[发明专利]基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法及系统

摘要

本发明提供了一种基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法，该方法首先离线训练深度学习CNN模型，建立车辆白天、夜间红外分类器。其次，系统采集一帧图像，检测车辆：白天用动静目标检测方法获得运动、静止目标，用白天分类器分出车辆；夜间用车灯方法检测车灯位置，用夜间分类器检测车辆位置。然后，为检测到每个车辆目标初始化卡尔曼滤波器。接着下一帧，检测当前帧的车辆位置，使用上一帧车辆目标的卡尔曼滤波器预测位置；对比检测位置与预测位置，接着将上一帧图的车辆目标与当前帧图的车辆的位置连接起来，获取车辆的跟踪路径。最后，系统在视频中画出车辆的连续帧路径。

主权项

一种基于卡尔曼滤波与深度学习的视频中全时段车辆检测跟踪方法，其特征在于包括以下步骤：步骤1：采用深度学习的方法，建立夜间、白天车辆图像样本库，采用CAFFE框架，离线训练深度学习CNN模型，并建立白天车辆分类器、夜间红外分类器；步骤2：从视频源中采集一帧图像，判断当前时间是白天还是夜间，白天进入步骤3，夜间进入步骤4；步骤3：白天，使用动静目标检测方法获得当前帧的运动、静止目标，使用白天车辆分类器分出车辆目标，即使用背景差分方法检测运动区域，遍历非运动区域使用车辆分类器进行检测静止目标；步骤4：夜间，使用基于车灯方法检测出车灯位置，使用夜间红外分类器检测车辆位置；步骤5：判断是否为视频源的第一帧；如果是第一帧，则为当前车辆目标建立卡尔曼滤波器，对卡尔曼滤波器进行初始化，否则进入下一帧，回到步骤2；步骤6：获取步骤3或者步骤4在当前帧图中车辆目标的检测位置数据；使用上一帧每一个车辆目标的卡尔曼滤波器预测该目标在当前帧的位置；步骤7：综合对比检测位置与预测位置，如果相同，则目标前后帧连接；如果预测位置没检测到目标，则使用车辆分类器判断车辆是否停止；如果检测位置不在预测位置，则判断是否是新产生，从而综合更新当前帧图数据；步骤8：更新全部车辆目标状态，更新车辆目标的卡尔曼滤波器的参数，将上一帧图的车辆目标与当前帧图的车辆目标的位置连接起来，再进入下一帧，回到步骤2，从而获取车辆目标的跟踪路径。