计算中存在互相依赖关系，因此该损失计算方法存在偏差，无法准确反映由中心坐标和宽高造成的实际损失。例如，可能存在不同的中心横坐标、中心纵坐标、宽度和高度损失而总的中心坐标和宽高损失相同的情况。

发明内容

为解决上述现有技术问题，本发明提供一种基于双阶段卷积神经网络的目标跟踪方法及系统。

本发明技术方案如下：一种基于双阶段卷积神经网络的目标跟踪方法，包括以下步骤：

S1，获取检测区域内的视频流，并将所述视频流进行预处理，得到多帧帧图片；

S2，将多帧所述帧图片输入至预先训练好的YOLOv3目标检测改进模型中进行目标检测，得到带有检测目标帧图片；

S3，利用deepsort多目标追踪算法对带有检测目标帧图片进行检测目标跟踪，对所述帧图片中检测目标实时位置进行跟踪。

本发明的有益效果是：本发明基于双阶段的目标检测跟踪模型实现了目标检测跟踪功能，利用改进的YOLOv3目标检测模型与deepsort多目标跟踪算法相结合形成双阶段的检测跟踪算法，对检测区域内的检测目标不仅可以更精确地检测同一检测目标的实时位置信息，也避免了有多个目标出现在检测区域内时以及检测目标发生重叠时对于检测目标实时位置检测的计算误差，还实现了对运动中多检测目标的实时跟踪，且对于目标位置信息实时检测准确度较高，可实现实时计算，准确度高，改善了人工监测费时费力的局面，实现对检测区域的智能化监控。

在上述技术方案的基础上，本发明还可以做如下改进。