[发明专利]一种基于改进特征匹配策略的轻量级车辆追踪方法

权利要求书

1.一种基于改进特征匹配策略的轻量级车辆追踪方法，其特征在于包括下述步骤：

步骤1，使用大规模跨相机视角车辆重识别数据集进行训练，使用VeRi-776，VehicleID、VeRi-wild大型车辆重识别数据集构建新的数据集，根据样本ID及摄像头视角对不同数据集的图像进行编号，其中，VeRi-776数据集包含20台摄像机拍摄的超过50,000张共776辆车的图像，VehicleID包含多个相机拍摄的26267辆车共221763张图像；VeRi-wild包含174个摄像机覆盖超过200平方公里的40万张图片；获取车辆的表征提取模型；

步骤2，使用ShuffleNet替换原来的重识别特征提取网络；

重识别特征提取网络中，首先将输入的图像进行预处理，统一各个图像的尺寸，同时为了减少显存占用量，将原始图像放缩为边长为224～256的正方形；

步骤3，构建改进的三元组度量损失函数：

其中，L_TrpHard表示基于难样本采样的三元组损失函数，L_ImpTrpHard为本发明改进后的三元组损失函数，N表示一个batch中样本的数目，λ为绝对距离权重调整系数，设定为固定值0.5，d_a，p表示anchor样本与正样本之间的绝对距离，d_a，n表示anchor样本与负样本之间的绝对距离，α为人为设定的判断难样本对阈值，设定为固定值0.3；

步骤4，在分类损失的基础之上加入三元组损失函数，分类损失与三元组损失比重为1：1，共同构成训练总损失；在添加三元组损失函数进行训练之后，对训练的超参数进行优化；

步骤5，将步骤4得到的特征模型权重加载到deepsort算法结构中，使用YOLOV5作为目标检测器，deepsort算法根据检测器提供的实时检测框信息进行实时跟踪。

2.根据权利要求1所述的一种基于改进特征匹配策略的轻量级车辆追踪方法，其特征在于：

所述步骤2中使用ShuffleNet替换原来的重识别特征提取网络；ShuffleNetV2的基本组成单元引入channel split操作，然后网络被分为两个分支，右分支依次经过卷积核为1×1，步长为1；卷积核为3×3，步长为1；卷积核为1×1，步长为1的三层卷积层，最后，两个分支的特征通过concat操作进行融合，并进行channel shuffle操作。

3.根据权利要求1所述的一种基于改进特征匹配策略的轻量级车辆追踪方法，其特征在于：

所述步骤2中使用ShuffleNet替换原来的重识别特征提取网络；ShuffleNetV2的基本组成单元不使用channel split操作，同样分为左右两个分支，左分支：首先为卷积核为3×3，步长为2的卷积层，然后经过一个BN层，进入卷积核为1×1，步长为1的卷积层，最后再添加BN及ReLu操作；右分支中，首先为卷积核为1×1，步长为1的卷积层，然后分别进行BN及ReLu操作，接下来进入卷积核为3×3，步长为2的卷积层，然后经过BN操作之后进入卷积核为1×1，步长为1的卷积层，再添加BN及ReLu操作；最终，左右两个分支的特征通过concat操作进行融合并进行channel shuffle操作。

4.根据权利要求1所述的一种基于改进特征匹配策略的轻量级车辆追踪方法，其特征在于：

所述步骤4中的具体步骤为：

(1)使用BatchNormalization的方式对两个损失函数进行平衡，即BN层之前的特征计算三元组损失，使用BN之后的特征计算分类损失，以平衡分类损失函数以及三元组损失函数；

(2)batchsize设定为128，训练轮次设定为100，使用激活函数为ReLu；

(3)同时使用warmup的学习率调整策略以及AdamW优化器；warmup为先上升后平稳在下降的学习策略，具体初始值设为0.0001，在前10个epoch上升为0.001，然后在逐渐减少，在第100个epoch重新下降为0.0001。

5.根据权利要求1所述的一种基于改进特征匹配策略的轻量级车辆追踪方法，其特征在于：

所述步骤5采用YOLOV5+deepsort算法进行多目标跟踪的步骤如下：

(1)给定原始视频，原始视频为存储在计算机上的视频文件，或实时更新的视频流，读取原始视频流，逐帧获取图像信息；

(2)进行数据预处理：包括对视频帧数据进行形状统一，将原始图像放缩为边长224～256的正方形，将numpy格式的数据转化为tensor；

(3)通过YOLOV5目标检测算法进行车辆目标检测，获取到所有预测框信息；

(4)判断步骤(3)获得的目标的预测框信息是否含有车辆类别的预测框，如果含有目标车辆的车辆类别的预测框，则该帧作为有效帧提供目标框的标注信息，否则继续处理下一帧；

(5)根据步骤(4)的车辆目标标注信息，提取目标所在的位置，将对应目标提取出来，并使用步骤2搭建的重识别模型提取目标特征；

(6)采用马氏距离或欧式距离作为相似度，将前30帧内原始已存储的目标与新一帧中的目标之间的相似度进行匹配，如相似度小于0.2，则两帧属于同一ID，如相似度大于等于0.2，则判定为新的目标，分配新的ID，从而实现多目标跟踪；

(7)根据步骤(6)的匹配结果，为不同的目标分配ID，将原始目标ID删除，并更新为当前帧的目标ID。