[发明专利]一种端到端多车辆跟踪方法、系统及计算机可读介质

说明书

本发明涉及一种端到端多车辆跟踪方法、系统及计算机可读介质，其中多车辆跟踪方法包括：步骤1：构建并训练目标检测模型；步骤2：构建并训练深度匈牙利网络模型；步骤3：获取视频流当前帧的待追踪图像和前一帧车辆的目标ID和位置；步骤4：通过目标检测模型获取当前帧中待追踪车辆的目标框；步骤5：通过视频流当前帧和前一帧的目标框计算距离矩阵；步骤6：通过匈牙利模型获取指派矩阵；步骤7：依据指派矩阵为当前帧目标框分配目标ID完成目标跟踪。与现有技术相比，本发明具有准确率高、抗干扰性好等优点。

技术领域

本发明涉及车辆跟踪技术领域，尤其是涉及一种基于深度匈牙利网络的端到端多车辆跟踪方法、系统及计算机可读介质。

背景技术

目标跟踪算法是指在给定的视频流当中检测所有的目标并预测出未来的轨迹，在无人监控、自动驾驶领域等领域具有十分重要的意义。其中车辆跟踪是智能交通领域研究的一个关键问题，智能交通系统根据视频流图像进行车流量控制、违法车辆监控等任务，车辆目标的准确检测与跟踪是智能车辆管理的重点研究问题。车辆检测的传统方法主要基于光流的车辆跟踪方法、基于运动估计的车辆跟踪方法、Shift和模板匹配等基础算法的KCF、ECO等跟踪算法，这些方法大部分需要人工提取特征，面对车辆跟踪的复杂场景，如遮挡、快速移动、环境变化等，传统方法很容易产生漂移从而丢失目标。

近几年，由于深度学习的高速发展，一些基于深度学习车辆跟踪算法被提出。使用深度学习可以更好的提取目标的特征，可以更好地处理目标高速变化和防止跟踪器漂移。特别是目标检测领域的蓬勃发展，使得Tracking-by-Detection的方法成为了了主流方法，该方法通过在每一帧进行目标检测，然后使用数据关联的算法将不同帧之间的目标匹配起来，从而完成目标跟踪。但该方法由于评估方法计算预测目标和实际目标的最大匹配数，该计算过程不可微分，所以无法形成端到端的训练，所以无法达到很高的准确性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确率高、抗干扰性好的端到端多车辆跟踪方法、系统及计算机可读介质。

本发明的目的可以通过以下技术方案来实现：

一种端到端多车辆跟踪方法，所述的跟踪方法包括：

步骤1：构建并训练目标检测模型；

步骤2：构建并训练深度匈牙利网络模型；

步骤3：获取视频流当前帧的待追踪图像和前一帧车辆的目标ID和位置；

步骤4：通过目标检测模型获取当前帧中待追踪车辆的目标框；

步骤5：通过视频流当前帧和前一帧的目标框计算距离矩阵；

步骤6：通过匈牙利模型获取指派矩阵；

步骤7：依据指派矩阵为当前帧目标框分配目标ID完成目标跟踪。

优选地，所述的步骤具体为：

步骤1-1：利用开源的预训练的目标检测模型初始化所述目标检测模型；

步骤1-2：将多类型的多张车辆图像数据输入所述目标检测模型进行再训练；

步骤1-3：根据所述目标检测模型输出视频流当前帧的车辆对应的车辆图像及目标框；

步骤1-4：根据所述输出当前帧车辆目标框和前一帧车辆目标框计算距离矩阵。

更加优选地，所述距离矩阵的计算方法为：

计算目标框中心点距离真实中心点的欧氏距离和对应的Jaccard距离的平均值。

优选地，所述的步骤2具体为：

步骤2-1：将距离矩阵输入所述匈牙利网络模型，提取其特征向量；