[发明专利]一种车辆检测跟踪方法及装置

说明书

本申请公开了一种车辆检测跟踪方法及装置。所述方法包括：对Yolo目标检测器进行训练；利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置；利用IOU跟踪器对Yolo目标检测器的输出和历史车辆中的IOU进行匹配并分配唯一的ID。所述装置包括：训练模块，其配置成对Yolo目标检测器进行训练；检测模块，其配置成利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置；和匹配模块，其配置成利用IOU跟踪器对Yolo目标检测器的输出和历史车辆中的IOU进行匹配并分配唯一的ID。

技术领域

本申请涉及视频中的车辆运动行为识别领域，特别是涉及车辆运动行为识别中的轨迹识别。

背景技术

轨迹识别是车辆运动行为识别的基础。通过车辆轨迹，道路管理员可以获取有关异常车辆行为的信息，例如非法车道变更、异常停车等。轨迹识别可以简单地描述为对象检测和对象跟踪的融合。车辆轨迹识别中的主要任务可以描述如下：启动和检测运动中的车辆轨迹，使用坐标和运动参数的估计来跟踪车辆轨迹，识别被观察车辆的类别。随着卷积神经网络技术和目标检测技术的飞速发展，关于轨迹识别的主流研究都集中在按检测跟踪的方法上，这些轨迹识别算法利用目标检测的输出来跟踪车辆，从而实现了速度和准确性之间的平衡。对象检测旨在在给定图像中定位特定类别的语义对象的实例。在深度学习时代之前，它的典型检测过程可以分为三个步骤：提案生成、特征向量化和分类。随着深度学习的发展以及深度卷积神经

网络(DCNN)的成功，对象检测也引入了CNN作为其骨干网络。现在，基于深度学习的对象检测通常可以分为两个系列：两级检测器和一级检测器，两级检测器中最有代表性的一个是Faster R-CNN；一级检测器最有代表性的是YOLO和SSD。两级检测器首先通过使用称为区域提议网络(RPN)的体系结构生成提议集并从中提取特征，然后将区域分类器应用于预测提议的类别。两级检测器的框架旨在实现高定位和目标识别精度。一级检测器跳过区域提议步骤，并直接在可能位置的密集采样上进行检测。

视觉对象跟踪有两种方法：生成模型方法和判别模型方法。生成模型方法对当前帧中的目标区域进行建模，并在下一帧中找到与模型最相似的区域，典型算法包括卡尔曼滤波器、粒子滤波器和均值漂移，这些经典方法无法处理和适应复杂的跟踪更改，并且其鲁棒性和准确性已被当前算法超越。判别模型方法也称为“检测跟踪”方法，与对象检测不同，对象检测的输出是带有其类别的边界框，按检测跟踪的方法也将ID关联到每个框。

上述方法预测准确率比较低，对车辆轨迹的波动比较敏感，并且单独使用某一模型时，解决不了不同时间点预测误差差别较大的问题，模型构造过程过于复杂，花费时间代价相对较高，对噪声数据的变化比较敏感，随着噪声增大，预测误差不断增大，近似成线性。

发明内容

本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。

根据本申请的一个方面，提供了一种车辆检测跟踪方法，包括：

对Yolo目标检测器进行训练；

利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置；

利用IOU跟踪器对Yolo目标检测器的输出和历史车辆中的IOU进行匹配并分配唯一的ID。

可选地，所述对Yolo目标检测器进行训练包括：

对Yolo目标检测器进行数据增强和焦点损失训练。

可选地，在所述对Yolo目标检测器进行训练之前，所述方法还包括：

通过随机几何变换和随机颜色抖动对原始训练数据集进行扩充。

可选地，在对Yolo目标检测器进行训练以及利用训练好的Yolo目标检测器检测视频每一帧中车辆的类型和位置的过程中，将焦点损失作为对象置信度。